基于扩展数学形态学的高光谱亚像元目标检测

刘畅; 李军伟

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

基于扩展数学形态学的高光谱亚像元目标检测

刘畅, 李军伟

文章导航 > 红外与激光工程 > 2015 > 44(10): 3141-3147

刘畅, 李军伟. 基于扩展数学形态学的高光谱亚像元目标检测[J]. 红外与激光工程, 2015, 44(10): 3141-3147.

引用本文:

刘畅, 李军伟. 基于扩展数学形态学的高光谱亚像元目标检测[J]. 红外与激光工程, 2015, 44(10): 3141-3147.

Liu Chang, Li Junwei. Hyperspectral subpixel target detection based on extended mathematical morphology[J]. Infrared and Laser Engineering, 2015, 44(10): 3141-3147.

Citation:

Liu Chang, Li Junwei. Hyperspectral subpixel target detection based on extended mathematical morphology[J]. Infrared and Laser Engineering, 2015, 44(10): 3141-3147.

基于扩展数学形态学的高光谱亚像元目标检测

刘畅,
李军伟

1.
光学辐射重点实验室,北京 100854

详细信息

作者简介:
刘畅(1988-),男,工程师,硕士,研究方向为高光谱目标特性技术和光谱数据处理技术等。Email:531093626@qq.com

中图分类号: TP751

Hyperspectral subpixel target detection based on extended mathematical morphology

1.
Science and Technology on Optical Radiation Laboratory,Beijing 100854,China

摘要: 提出了一种基于扩展数学形态学和光谱角度匹配相结合的高光谱亚像元目标检测算法。在目标与背景未知的情况下,同时利用光谱和空间信息实现目标的定位与检测,实现高光谱亚像元目标的检测识别。通过扩展的形态学膨胀和腐蚀运算实现端元提取,采用光谱角度匹配算法进行感兴趣目标的检测识别。算法性能通过AVIRIS数据进行评价,与仅利用光谱角度匹配的算法和RX异常检测算法进行比较。实验证明,所提出的算法性能优于其他两种算法,具有低虚警率的亚像元目标检测结果。
- 扩展数学形态学 /
- 光谱角度匹配 /
- 高光谱图像 /
- 端元提取 /
- 亚像元目标检测
Abstract: A hyperspectral subpixel target detection algorithm was proposed based on extended mathematical morphology and spectral angle mapping. The spectral and spatial information had been used to locate and detect targets under the condition that prior knowledge of targets and background was unknown. Then hyperspectral subpixel targets was detected and recognized. The extended mathematical morphological erosion and dilation operations were performed respectively to extract endmembers. The spectral angle mapping method was used to detect and recognize interested targets. The hyperspectral image collected by AVIRIS was applied to evaluate the proposed algorithm. The proposed algorithm was compared with SAM algorithm and RX algorithm by a specifically designed experiment. From the results of the experiments, it is illuminated that the proposed algorithm can detect subpixel targets with low false alarm rate and its performance is better than that of the other algorithms under the same condition.
- extended mathematical morphology /
- spectral angle mapping /
- hyperspectral image endmember extraction /
- subpixel target detection /

[1]	Manolakis D, Shaw G. Detection algorithms for hyperspectral imaging applications[J]. IEEE Signal Processing Magazine, 2002, 19(1):29-43.
[2]
[3]
[4]	Zhang Xiongfei. The design and application of the hyperspectral database based on the web[D]. Beijing:Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences, 2003.(in Chinese)
[5]	Plaza A, Martinez P, Perez R, et al. A new method for target detection in hyperspectral imagery based on extended morphological profiles[C]//Geoscience and Remote Sensing Symposium IEEE, 2003, 6:3772-3774.
[6]
[7]	Guo Rui, Li Na, Zhao Huijie, et al. Anomaly detection based on extended mathematical morphology for hyperspectral imagery[J]. Acta Optica Sinica, 2008, 28(8):1480-1484.
[8]
[9]
[10]	Antonio Plaza, Pablo Martinez, Rosa Perez, et al. A quantitative and comparative analysis of endmember extraction algorithms from hyperspectral data[J]. IEEE Transactions on Geoscienee and Remote Sensing, 2004, 42(3):651-654.
[11]	Liu Li, Jiao Binliang, Liu Qinlong. The promotion and realization of Otsu multi-threshold segmentation method[J]. Science of Surveying and Mapping, 2009, 34(6):240-241.(in Chinese)
[12]
[13]	Reed I S, Yu X. Adaptive multiple-band CFAR detection of an optical pattern with unknown spectral distribution[J]. IEEE Transactions on Acoustic Speech and Signal Process, 2000, 38(10):1760-1770.
[14]
[15]
[16]	Manolakis D, Lockwood R, Codey T, et al. Is there a best hyperspectral detection algorithm?[C]//SPIE Newsroom, 2009:1-3.
[17]	Pieper M L, Manolakis D, Lockwood R, et al. Hyperspectral detection and discrimination using the ACE algorithm[C]//SPIE, 2011, 8158:815807.
[18]
[19]	Jiang Chaoshu, Li Hongbin, Rangaswamy M. Conjugate gradient parametric adaptive matched filter[C]//Radar Conference, IEEE, 2010:1097-5659.

