高光谱目标检测论文学习(1)—— Hyperspectral Target Detection:Hypothesis Testing,SNR and SA Theories

VIP高光谱目标检测论文学习(1)—— Hyperspectral Target Detection:Hypothesis Testing,SNR and SA Theories
前言从这篇开始,将会学习一些高光谱目标检测的论文,我仍然把这篇文章放到了读论文专栏里,但是不对其进行顺序编号了,因为这个方向是比较小众的。今天来学习这篇TGRS2021的最新论文,讲的比较详细,相对比较适合初学者入门。我之前也写过一些有关目标检测的论文,但是高光谱目标检测(HTD)和之前的我们学的目标检测是不同的,因为其检测的对象不是普通摄像头得来的数字图像,而是高光谱遥感图像。其包含了很多光谱信息,而光谱信息本身经过处理后就可以作为特征,因此很多情况下就无需使用广义的目标检测问题中的卷积神经网络等方式去
开通可读全文 ·7.4k 人阅读
最低0.47元/天 解锁文章

前言

从这篇开始,将会学习一些高光谱目标检测的论文,我仍然把这篇文章放到了读论文专栏里,但是不对其进行顺序编号了,因为这个方向是比较小众的。今天来学习这篇TGRS2021的最新论文,讲的比较详细,相对比较适合初学者入门。我之前也写过一些有关目标检测的论文,但是高光谱目标检测(HTD)和之前的我们学的目标检测是不同的,因为其检测的对象不是普通摄像头得来的数字图像,而是高光谱遥感图像。其包含了很多光谱信息,而光谱信息本身经过处理后就可以作为特征,因此很多情况下就无需使用广义的目标检测问题中的卷积神经网络等方式去提取特征,而且通常来说,光谱特征可以直接反应一种物质的种类,因此也无需自己去进行学习与分类。因此,这个问题就退化为了一个分类问题。我们再对问题作简化,简化为一个二分类问题,即只需研究对于某种目标,给定的像素中存不存在该目标。那么问题就进一步退化为了:将一个待考察像素判定为目标或者非目标的二元假设检验问题。

思路

我们首先来具体阐释一下高光谱目标检测的原理:
高光谱图像的各波段在成像范围内都是连续成像,因此高光谱的光谱曲线一般是平滑的、连续的曲线。高光谱图像的波段中涵盖了物质的光谱信息,而每种物质的光谱信息都不一样,我们可以利用图像像素的光谱波段所包含的特定的光谱信息来判断该像素所代表的特定的物质种类。

那么如何作高光谱目标检测似乎已经浮出水面了,我们只需要提取目标物质的光谱特征,利用这个特征做一个用于检测的函数,然后把待检测像素的光谱特征提取出来,代入这个检测函数中,通过设定阈值或其他判断方法,就可以判断这个像素是不是属于目标物质。

因此,我们可以把高光谱目标检测(HTD)问题看作是:
在高光谱遥感图像的每个像素中寻找某种目标物质的存在性问题。

再抽象且数学化一点就是:
将一个待考察像素判定为目标或者非目标的二元假设检验问题。

这种抽象建模的方式就是文章介绍的第一种思想——假设检验,具体到方法就是基于假设检验的LRT(似然比检验,likelihood ratio testing)方法。
这种方法有什么弊端呢,我们回顾一下概率论与数理统计课程中学过的似然比检验:
在这里插入图片描述
在这里插入图片描述
可以知道,采用LRT方法时需要一些先验知识,尤其是一些先验概率分布的特征,以往的方法都会对背景或噪声的概率分布做高斯假设,但是实际上由于数据中本身存在一些细微物质或者干扰,高斯假设并不是在任何情况下都能取得较好的效果。那么我们能不能避开高斯假设呢?

