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

基于三维GMRF的高光谱图像空天融合目标检测

陈善静 康青 顾忠征 王正刚 沈志强 蒲欢 辛颖

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[J]. 红外与激光工程, 2016, 45(S2): 132-139. doi: 10.3788/IRLA201645.S223003
引用本文: 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[J]. 红外与激光工程, 2016, 45(S2): 132-139. doi: 10.3788/IRLA201645.S223003
Chen Shanjing, Kang Qing, Gu Zhongzheng, Wang Zhenggang, Shen Zhiqiang, Pu Huan, Xin Ying. Hyperspectral target detection by airborne and spaceborne image fusion based on 3D GMRF[J]. Infrared and Laser Engineering, 2016, 45(S2): 132-139. doi: 10.3788/IRLA201645.S223003
Citation: Chen Shanjing, Kang Qing, Gu Zhongzheng, Wang Zhenggang, Shen Zhiqiang, Pu Huan, Xin Ying. Hyperspectral target detection by airborne and spaceborne image fusion based on 3D GMRF[J]. Infrared and Laser Engineering, 2016, 45(S2): 132-139. doi: 10.3788/IRLA201645.S223003

基于三维GMRF的高光谱图像空天融合目标检测

doi: 10.3788/IRLA201645.S223003
基金项目: 

国家863计划(2013AA030704);后勤工程学院青年科学基金(X2050105)

详细信息
    作者简介:

    陈善静(1985-),男,讲师,博士,主要从事高光谱遥感技术及应用、信号与信息处理方面的研究。Email:chengshanjing_11@163.com

  • 中图分类号: TP751.1

Hyperspectral target detection by airborne and spaceborne image fusion based on 3D GMRF

