高光谱图像目标探测容错特性及在轨近似计算研究

The main characteristics of intelligent remote sensing satellite system are onboard real-time image processing and target detection, which will make the earth observation system transfer from data acquisition to target perception. This has huge demand in the time critical application scenarios such as military reconnaissance and emergency rescue. Take small artificial facilities target detection under natural background as research object, the spectrum difference is this physical basis of this kind of target can be effectively detect. In this detection procedure, different data bits and algorithm steps have different contribution to the detection precision. The errors of low significant bits can be compensated by threshold segmentation procedure. This error resilience features can be analyzed and utilized by approximates computing. To keep discriminant separation conditions of the target and background, three key techniques including spectral feature selection and sparse representation, high complexity algorithm decomposition and equivalent approximate computing, approximate circuits design and error compensation will be developed. To solve onboard target detection problem by using lightweight sparse data instead of dense data, replace the accurate computation with equivalent approximate computing. Thus, the research of hyperspectral image target detection error resilience and onboard approximate computing provide new approach for intelligent remote sensing earth observation system.

星上数据实时处理与信息生成是智能遥感卫星系统的关键，是空间对地观测从数据采集向目标感知转变的重要标志，在军事侦察和应急救援等领域有着重大的应用需求。如何挖掘人工小目标探测与自然地物背景的光谱特征差异并开展自适应目标探测是智能卫星遥感信息处理的重要方向之一。已有研究发现不同的数据位和计算步骤对探测精度影响的重要程度是不同的，计算过程中引入的低有效数据位噪声能够被差异性阈值判别所掩盖补偿，从而保持最终的探测精度。本研究分析并利用这种容错特性，在满足目标和背景可判别分离的条件下，开展目标地物光谱特征选择与稀疏特征表达、高复杂度目标探测算法的形式化分解与等效近似算法、近似计算电路设计及误差补偿等关键技术研究，以轻量化的稀疏数据代替密集数据、以等效近似计算代替严格校验计算，解决在轨目标探测的数据快速计算难题，实现时空约束下高能效目标信息提取，具有前沿和现实意义，为智能遥感观测提供新的思路和技术支撑。

星上数据实时处理与信息生成是智能遥感卫星系统的关键，是空间对地观测从数据采集向目标感知转变的重要标志，在军事侦察和应急救援等领域有着重大的应用需求。已有的星上处理系统设计，大多是地面处理过程简单的迁移到星上计算环境，而没有针对星上实时应用目标进行整理的优化设计。由于高光谱遥感图像存在波段多、数据量大，再加上信息提取算法组合多、复杂度高，发展非严格定量化处理数据的信息提取算法流程，以及算法-软件-硬件等跨层次协同的新型计算架构是突破目前星上计算性能瓶颈的关键。.本项目提出了一种新的近似计算策略，以高光谱图像异常检测为例，利用所提出的近似计算框架实现了高光谱图像异常检测。首先，分析了高光谱图像在光谱和空间维度上的数据相关性，光谱和空间维度上的数据相关性是近似计算方法的前提条件。其次，分析了目前流行的多特征高光谱异常检测算法在数据级和算法级的误差恢复能力。基于此分析结果，进一步将光谱和空间退化图像处理用于降低在轨高光谱异常检测场景的计算复杂度。并利用ROC曲线、成本曲线和计算时间等工具，综合评估计算准确性和效率。结果表明，与传统方法相比，所提出的近似计算方法大大提高了异常检测效率，精度的退化可以忽略不计。.本研究分析并利用数据和算法级的容错特性，在满足目标和背景可判别分离的条件下，开展目标地物光谱特征选择与稀疏特征表达、高复杂度目标探测算法的形式化分解与等效近似算法、近似计算电路设计及误差补偿等关键技术研究，以轻量化的稀疏数据代替密集数据、以等效近似计算代替严格校验计算，解决在轨目标探测的数据快速计算难题，实现时空约束下高能效目标信息提取，具有前沿和现实意义，为智能遥感观测提供新的思路和技术支撑。

内容获取失败，请点击重试