[1]	刘永征, 杜剑, 安秦宇宁, 杨凡超, 张昕, 李洪波. 星载遥感短波红外高速高光谱成像仪坏像元识别 . 红外与激光工程, 2023, 52(2): 20220308-1-20220308-10. doi: 10.3788/IRLA20220308
[2]	张长兴, 刘成玉, 亓洪兴, 张东, 蔡能斌. 热红外高光谱成像仪光谱匹配盲元检测算法 . 红外与激光工程, 2020, 49(1): 0104002-0104002(7). doi: 10.3788/IRLA202049.0104002
[3]	刘永峰, 王年, 王峰, 李从利, 刘晓, 徐国明. 基于谱间相似性的高光谱图像稀疏超分辨率算法 . 红外与激光工程, 2019, 48(S1): 181-192. doi: 10.3788/IRLA201948.S128003
[4]	甘士忠, 肖志涛, 陈雷, 南瑞杰. 基于高阶非线性模型的多目标高光谱图像解混算法 . 红外与激光工程, 2019, 48(10): 1026002-1026002(7). doi: 10.3788/IRLA201948.1026002
[5]	徐夏, 张宁, 史振威, 谢少彪, 齐乃明. 高光谱图像Pareto优化稀疏解混 . 红外与激光工程, 2018, 47(2): 226002-0226002(5). doi: 10.3788/IRLA201847.0226002
[6]	王忠良, 冯文田, 粘永健. 结合光谱解混与压缩感知的高光谱图像有损压缩 . 红外与激光工程, 2018, 47(S1): 189-196. doi: 10.3788/IRLA201847.S126003
[7]	潘斌, 张宁, 史振威, 谢少彪. 基于高光谱图像解混的海洋绿藻检测算法 . 红外与激光工程, 2018, 47(8): 823001-0823001(5). doi: 10.3788/IRLA201847.0823001
[8]	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
[9]	陈雷, 甘士忠, 孙茜. 基于回溯优化的非线性高光谱图像解混 . 红外与激光工程, 2017, 46(6): 638001-0638001(8). doi: 10.3788/IRLA201746.0638001
[10]	杨新锋, 胡旭诺, 粘永健. 基于分类的高光谱图像压缩算法 . 红外与激光工程, 2016, 45(2): 228003-0228003(4). doi: 10.3788/IRLA201645.0228003
[11]	吴静珠, 刘倩, 陈岩, 刘翠玲. 高光谱技术检测单籽粒小麦粗蛋白含量探索 . 红外与激光工程, 2016, 45(S1): 127-131. doi: 10.3788/IRLA201645.S123002
[12]	韦道知, 黄树彩, 赵岩, 庞策. 非负谱稀疏表示的高光谱成像中的异常检测 . 红外与激光工程, 2016, 45(S2): 120-125. doi: 10.3788/IRLA201645.S223001
[13]	陈善静, 康青, 顾忠征, 王正刚, 沈志强, 蒲欢, 辛颖. 基于三维GMRF的高光谱图像空天融合目标检测 . 红外与激光工程, 2016, 45(S2): 132-139. doi: 10.3788/IRLA201645.S223003
[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]	赵慧洁, 李明康, 李娜, 丁昊, 蔡辉. 一种基于改进子空间划分的波段选择方法 . 红外与激光工程, 2015, 44(10): 3155-3160.
[16]	王晓飞, 王霄衣, 史翔宇, 阎秋静, 陈向南. 基于空间上下文单类分类器的目标检测算法 . 红外与激光工程, 2015, 44(S1): 236-240.
[17]	尹继豪, 孙建颖. 基于压缩感知理论的波段重构方法 . 红外与激光工程, 2014, 43(4): 1260-1264.
[18]	普晗晔, 王斌, 张立明. 基于流形学习的新高光谱图像降维算法 . 红外与激光工程, 2014, 43(1): 232-237.
[19]	魏一苇, 黄世奇, 王艺婷, 卢云龙, 刘代志. 基于体积和稀疏约束的高光谱混合像元分解算法 . 红外与激光工程, 2014, 43(4): 1247-1254.
[20]	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.

点击查看大图

计量

文章访问数: 323
HTML全文浏览量: 52
PDF下载量: 258
被引次数: 0

基于扩展数学形态学的高光谱亚像元目标检测

刘畅,
李军伟

1. 光学辐射重点实验室,北京 100854

作者简介:
刘畅(1988-),男,工程师,硕士,研究方向为高光谱目标特性技术和光谱数据处理技术等。Email:531093626@qq.com

收稿日期: 2015-02-20
修回日期: 2015-03-28
刊出日期: 2015-10-25

中图分类号: TP751

关键词:

摘要: 提出了一种基于扩展数学形态学和光谱角度匹配相结合的高光谱亚像元目标检测算法。在目标与背景未知的情况下,同时利用光谱和空间信息实现目标的定位与检测,实现高光谱亚像元目标的检测识别。通过扩展的形态学膨胀和腐蚀运算实现端元提取,采用光谱角度匹配算法进行感兴趣目标的检测识别。算法性能通过AVIRIS数据进行评价,与仅利用光谱角度匹配的算法和RX异常检测算法进行比较。实验证明,所提出的算法性能优于其他两种算法,具有低虚警率的亚像元目标检测结果。