留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于相关向量机的高光谱图像噪声评估算法

王晓飞 侯传龙 阎秋静 张钧萍 汪爱华

王晓飞, 侯传龙, 阎秋静, 张钧萍, 汪爱华. 基于相关向量机的高光谱图像噪声评估算法[J]. 红外与激光工程, 2014, 43(12): 4159-4163.
引用本文: 王晓飞, 侯传龙, 阎秋静, 张钧萍, 汪爱华. 基于相关向量机的高光谱图像噪声评估算法[J]. 红外与激光工程, 2014, 43(12): 4159-4163.
Wang Xiaofei, Hou Chuanlong, Yan Qiujing, Zhang Junping, Wang Aihua. Noise estimation algorithm based on relevance vector machine for hyperspectral imagery[J]. Infrared and Laser Engineering, 2014, 43(12): 4159-4163.
Citation: Wang Xiaofei, Hou Chuanlong, Yan Qiujing, Zhang Junping, Wang Aihua. Noise estimation algorithm based on relevance vector machine for hyperspectral imagery[J]. Infrared and Laser Engineering, 2014, 43(12): 4159-4163.

基于相关向量机的高光谱图像噪声评估算法

基金项目: 

国家自然科学基金(61273148);北京市博士后工作经费资助项目(2012ZZ-100);北京市科技计划(Z121100006112032);黑龙江省普通高等电子工程重点实验室项目(D22D20100018)

详细信息
    作者简介:

    王晓飞(1977-),男,副教授,博士,主要从事高光谱图像处理及应用方面的研究。Email:nk_wxf@hlju.edu.cn

  • 中图分类号: TP751.1

Noise estimation algorithm based on relevance vector machine for hyperspectral imagery

