1 复旦大学 电磁波信息科学教育部重点实验室, 上海 200433
2 北京师范大学 地表过程与资源生态国家重点实验室, 北京 100875
3 复旦大学 信息学院智慧网络与系统研究中心, 上海 200433
提出一种基于低秩表示和学习字典的高光谱遥感图像异常探测算法。相对于其它低秩矩阵分解方法如鲁棒主成分分析, 低秩表示方法更为契合高光谱图像的线性混合模型。该算法将低秩表示模型应用到高光谱图像异常探测问题上来, 引入表征背景信息的学习字典, 大大增强了低秩表示模型对初始参数的鲁棒性。仿真和实际高光谱数据的实验结果表明, 所提出的算法有效地提高了异常的探测率, 同时对初始参数具有较好的鲁棒性, 可以作为一种解决高光谱图像异常探测的有效手段。
高光谱图像 异常探测 低秩矩阵分解 低秩表示 学习字典 Hyperspectral imagery anomaly detection low-rank matrix decomposition low-rank representation learned dictionary 红外与毫米波学报
2016, 35(6): 2016
1 中北大学信息与通信工程学院，山西 太原 030051
2 太原科技大学应用科学学院，山西 太原 030024
针对SAR、红外和可见光图像的灰度差异性大，融合图像感兴趣目标不突出的问题，提出一种基于NSST 和稀疏表示的多源异类图像融合方法。首先将训练图像进行NSST 变换，在低频系数上构建多尺度学习字典；对SAR、红外和可见光图像进行NSST 变换，利用滑动窗口分解低频系数为图像块序列，对图像块序列零均值化后再稀疏分解，采用稀疏系数绝对值取大的融合规则；高频子带系数采用局部方向信息熵显著性因子取大的融合规则；最后对融合系数进行NSST 逆变换得到最终的融合图像。
图像融合 多尺度学习字典 稀疏表示 方向信息熵 image fusion NSST NSST multi-scale study dictionary sparse presentation directional entropy
