积分商城

最新搜索： MBI6024 芯海 CAL 安卓app AD8333
您现在的位置是：首页 > 技术资料 > 面向目标检测基于稀疏表示的波段选择方法
推荐星级：
  • 1
  • 2
  • 3
  • 4
  • 5

面向目标检测基于稀疏表示的波段选择方法

更新时间：2019-12-24 08:00:54 大小：1M 上传用户：zhiyao6查看TA发布的资源 标签：目标检测 下载积分：1分 评价赚积分 （如何评价?） 打赏 收藏 评论(0) 举报

资料介绍

随着高光谱成像技术的发展,日益提高的光谱分辨率在提高目标检测和识别能力的同时,其较高的数据维度和较大的数据量也为数据分析和处理带来了很大的挑战.波段选择作为一种有效提高处理效率的技术受到广泛关注,但却鲜有专门针对目标检测设计的方法.针对上述问题,本文在分析约束能量最小化(CEM)检测算法特点的基础上,提出了一种面向目标检测,基于稀疏表示的波段选择方法.该方法首先基于数据的对称KL散度分布情况,将原始高光谱数据划分为若干波段子空间.然后在各子空间内稀疏重构检测结果,利用选择波段与稀疏向量非零项的一一对应关系,通过求解最优化问题实现波段选择.实验结果验证了该方法的有效性.


