期刊导航
期刊开放获取
cqvip
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于线性解混的高光谱图像目标检测研究
被引量：
12
1
作者
杨桄
田
张
男
+1 位作者
李豪
关世豪
《激光技术》
CAS
CSCD
北大核心
2020年第2期143-147,共5页
高光谱图像的空间分辨率普遍较低,导致混合像元大量存在,为目标检测带来了一定困难。为了实现复杂背景下的高光谱图像目标检测,提出了一种去端元的目标检测方法。在光谱解混技术的基础上,建立了复杂背景下的光谱混合模型并加以改进,采...
高光谱图像的空间分辨率普遍较低,导致混合像元大量存在,为目标检测带来了一定困难。为了实现复杂背景下的高光谱图像目标检测,提出了一种去端元的目标检测方法。在光谱解混技术的基础上,建立了复杂背景下的光谱混合模型并加以改进,采用多次去端元的方法,取得了简化背景之后的高光谱图像。结果表明,与传统的RX目标检测算法相比,所提出的算法能够显著提升目标检测效果。在实际的军事运用中,为大尺幅图像的目标识别和揭露伪装提供了思路。
展开更多
关键词
光谱学
高光谱图像
去除端元
目标检测
下载PDF
职称材料
结合K-L散度和互信息的无监督波段选择算法
被引量：
5
2
作者
王琪
杨桄
+2 位作者
张
俭峰
向英杰
田
张
男
《激光技术》
CAS
CSCD
北大核心
2018年第3期417-421,共5页
波段选择是重要的高光谱图像降维手段。为了达到降维的目的,提出结合K-L散度和互信息的无监督波段选择算法,并进行了理论分析和实验验证。首先选出信息熵最大的波段作为初始波段,然后将散度与互信息量的比值定义为联合散度互信息(KLMI)...
波段选择是重要的高光谱图像降维手段。为了达到降维的目的,提出结合K-L散度和互信息的无监督波段选择算法,并进行了理论分析和实验验证。首先选出信息熵最大的波段作为初始波段,然后将散度与互信息量的比值定义为联合散度互信息(KLMI)准则,选择KLMI值大且信息量也大的波段加入波段子集中,选出信息量大且相似度低的波段集合,最终利用k最近邻分类算法实现了基于最大方差主成分分析算法、聚类算法、互信息算法和本文中方法的真实高光谱数据分类实验。结果表明,本文中的算法总体分类精度和κ系数均达到0.8以上,高于其它算法;大多数地物的分类精度均得到提升,具有较好的分类性能。该算法是一种实用的高光谱图像降维算法。
展开更多
关键词
遥感
波段选择
K-L散度
互信息
分类
下载PDF
职称材料
基于选择性分段行-列二维主成分分析的高光谱图像异常检测
被引量：
3
3
作者
杨桄
向英杰
+1 位作者
王琪
田
张
男
《激光与光电子学进展》
CSCD
北大核心
2018年第8期203-209,共7页
高光谱图像具有越来越高的空间和光谱分辨率,其带来了数据量大、相关性强和冗余度高的问题,使得异常检测结果精度不高。为了选择更加有利于异常检测的图像,运用二维主成分分析(2DPCA)方法降维,并引入局部联合偏度-峰度指数进行图像选择...