  • 摘要: 针对传统高光谱目标检测技术仅依靠单一的航空或航天高光谱图像进行目标检测,未能综合利用航空和航天遥感成像各自优势的问题,结合三维高斯马尔科夫随机场(GMRF)模型和D-S证据理论提出了一种空天融合目标检测方法。利用三维GMRF算法分别对航空航天遥感图像进行目标检测,再将检测结果进行决策级D-S证据理论融合,实现空天融合目标检测。实验结果表明,该目标检测技术实现了空天高光谱图像的优势互补,提升了目标检测精度,是一种融合处理空天高光谱遥感图像的目标检测新方法。
  • [1] Zhou J, Kwan C, Ayhan B, et al. A novel cluster kernel RX algorithm for anomaly and change detection using hyperspectral images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2016, 54(11): 6497-6504.
    [2] Song M P, Chang C I. A theory of recursive orthogonal subspace projection for hyperspectral imaging[J]. IEEE Transactions on Geoscience and Remote Sensing, 2015, 53(6): 3055-3072.
    [3] Wang Cailing, Wang hongwei, Hu Bingliang, et al. A new spectral-spatial algorithm method for hyperspectral image target detection[J]. Spectroscopy and Spectral Analysis, 2016, 36(4): 1163-1169. (in Chinese)
    [4] Kaufman J R, Eismann M T, C M. Assessment of spatial-spectral feature-level fusion for hyperspectral target detection[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2015, 8(6): 2534-2544.
    [5] Schweizer S M, Maura J M F. Efficient detection in hyperspectral imagery[J]. IEEE Transactions on Image Processing, 2001, 10(4): 584-594.
    [6] Wang L J, Gao K, Cheng X M, et al. A hyperspectral imagery anomaly detection algorithm based on Gauss-Markov model[C]//International Conference on Computational and Information Sciences (ICCIS), 2012, 7: 135-138.
    [7] Schweizer S M, Maura J M F. hyperspectral imagery: clutter adaptation in anomaly detection[J]. IEEE Transactions on Information Theory, 2000, 46(5):1855-1871.
    [8] Li S S, Zhang B, Chen D, et al. Adaptive support vector machine and Markov random field model for classifying hyperspectral imagery[J]. Journal of Applied Remote Sensing, 2011, 5: 053538-1-12.
    [9] Jafari A, Heidarpour M. A decision fusion framework for high-resolution remote-sensing image classification[C]//20159th Iranian Conference on Machine Vision and Image Processing (MVIP), Tehran, Iran, 2015, 11: 219-222.
    [10] Chang Z, Liao X J, Liu Y, et al. Research of decision fusion for multi-source remote-sensing satellite information based on SVMs and DS evidence theory[C]//2011 Fourth International Workshop on Advanced Computational Intelligence (IWACI), 2011, 10: 416-420.
    [11] Moura J M F, Balram N. Recursive structure of noncausal Gauss-Markov Random Fields[J]. IEEE Transactions on Information Theory, 1992, 3(38): 334-354.
    [12] Chen Y, Nasrabadi N M, Tran T D. Effects of random measurements on the performance of target detection in hyperspectral imagery[C]//Proceedings of SPIE Algorithms and Technologies for Multispectral, Hyperspectral, and Ultraspectral Imagery XVII, 2011, 8048: D1-D13.
    [13] Sun Jixiang. Pattern Recognition[M]. Changsha: National University of Defense Technology Press, 2002. (in Chinese)
    [14] Truslow E, Manolakis D, Pieper M, et al. Performance prediction of matched filter and adaptive cosine estimator hyperspectral target detectors[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2014, 7(6): 2337-2350.
    [15] Chen Shanjing, Hu Yihua, Sun Dujuan. A simulation method by air and space integrated fusion based on hyper-/multi-spectral imagery[J]. Acta Physica Sinica, 2013, 62(20): 2042011-2042018. (in Chinese)
  • [1] 蒋昕昊, 蔡伟, 杨志勇, 徐佩伟, 姜波.  基于YOLO-IDSTD算法的红外弱小目标检测 . 红外与激光工程, 2022, 51(3): 20210106-1-20210106-10. doi: 10.3788/IRLA20210106
    [2] 韩金辉, 魏艳涛, 彭真明, 赵骞, 陈耀弘, 覃尧, 李楠.  红外弱小目标检测方法综述 . 红外与激光工程, 2022, 51(4): 20210393-1-20210393-24. doi: 10.3788/IRLA20210393
    [3] 孙鹏, 于跃, 陈嘉欣, 秦翰林.  基于深度空时域特征融合的高动态空中多形态目标检测方法(特邀) . 红外与激光工程, 2022, 51(4): 20220167-1-20220167-8. doi: 10.3788/IRLA20220167
    [4] 曾瀚林, 孟祥勇, 钱惟贤.  高斯差分滤波图像融合方法 . 红外与激光工程, 2020, 49(S1): 20200091-20200091. doi: 10.3788/IRLA20200091
    [5] 陈明, 赵连飞, 苑立民, 徐峰, 韩默.  基于特征选择YOLOv3网络的红外图像绝缘子检测方法 . 红外与激光工程, 2020, 49(S2): 20200401-20200401. doi: 10.3788/IRLA20200401
    [6] 魏豪, 张凯, 郑磊, 曹源, 张丁文.  基于HOG-RCNN的电力巡检红外图像目标检测 . 红外与激光工程, 2020, 49(S2): 20200411-20200411. doi: 10.3788/IRLA20200411
    [7] 南天章, 耿建君, 陈旭, 陈颖.  基于邻域特征的红外低慢小目标检测 . 红外与激光工程, 2019, 48(S1): 174-180. doi: 10.3788/IRLA201948.S128002
    [8] 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
    [9] 唐聪, 凌永顺, 郑科栋, 杨星, 郑超, 杨华, 金伟.  基于深度学习的多视窗SSD目标检测方法 . 红外与激光工程, 2018, 47(1): 126003-0126003(9). doi: 10.3788/IRLA201847.0126003
    [10] 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
    [11] 陈卫, 孙晓兵, 乔延利, 陈震庭, 殷玉龙.  海面耀光背景下的目标偏振检测 . 红外与激光工程, 2017, 46(S1): 63-68. doi: 10.3788/IRLA201746.S117001
    [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] 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
    [14] 胡梦婕, 魏振忠, 张广军.  基于对象性测度估计和霍夫森林的目标检测方法 . 红外与激光工程, 2015, 44(6): 1936-1941.
    [15] 孙照蕾, 惠斌, 秦莫凡, 常铮, 罗海波, 夏仁波.  红外图像显著目标检测算法 . 红外与激光工程, 2015, 44(9): 2633-2637.
    [16] 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 . 红外与激光工程, 2015, 44(10): 3141-3147.
    [17] 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.
    [18] 黎志华, 李新国.  基于OpenCV的红外弱小运动目标检测与跟踪 . 红外与激光工程, 2013, 42(9): 2561-2565.
    [19] 龚俊亮, 何昕, 魏仲慧, 朱弘, 郭立俊.  采用尺度空间理论的红外弱小目标检测方法 . 红外与激光工程, 2013, 42(9): 2566-2573.
    [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.
  • 加载中
计量
  • 文章访问数:  276
  • HTML全文浏览量:  36
  • PDF下载量:  108
  • 被引次数: 0
出版历程
  • 收稿日期:  2016-08-08
  • 修回日期:  2016-09-07
  • 刊出日期:  2016-12-25

基于三维GMRF的高光谱图像空天融合目标检测

doi: 10.3788/IRLA201645.S223003
    作者简介:

    陈善静(1985-),男,讲师,博士,主要从事高光谱遥感技术及应用、信号与信息处理方面的研究。Email:chengshanjing_11@163.com

基金项目:

国家863计划(2013AA030704);后勤工程学院青年科学基金(X2050105)

  • 中图分类号: TP751.1

摘要: 针对传统高光谱目标检测技术仅依靠单一的航空或航天高光谱图像进行目标检测,未能综合利用航空和航天遥感成像各自优势的问题,结合三维高斯马尔科夫随机场(GMRF)模型和D-S证据理论提出了一种空天融合目标检测方法。利用三维GMRF算法分别对航空航天遥感图像进行目标检测,再将检测结果进行决策级D-S证据理论融合,实现空天融合目标检测。实验结果表明,该目标检测技术实现了空天高光谱图像的优势互补,提升了目标检测精度,是一种融合处理空天高光谱遥感图像的目标检测新方法。

English Abstract

参考文献 (15)

目录

    /

    返回文章
    返回