部分文件列表

文件名 大小
面向目标检测基于稀疏表示的波段选择方法.pdf 1M

部分页面预览

（完整内容请下载后查看）
10  
Vol． 45 No． 10  
Oct． 2017  
第
期
电
子
学
报
2017  
10  
ACTA ELECTRONICA SINICA  
年
月
面向目标检测基于稀疏  
表示的波段选择方法  
， ，  
唐意东 黄树彩 薛爱军  
(
，
空军工程大学防空反导学院 陕西西安  
710051)  
:
， ，  
随着高光谱成像技术的发展 日益提高的光谱分辨率在提高目标检测和识别能力的同时 其较高的数  
摘
要
．
据维度和较大的数据量也为数据分析和处理带来了很大的挑战 波段选择作为一种有效提高处理效率的技术受到广  
， ． ，  
泛关注 但却鲜有专门针对目标检测设计的方法 针对上述问题 本文在分析约束能量最小化  
( CEM)  
检测算法特点的  
， ， ．  
基础上 提出了一种面向目标检测 基于稀疏表示的波段选择方法 该方法首先基于数据的对称  
KL  
，
散度分布情况 将  
． ，  
原始高光谱数据划分为若干波段子空间 然后在各子空间内稀疏重构检测结果 利用选择波段与稀疏向量非零项的一  
， ．  
一对应关系 通过求解最优化问题实现波段选择 实验结果验证了该方法的有效性  
．
:
;
;
;
;
关键词  
中图分类号  
URL: http: / /www． ejournal． org． cn  
波段选择 高光谱图像 稀疏表示 目标检测 子空间划分  
TP751. 1 0372-2112 ( 2017) 10-2368-07  
DOI: 10． 3969 /j． issn． 0372-2112． 2017． 10． 009  
:
:
A
:
文章编号  
文献标识码  
电子学报  
Sparse Representation Based Band Selection for  
Hyperspectral Imagery Target Detection  
TANG Yi-dong，HUANG Shu-cai，XUE Ai-jun  
( Air and Missile Defense College，Air Force Engineering University，Xi’an，Shaanxi 710051，China)  
Abstract: With the development of hyperspectral imaging technology，the raising spectral resolution improves the a-  
bility of target detection and classification． But its great data size and high data dimension also bring challenge to analysis  
and processing． As a dimensionality reduction technology，band selection ( BS) plays an important role in the pre-processing  
of hyperspectral imagery ( HSI) ． However，few BS algorithms are specially designed for target detection． In this paper，based  
on analyzing the character of constrained energy minimization ( CEM) algorithm，a sparse representation based band selec-  
tion method ( TD-SRBBS) is proposed for HSI target detection． The symmetric Kullback － Leibler divergence is defined for  
subspatial partition，which makes the original HSI dataset some subset． Sparse reconstruct the detection result in each subset，  
and then band selection can be implemented based on the one-to-one correspondence between selected bands and nonzero el-  
ements of sparse vector． The experiments on real hyperspectral data demonstrate the effectiveness of TD-SRBBS．  
Key words: band selection; hyperspectral imagery; sparse representation; target detection; subspatial partition  
，
谱图像处理的重要步骤 常用的降维方法包括波段选  
1
引言  
［2，3］  
．
择和基于变换的方法两类  
，
高光谱图像能够提供上百个波段信息 具有光谱  
，
近年来 波段选择作为一种有效的降维方法受到  
［1］  
，
连续 分辨率高的特点  
， 1 ．  
其数据结构如图 所示 高分  
． ，  
广泛关注 与基于变换的降维方法相比 波段选择最大  
， ．  
辨率在提高探测能力的同时 也带来了一系列问题 首  
，
的优点是其直接从原始数据中选择波段子集 能够保  
， ，  
先 高分辨率导致数据维数高且相邻波段相关性高 存  
．
留数据的光谱信息和物理意义 基于稀疏表示的分类  
方法的关键在于利用训练样本近似线性表示待测像元  
． ，  
在大量信息冗余 另外 高分辨率带来的庞大数据量为  
［2］  
．
，
因此 降维成为高光  
其分析和处理带来了极大挑战  
， ．  
的光谱 因此保留数据的光谱信息显得尤为重要 事实  
: 2016-11-30;  
: 2017-04-05; :  
责任编辑 马兰英  
收稿日期  
修回日期  
:
基金项目 国家自然科学基金  
( No． 61273275)  
2369  
10  
:
唐意东 面向目标检测基于稀疏表示的波段选择方法  
第
期
［11，12，17］  
，
上 高光谱图像的意义不仅在于具备丰富的波段信息  
，
．
尽管目标检测和分类都  
来衡量波段选择的好坏  
，
是高光谱图像重要的应用方向 针对目标检测设计的  
更重要的是其提供了构造大量不同波段子集的可能  
［18］  
．
性 这使得当缺乏特征波段和目标分布等先验信息时  
，
．
［19 ～ 21］  
文献 仅机械地  
波段选择方法却相对较少  
，
将检测性能的评判纳入波段选择过程 其循环过程使  
针对不同数据集总能选出相应的波段子集以保证其应  
，
用精度 也正是这种性质保证了波段选择的可行性  
．
．
得运算变得十分冗杂 本文在波段子空间划分的基础  
，
上 提出了一种面向目标检测基于稀疏表示的波段选  
TD-SRBBS．  
，
其理论基础在于 从能量输出的角  
择方法  
，
度看 波段越多  
，CEM  
，
算子的能量输出目标函数越小  
． TD-SRBBS CEM  
检测结果看作各  
［22］  
检测效果越好  
将
，
波段图像的线性组合 通过对全波段检测结果的稀疏  
，
重构实现波段选择 将波段选择和目标检测有机关联  
，
．
在数据降维的同时保证检测性能  
2
TD-SRBBS  
面向目标检测的  
2． 1  
波段子空间划分  
，
高光谱图像各波段间存在较强的相关性 特别是  
，
波段选择旨在不明显降低应用精度的同时 去除  
，
相邻波段 且这种谱间相关性比空间相 关 性 要 强得  
， /  
高光谱图像中的冗余波段 具体可分为有 无监督两种  
．
［23］  
．
，
在许多基于信息量的无监督波段选择方法中 由  
多
［4］  
，
有监督方法需要事先采集地物数据作为训练样本  
，
于评价指标相对波段的连续性 容易导致选择的波段  
［5，6］  
． BSUMI  
通过训练学习进行波段选择  
计算各波段与  
， ．  
集中在少数连续子空间 造成信息的重复使用 只有选  
， ． ，  
参考图的互信息 选择其中数值较大的波段 此时 无论  
， ，  
择的波段本身信息量大 相互间的相关性弱 才能获得  
，
参考图是事先给定还是估计得到 都需要大量先验信  
． ，  
更大的累积信息量 另外 由于高光谱图像数据在光谱  
．
息 无监督方法一般基于波段自身信息量和波段间相  
，
空间的全局统计特性与局部特性存在差异 在全空间  
［2，7 ～ 9］  
， ，  
选出信息量较大 且相关性弱  
关性实现波段选择  
． ，  
进行波段选择并非最佳 因此 需要在波段选择前对高  
［10］  
． BandClust  
的波段子集  
采用贪婪算法计算每一种聚  
．
光谱数据进行波段子空间划分  
，
类结果的互信息 基于最小化互信息选择可分性强的  
［23］  
，
张烨 等提出了一种自适应子空间分解方法 通  
， ． ［11］  
波段子集 计算量较大 文献 提出两种基于层次聚  
过设定相关系数阈值将原始数据划分为若干具有不同  
，WaLuMI  
WaLuDi，  
和 分别以互信息  
类的波段选择方法  
KL  
，
维数的波段子空间 使得各子空间内的波段具有强相  
，
散度作为波段相异性度量 在光谱维上进行层次  
和
，
关性 但其并没有明确设定阈值的原则  
． KL  
散度是一种  
，
聚类 选择与其余各波段相关性最强的波段作为各聚  
，
在信息论中广泛应用的信号相似性度量 物理意义为  
．
类的代表性波段 聚类方法目的是选择尽可能不同的  
，
两个信号的信息量之差 其值越大说明两信号越不相  
， ，  
波段 关注的是波段间的相异性 忽略了波段本身的信  
， ．  
似 因此可将其理解为概率意义上的距离 本文采用对  
． ［7］  
息量大小 文献 以波段对整个数据集的信息量贡献  
KL  
，
散度作为波段相似性度量 将其用于波段子空间  
称
， ，  
为评价准则 逐个剔除贡献小的波段 但由于评价指标  
．
划分可以有效去除高光谱数据的冗余信息 在空间 Ω  
，
相对波段的连续性 使得最终选择的波段可能集中在  
B
B ，  
和 分别代表高光谱图像波  
j
中定义两个随机变量  
i
［12］  
． LPPBS  
某些连续子空间  
利用已选波段预测余下波  
i i ，  
段 和波段 的图像信息 假设  
p ( b)  
i
p ( b)  
j
B
分别为  
和
i
， ，  
段 选择预测误差最大的波段 最后得到波段相似度最  
B
， KL  
的概率密度函数 则两个随机变量的对称 散度  
和
j
， ，  
低的波段子集 其投影矩阵规模很大 不利于全局处理  
．
:
定义为  
，
因此只能随机选择部分像元进行波段相似性度量 而  
p ( b)  
i
(
)
［13］  
D
=
p ( b) log  
∑
i
B ，B  
i
KL  
j
． SpaBS  
这势必会影响波段选择的结果  
基于稀疏表示  
p ( b)  
j
b
∈Ω  
K-SVD  
和
算法将光谱数据分解为字典矩阵和系数矩  
p ( b)  
j
+
p ( b) log  
j
( 1)  
∑
，
阵 通过系数矩阵直方图分析进行波段选择  
．
p ( b)  
i
b
∈Ω  
， ，  
上述波段选择方法 不管是有监督还是无监督 多  
， 32  
实际上 本文将单波段像素值平均划分为 个区  
，
是针对分类提出的 目的是将高光谱图像中的各类物  
， ．  
间 采用直方图估计的方法计算概率密度函数 得到对  
．
质一一区分开 监督方法将与分类相关的准则融入到  
KL  
， ，  
散度分布之后 计算其梯度 以梯度变化剧烈的  
称
［14 ～ 16］  
，
， ．  
波段为节点 将高光谱数据划分为若干波段子空间 波  
波段选择  
而无监督方法则直接利用分类准确性  