高光谱图像具有越来越高的空间和光谱分辨率,其带来了数据量大、相关性强和冗余度高的问题,使得异常检测结果精度不高。为了选择更加有利于异常检测的图像,运用二维主成分分析(2DPCA)方法降维,并引入局部联合偏度-峰度指数进行图像选择,提出了一种基于选择性分段2DPCA的高光谱图像异常检测方法。首先利用相关系数对原始图像进行分段,然后通过旋转数据结构在每个波段子空间中实现行-列二维主成分降维;再选择合适大小的窗口,遍历每个降维结果的主成分,计算窗口内的局部联合偏度-峰度指数,并以此为指标选择用于异常检测的图像。实验结果表明,所提方法的接收机工作特性(ROC)曲线、曲线下面积(AUC)值和Bhattacharyya距离值均优于其他传统的方法,因此具有更好的检测性能。
展开更多
关键词
图像处理
高光谱图像
异常检测
二维主成分分析
偏度
峰度
原文传递
题名
基于线性解混的高光谱图像目标检测研究
被引量：
12
1
作者
杨桄
田
张
男
李豪
关世豪
机构
空军航空大学航空作战勤务学院
出处
《激光技术》
CAS
CSCD
北大核心
2020年第2期143-147,共5页
基金
吉林省科技发展计划资助项目(20140101213JC)。
文摘
高光谱图像的空间分辨率普遍较低,导致混合像元大量存在,为目标检测带来了一定困难。为了实现复杂背景下的高光谱图像目标检测,提出了一种去端元的目标检测方法。在光谱解混技术的基础上,建立了复杂背景下的光谱混合模型并加以改进,采用多次去端元的方法,取得了简化背景之后的高光谱图像。结果表明,与传统的RX目标检测算法相比,所提出的算法能够显著提升目标检测效果。在实际的军事运用中,为大尺幅图像的目标识别和揭露伪装提供了思路。
关键词
光谱学
高光谱图像
去除端元
目标检测
Keywords
spectroscopy
hyperspectral images
remove end members
target detection
分类号
TP751.1 [自动化与计算机技术—检测技术与自动化装置]
下载PDF
职称材料
题名
结合K-L散度和互信息的无监督波段选择算法
被引量：
5
2
作者
王琪
杨桄
张
俭峰
向英杰
田
张
男
机构
空军航空大学航空航天情报系
出处
《激光技术》
CAS
CSCD
北大核心
2018年第3期417-421,共5页
基金
吉林省教育厅"十二五"科研资助项目(2015448)
吉林省科技发展计划资助项目(20140101213JC)
文摘
波段选择是重要的高光谱图像降维手段。为了达到降维的目的,提出结合K-L散度和互信息的无监督波段选择算法,并进行了理论分析和实验验证。首先选出信息熵最大的波段作为初始波段,然后将散度与互信息量的比值定义为联合散度互信息(KLMI)准则,选择KLMI值大且信息量也大的波段加入波段子集中,选出信息量大且相似度低的波段集合,最终利用k最近邻分类算法实现了基于最大方差主成分分析算法、聚类算法、互信息算法和本文中方法的真实高光谱数据分类实验。结果表明,本文中的算法总体分类精度和κ系数均达到0.8以上,高于其它算法;大多数地物的分类精度均得到提升,具有较好的分类性能。该算法是一种实用的高光谱图像降维算法。
关键词
遥感
波段选择
K-L散度
互信息
分类
Keywords
remote sensing
band selection
K-L divergence
mutual information
classification
分类号
TP751.1 [自动化与计算机技术—检测技术与自动化装置]
下载PDF
职称材料
题名
基于选择性分段行-列二维主成分分析的高光谱图像异常检测
被引量：
3
3
作者
杨桄
向英杰
王琪
田
张
男
机构
空军航空大学航空作战勤务学院
中国人民解放军
中国人民解放军
出处
《激光与光电子学进展》
CSCD
北大核心
2018年第8期203-209,共7页
基金
吉林省教育厅“十二五”科研项目(2015448)
吉林省科技发展计划资助项目(20140101213JC)
文摘
高光谱图像具有越来越高的空间和光谱分辨率,其带来了数据量大、相关性强和冗余度高的问题,使得异常检测结果精度不高。为了选择更加有利于异常检测的图像,运用二维主成分分析(2DPCA)方法降维,并引入局部联合偏度-峰度指数进行图像选择,提出了一种基于选择性分段2DPCA的高光谱图像异常检测方法。首先利用相关系数对原始图像进行分段,然后通过旋转数据结构在每个波段子空间中实现行-列二维主成分降维;再选择合适大小的窗口,遍历每个降维结果的主成分,计算窗口内的局部联合偏度-峰度指数,并以此为指标选择用于异常检测的图像。实验结果表明,所提方法的接收机工作特性(ROC)曲线、曲线下面积(AUC)值和Bhattacharyya距离值均优于其他传统的方法,因此具有更好的检测性能。
关键词
图像处理
高光谱图像
异常检测
二维主成分分析
偏度
峰度
Keywords
image processing
hyperspectral image
anomaly detection
two-dimensional principal componentanalysis
skewness
kurtosis
分类号
TP751.1 [自动化与计算机技术—检测技术与自动化装置]
原文传递
题名
作者
出处
发文年
被引量
操作
1
基于线性解混的高光谱图像目标检测研究
杨桄
田
张
男
李豪
关世豪
《激光技术》
CAS
CSCD
北大核心
2020
12
下载PDF
职称材料
2
结合K-L散度和互信息的无监督波段选择算法
王琪
杨桄
张
俭峰
向英杰
田
张
男
《激光技术》
CAS
CSCD
北大核心
2018
5
下载PDF
职称材料
3
基于选择性分段行-列二维主成分分析的高光谱图像异常检测
杨桄
向英杰
王琪
田
张
男
《激光与光电子学进展》
CSCD
北大核心
2018
3
原文传递
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
