论文部分内容阅读
高光谱探测技术已成为一种重要的军事侦察手段。异常检测算法能够在没有先验光谱信息的情况下检测到与周围环境存在光谱差异的目标,具有较强的实用性,并成为了一个重要的研究热点。本文在深入分析高光谱数据特点的基础上,系统地研究了基于光谱维的图像异常检测方法。 论文首先从高光谱图像的成像机理入手,阐述了造成波谱变化的大气因素、传感器因素和光谱混合的物理机理;从图像数据角度分析了波段图像的统计特性和信噪比,为异常检测算子的构建和仿真数据的生成提供了理论依据。 在研究纯点模型理论的基础上,论文分析了基于纯点模型的似然比异常检测算法;探讨了后验信息对异常检测算法的影响;对基于干扰模型的广义似然比检测算子进行了推导;依据异常在高维空间中的几何特点,提出了一种基于转动惯量分析的异常检测算法,提高了检测与背景光谱差异较小的异常的能力。 在分析线性混合模型理论的基础上,从异常检测的角度,论文阐述了端元的物理意义和几何意义;论文综合比较了提取几何顶点和提取均值波谱方法之间的差异,并提出了一种改进的IEA(Iterative Error Analysis)端元提取算法;针对端元数目确定问题,论文论证了线性混合模型与本征维数之间的关系,提出了利用本征维数来求取端元数目的新思路。 论文对基于混合模型的异常检测算法进行了分类;推导了基于统计方式的自适应匹配子空间检测器(AMSD);重点分析了基于信息处理和匹配滤波的异常检测算法,针对低概率检测算法中特征向量正交性带来的问题,提出了一种基于特征层融合的低概率检测算法;利用仿真数据和实际数据综合分析了纯点异常检测算法和混合点异常检测方法的性能。 论文通过分析线性混合模型理论和实际数据的低维几何结构,提出了数据集合在高维空间中形成超平面的思想;并根据了图像异常游离于超平面外的几何特点,从线性方程组的角度,提出了一种较为实用的点到超平面距离算法,解决了由于异常多样性带来的误检测问题,提高了基于线性混合模型异常检测算法的实用性。