相关下载

全部评论(0)

暂无评论
评论赚积分>>

上传资源 上传优质资源有赏金

热门标签

更多>>

最新上传

  • 打赏
  • 30日榜单

  • 21下载积分 打赏60.00元   3天前

    用户：gsy幸运

  • 21下载积分 打赏70.00元   3天前

    用户：铁蛋锅

  • 21下载积分 打赏65.00元   3天前

    用户：xzxbybd

  • 21下载积分 打赏60.00元   3天前

    用户：jh0355

  • 21下载积分 打赏60.00元   3天前

    用户：w178191520

  • 21下载积分 打赏20.00元   3天前

    用户：jh03551

  • 21下载积分 打赏20.00元   3天前

    用户：sun2152

  • 21下载积分 打赏20.00元   3天前

    用户：kk1957135547

  • 21下载积分 打赏25.00元   3天前

    用户：w1966891335

  • 21下载积分 打赏20.00元   3天前

    用户：xuzhen1

  • 21下载积分 打赏15.00元   3天前

    用户：x15580286248

  • 21下载积分 打赏25.00元   3天前

    用户：pcb

  • 21下载积分 打赏20.00元   3天前

    用户：bhacker

  • 21下载积分 打赏15.00元   3天前

    用户：liqiang9090

  • 21下载积分 打赏25.00元   3天前

    用户：有理想666

  • 21下载积分 打赏15.00元   3天前

    用户：godbox

  • 21下载积分 打赏15.00元   3天前

    用户：aetek

  • 21下载积分 打赏5.00元   3天前

    用户：mulanhk

  • 21下载积分 打赏5.00元   3天前

    用户：JuneLin61

热门下载

资料专题

推荐下载

本站上的所有资源均为源于网上收集或者由用户自行上传，仅供学习和研究使用，无任何商业目的，版权归原作如有侵权，请 来信指出，本站将立即改正。

ICP许可证号：京ICP证070360号     21IC电子网 2000- 版权所有

京ICP备11013301号

京公网安备 11010802024343号