基于稀疏表示的高光谱图像目标检测方法研究

Hyperspectral target detection has paramount value in practical application of military and civil use. Researches will be carried on the hotpot technologies, such as target detection, anomaly detection, real-time processing algorithms and the realization of target detection with GPU. Simultaneous target detection can efficiently explore the spatial information from the hyperspectral images. However, it restricts the query pixel have the same sparse coefficient with all its neighbor pixels.Anomaly detection can’t provide the sparse dictionary with prior spectral information, which restricts the potential use of sparse representation in anomaly detection. For real-time detection, the requirement of causilty and effectiveness present blocks for the sparse representation based detection algorithms. Most of the GPU based approaches are constructed on the traditional detection algorithms that have never been realized by sparse representation based algorithm. This research is intended to set up a simultaneous kernel sparse detection algorithm by incorporating adaptive spatial spectral support. Variable sparse dictionary is incorporated in sparse representation for anomaly detection. Sparse coefficient based iterative updating operator is set up to promote the effectiveness of detection algorithms.The realization of GPU based detection algorithms is achieved by the improvement of parallel optimization. The success of this project will be of great significance as well as application value to the effective exploration and utilization of hyperspectral images.

高光谱图像目标检测在军事与民用领域具有重要的应用价值。课题围绕稀疏表示理论深入研究目标检测、异常检测、检测算法的实时处理及GPU实现等热点技术。联合稀疏表示可以有效利用像元空域信息，但却强制全部邻域像元与待测像元具有相同的稀疏系数；异常检测中无法提供代表地物光谱信息的稀疏字典，这一问题限制了稀疏表示在异常检测中的应用；目标检测实时处理过程中因果性和时效性的限制，是实时稀疏目标检测的主要难题；现有目标检测算法的GPU实现建立在传统检测算法基础上，尚未实现基于稀疏表示的GPU检测算法。本课题提出自适应空域光谱支持模型，建立联合核稀疏目标检测算法；通过引入可变稀疏字典解决了稀疏表示无法应用到异常检测中的难题；构建稀疏系数求解的递归更新算子以提高目标检测算法的处理效率；通过并行优化思想以获得检测算法的GPU实现。本课题的成功研究对高光谱图像信息的有效挖掘和利用有着重要的理论意义和应用前景。

高光谱图像目标检测是图像理解和解译领域重要研究课题之一，在军事与民用领域具有重要的应用价值。（1）本项目将高光谱遥感成像技术的基础原理与稀疏表示模型相结合，将原始信号在过完备字典中线性展开。通过正交匹配追踪算法进行稀疏系数的求解并且重建原始信号。根据不同地物有独特的光谱反射曲线，设计判别函数并选取合适的阈值对目标与背景进行区分。(2) 随着高光谱图像的空间和光谱分辨率的不断提升，巨大的数据量导致算法实现效率较低，在保证算法检测精度的同时，提高算法时效性刻不容缓。本项目研究了基于推扫型成像光谱仪成像机理的实时异常检测算法，重点解决实时处理的因果性和时效性问题。并将实时异常检测算法与传统的高光谱异常检测算法相比较，保证算法检测精度的前提下，提高算法的检测效率。针对高光谱遥感目标检测算法效率问题，提出一种基于GPU的目标检测实时算法的并行处理方法；针对目标匹配算法中稀疏系数求解较慢这一问题，提出基于因果字典残差更新的快速OMP算法，并实现了GPU数据并行处理，针对KRX算法检测效率不高的缺陷，提出采用核递归思想的异常目标检测算法。(3) 本项目还研究高光谱图像空谱联合异常检测算法及其GPU并行处理方法，充分挖掘高光谱图像潜在空间信息，并与光谱信息结合，有效提升算法检测精度，同时设计基于GPU/CUDA的并行系统架构，利用GPU平台强大的通用计算能力和高存储带宽的优势，实现算法的高效处理。(4) 研究背景纯化方法，即将初始背景中的潜在异常去除。并将背景纯化方法与当前的高光谱异常检测算法相联合，提高其检测率。总之，本项目结合高光谱图像的数据特点对如何充分挖掘高光谱遥感图像的光谱信息和空间信息以及如何开发出更有效的异常目标检测与目标检测算法框架展开了研究，研究了因果系统下的高光谱快速异常目标检测算法，在满足因果性和高效性的基础上，提高了高光谱异常检测算法的效率。本项目取得了多项进展和成果，对高光谱图像的有效挖掘和利用有着重要的指导意义和应用前景。

内容获取失败，请点击重试