  • 摘要: 为了更准确的估计高光谱图像噪声强度,提出了一种基于相关向量机(RVM)的高光谱图像噪声评估算法。对该算法所采用的RVM 回归原理、残差与噪声的关系等进行了研究。首先,介绍了高光谱图像噪声评估中应用较为广泛的空间/光谱维去相关法的特点及不足。接着,对可有效进行非线性回归分析的RVM 进行了介绍。然后,针对传统的空间/光谱维去相关法在系统中存在较强的非线性关系时,得到的残差将会过大这一问题,提出利用RVM 回归分析去除具有高相关性的信号,利用得到的残差图像对噪声进行估算,从而提高评估系统的稳定性。实验结果表明:噪声强度估计精度优于8%;相比传统算法更有效。总体看,该算法可以满足自动高光谱图像噪声评估的稳定可靠、精度高等要求。
  • [1]
    [2] Liu Danfeng, Wang Liguo. Color display of hyperspectral data in three levels [J]. Infrared and Laser Engineering, 2012, 41(9): 2527-2533. (in Chinese) 刘丹凤, 王立国. 高光谱数据三级彩色显示方法[J]. 红外 与激光工程, 2012, 41(9): 2527-2533.
    [3]
    [4] Cheng Xin, Zhang Bao, Hong Yongfeng, et al. Optical design of an airborne dual-wavelength imaging spectrometer with high throughput [J]. Infrared and Laser Engineering, 2012, 41(3): 690-695. (in Chinese) 程欣, 张葆, 洪永丰, 等. 机载高光通量双波段成像光谱仪 的设计[J]. 红外与激光工程, 2012, 41(3): 690-695.
    [5] Zhang Bing, Gao Lianru. Hyperspectral Image Classification and Target Detection [M]. Beijing: Science Press, 2011. (in Chinese) 张兵, 高连如. 高光谱图像分类与目标探测[M]. 北京院科 学出版社, 2011.
    [6]
    [7]
    [8] Curran P J, Dungan J L. Estimation of signal-to-noise:a new procedure applied to AVIRIS data [J]. IEEE Transactions on Geoscience and Remote Sensing, 1989, 27 (5): 620-628.
    [9] Gao B C. An operational method for estimating signal to noise ratios from data acquired with imaging spectrometers[J]. Remote Sensing of Environment, 1993, 43(1): 23-33.
    [10]
    [11] Roger R E, Arnold J F. Reliably estimating the noise in AVIRIS hyperspectral images [J]. International Journal of Remote Sensing, 1996, 17(10): 1951-1962.
    [12]
    [13]
    [14] Liu Xiang. Target detection on hyperspectral imagery based on transformation of spectral dimensions [D]. Beijing:Graduate University of the Chinese Academy of Sciences, 2008. (in Chinese) 刘翔. 基于光谱维变换的高光谱图像目标探测研究[D]. 北京院中国科学院研究生大学, 2008.
    [15] Wei Feng, He Mingyi, Mei Shaohui. Hyperspectral data feature extraction using spatial coherence based neighborhood preserving embedding [J]. Infrared and Laser Engineering, 2012, 41(5): 1249-1254. (in Chinese) 魏峰, 何明一, 梅少辉. 空间一致性邻域保留嵌入的高光 谱数据特征提取[J]. 红外与激光工程, 2012, 41(5): 1249-1254.
    [16]
    [17] Shutin D, Buchgraber T, Kulkarni S R, et al. Fast variational sparse bayesian learning with automatic relevance determination for superimposed signals[J]. IEEE Transctions on Signal Processing, 2011, 59(12): 6257-6261.
    [18]
    [19] Tipping M. Sparse Bayesian learning and the relevance vector machine [J]. Journal of Machine Learning Research, 2001 (1): 211-244.
  • [1] 邓可望, 赵慧洁, 李娜, 蔡辉.  基于改进样本驱动的高光谱矿物识别模型压缩方法 . 红外与激光工程, 2022, 51(3): 20210252-1-20210252-9. doi: 10.3788/IRLA20210252
    [2] 贺文静, 胡坚, 陈育伟, 潘苗苗, 朱运维, 何锐斌, 李传荣.  共孔径主被动高光谱三维成像实时处理框架 . 红外与激光工程, 2021, 50(2): 20200249-1-20200249-9. doi: 10.3788/IRLA20200249
    [3] 王雷光, 耿若筝, 代沁伶, 王军, 郑晨, 付志涛.  高光谱-LiDAR 融合的条件随机场分类方法 . 红外与激光工程, 2021, 50(12): 20210112-1-20210112-12. doi: 10.3788/IRLA20210112
    [4] 熊伟.  “高分五号”卫星大气主要温室气体监测仪(特邀) . 红外与激光工程, 2019, 48(3): 303002-0303002(7). doi: 10.3788/IRLA201948.0303002
    [5] 黄达, 黄树彩, 唐意东, 刘锦昌.  模糊识别算法在导弹尾焰光谱识别中的应用 . 红外与激光工程, 2018, 47(7): 704002-0704002(8). doi: 10.3788/IRLA201847.0704002
    [6] 张爱武, 康孝岩.  p值统计量建模独立性的高光谱波段选择方法 . 红外与激光工程, 2018, 47(9): 926005-0926005(9). doi: 10.3788/IRLA201847.0926005
    [7] 张爱武, 杜楠, 康孝岩, 郭超凡.  非线性变换和信息相邻相关的高光谱自适应波段选择 . 红外与激光工程, 2017, 46(5): 538001-0538001(9). doi: 10.3788/IRLA201746.0538001
    [8] 范斌, 陈旭, 李碧岑, 赵艳华.  “高分五号”卫星光学遥感载荷的技术创新 . 红外与激光工程, 2017, 46(1): 102002-0102002(7). doi: 10.3788/IRLA201746.0102002
    [9] 梁栋, 刘娜, 张东彦, 赵晋陵, 林芬芳, 黄林生, 张庆, 丁玉婉.  利用成像高光谱区分冬小麦白粉病与条锈病 . 红外与激光工程, 2017, 46(1): 136004-0136004(9). doi: 10.3788/IRLA201746.0138004
    [10] 汪家春, 赵大鹏, 杜香华, 王启超, 林志丹, 程立, 李志刚.  基于AOTF的高光谱偏振成像系统设计与实验 . 红外与激光工程, 2017, 46(1): 1136002-1136002(7). doi: 10.3788/IRLA201746.0138002
    [11] 徐文斌, 陈伟力, 李军伟, 王广平, 武敬力.  采用长波红外高光谱偏振技术的目标探测实验 . 红外与激光工程, 2017, 46(5): 504005-0504005(7). doi: 10.3788/IRLA201746.0504005
    [12] 刘志青, 李鹏程, 郭海涛, 张保明, 陈小卫, 丁磊, 赵传.  基于相关向量机的机械LiDAR点云数据分类 . 红外与激光工程, 2016, 45(S1): 98-104. doi: 10.3788/IRLA201645.S130006
    [13] 危璋, 冯新喜, 刘钊, 刘欣.  自适应非线性GM-PHD滤波及在无源跟踪中的应用 . 红外与激光工程, 2015, 44(10): 3076-3083.
    [14] 邓承志, 张绍泉, 汪胜前, 田伟, 朱华生, 胡赛凤.  L1稀疏正则化的高光谱混合像元分解算法比较 . 红外与激光工程, 2015, 44(3): 1092-1097.
    [15] 梁栋, 杨勤英, 黄文江, 彭代亮, 赵晋陵, 黄林生, 张东彦, 宋晓宇.  基于小波变换与支持向量机回归的冬小麦叶面积指数估算 . 红外与激光工程, 2015, 44(1): 335-340.
    [16] 高明辉, 郑玉权, 郭万存.  高光谱与高分辨率CO2探测仪安装座结构设计 . 红外与激光工程, 2014, 43(12): 3973-3976.
    [17] 葛广一, 魏振忠.  图像去雾过程中的噪声抑制方法 . 红外与激光工程, 2014, 43(8): 2765-2771.
    [18] 王艺婷, 黄世奇, 刘代志, 王百合.  一种新的基于目标检测的波段选择方法 . 红外与激光工程, 2013, 42(8): 2294-2298.
    [19] 刘志刚, 卢云龙, 魏一苇.  有监督的高光谱图像伪装目标检测方法 . 红外与激光工程, 2013, 42(11): 3076-3081.
    [20] 孟卫华, 倪国强, 高昆, 向静波, 项建胜.  红外高光谱成像的光谱聚焦 . 红外与激光工程, 2013, 42(3): 774-779.
  • 加载中
计量
  • 文章访问数:  233
  • HTML全文浏览量:  32
  • PDF下载量:  163
  • 被引次数: 0
出版历程
  • 收稿日期:  2014-04-10
  • 修回日期:  2014-05-15
  • 刊出日期:  2014-12-25

