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

字典学习稀疏表示的高光谱图像异常检测

唐意东 黄树彩 凌强 钟宇

唐意东, 黄树彩, 凌强, 等. 字典学习稀疏表示的高光谱图像异常检测[J]. 强激光与粒子束, 2015, 27: 111004. doi: 10.11884/HPLPB201527.111004
引用本文: 唐意东, 黄树彩, 凌强, 等. 字典学习稀疏表示的高光谱图像异常检测[J]. 强激光与粒子束, 2015, 27: 111004. doi: 10.11884/HPLPB201527.111004
Tang Yidong, Huang Shucai, Ling Qiang, et al. Dictionary learning based sparse representation for hyperspectral anomaly detection[J]. High Power Laser and Particle Beams, 2015, 27: 111004. doi: 10.11884/HPLPB201527.111004
Citation: Tang Yidong, Huang Shucai, Ling Qiang, et al. Dictionary learning based sparse representation for hyperspectral anomaly detection[J]. High Power Laser and Particle Beams, 2015, 27: 111004. doi: 10.11884/HPLPB201527.111004

字典学习稀疏表示的高光谱图像异常检测

doi: 10.11884/HPLPB201527.111004
详细信息
    通讯作者:

    唐意东

Dictionary learning based sparse representation for hyperspectral anomaly detection

  • 摘要: 针对稀疏表示高光谱检测算法性能受背景字典影响较大的问题,充分利用高光谱图像空间信息和光谱主成分信息,提出了一种基于字典学习的稀疏表示异常检测算法。首先利用主成分分析提取高光谱数据的主特征,建立目标主成分空间,并证明了在主成分空间进行字典学习稀疏重构的可行性;然后在主成分空间内构造基于K-SVD算法的训练字典,改善了背景字典性能;采用正交匹配算法重构主成分分量,利用主成分分析反变换得到待检测像元重构光谱,增强了高光谱图像的局部异常特性;最后,基于重构误差异常特性实现高光谱图像异常检测。仿真结果证明了该方法的有效性。
  • 加载中
计量
  • 文章访问数:  1446
  • HTML全文浏览量:  300
  • PDF下载量:  390
  • 被引次数: 0
出版历程
  • 收稿日期:  2015-04-22
  • 修回日期:  2015-07-22
  • 刊出日期:  2015-10-27

目录

    /

    返回文章
    返回