基于相关向量机的高光谱图像噪声评估算法

    作者简介:

    王晓飞(1977-),男,副教授,博士,主要从事高光谱图像处理及应用方面的研究。Email:nk_wxf@hlju.edu.cn

基金项目:

国家自然科学基金(61273148);北京市博士后工作经费资助项目(2012ZZ-100);北京市科技计划(Z121100006112032);黑龙江省普通高等电子工程重点实验室项目(D22D20100018)

  • 中图分类号: TP751.1

摘要: 为了更准确的估计高光谱图像噪声强度,提出了一种基于相关向量机(RVM)的高光谱图像噪声评估算法。对该算法所采用的RVM 回归原理、残差与噪声的关系等进行了研究。首先,介绍了高光谱图像噪声评估中应用较为广泛的空间/光谱维去相关法的特点及不足。接着,对可有效进行非线性回归分析的RVM 进行了介绍。然后,针对传统的空间/光谱维去相关法在系统中存在较强的非线性关系时,得到的残差将会过大这一问题,提出利用RVM 回归分析去除具有高相关性的信号,利用得到的残差图像对噪声进行估算,从而提高评估系统的稳定性。实验结果表明:噪声强度估计精度优于8%;相比传统算法更有效。总体看,该算法可以满足自动高光谱图像噪声评估的稳定可靠、精度高等要求。

English Abstract

参考文献 (19)

目录

    /

    返回文章
    返回