答案是可以的。这就是本文用到的第二种方法,基于SNR的检测理论。这种方法其实本质上就是把进行检测的准则由多元高斯分布建设下的LRT变成了信噪比,其基本思想其实就是做了一个线性的匹配滤波。这样的好处是,无需对背景和噪声的分布进行高斯假设,而是只需要简单假设背景与信号不相关即可。但是实际上基于SNR的检测理论也是在最后回归了第一种方法,只不过是用SNR的方法重新推导了LRT形式的检测,实现了两种理论的统一。有关SNR检测的理论之前也有人提出过,名为CEM算法,本文将这个前人的方法与自己的理论做了一个统一。

为了配合SNR-based的HTD方法,作者提出了三种数据白化的方式——DS、协方差矩阵K-数据白化和自相关矩阵R-数据白化。所谓数据白化,其实就是对数据做了去相关处理后再归一化处理,在HTD中,白化主要是为了通过关联二阶数据统计等方式来去除背景的影响。有关细节在后面部分阐释。

除了基于SNR的方法,本文还提出了一种基于SA(光谱角)的方法,这里的主要思想还是滤波的思想,只不过是把线性的匹配滤波器变成了非线性的,而最简单的非线性滤波器就是去测量两个光谱向量之间的角度,因此就有了基于SA(光谱角)的方法。

文章在谈完这三类方法之后,还给出了一种新的评估手段,即将原来的二维ROC曲线改为了三维的,这样就能更好的提高效率。

假设检验方法(LRT-based)

我们前面提到过,对于高光谱目标检测问题,我们最先将其抽象为将一个待考察像素判定为目标或者非目标的二元假设检验问题,那么这个二元假设检验问题怎么去设置呢?文中给出了这样的设置方法:

其中,H0就代表了没有目标的情况,H1就代表了有目标的情况,b代表表示背景的向量,t代表表示目标的向量,他们都是L维的。当t已知时,这就是一个先验目标检测问题。
成功抽象出问题后,下面作者开始论述三种不同的情况下假设检验方法。

纯像素目标检测

纯像素目标检测就是最标准也是最基础的目标检测,刚好可以用我们上面那组公式给出的二元假设检验来描述,即目标的知识全部都是已知的。纯像素目标检测问题的像素全部都是真实非经加工的且只有一种类型光谱。
那么我们已经将问题抽象出来后如何进行检测呢?这就需要用到检测器:
在这里插入图片描述
这里用的是似然比检验,其中Λ(r)=p1(r)p0(r)=P(r∣H1)P(r∣H0)\Lambda(r)=\frac{p_1(r)}{p_0(r)}=\frac{P(r|H_1)}{P(r|H_0)}Λ(r)=p0​(r)p1​(r)​=P(r∣H0​)P(r∣H1​)​为似然比(原文实际上是p0/p1,但个人认为这个地方原文写错了,因此改正),阈值定义为τ=(c10−c00)P(H0)(c01−c11)P(H1)\tau=\frac{(c_{10}-c_{00})P(H_0)}{(c_{01}-c_{11})P(H_1)}τ=(c01​−c11​)P(H1​)(c10​−c00​)P(H0​)​,这是一个由先验概率和代价因子决定的常数。
这里的一系列c都是代价因子,如c10c_{10}c10​代表实际假设为H0时而判决为H1的代价。
我们观察似然比的定义,显然p0(r)p_0(r)p0​(r)与p1(r)p_1(r)p1​(r)都是需要我们提前知道的,但是显然r是包含着背景信息b的,因此如果想获得r的概

VIP 高光谱目标检测论文学习(3)——An Effective Evaluation Tool for Hyperspectral Target Detection: 3D ROC Analysis 前言 这篇文章是这个系列的第三篇,论文还是与前两篇同一作者。前面我们主要讲了一些目标检测的方法,比如第一篇里我们总结了基于LRT、基于SNR和基于SA的三类方法,在第二篇中我们聚焦混合像素图像的目标检测问题,对一种经典的方法OSP进行改进。只有方法还不是全部,我们还需要了解,用什么指标去衡量这些方法的性能。在前两篇文章中,我们都提到了3D-ROC这个用来进行评估的工具,这一篇就来重点看看这个工具。如果只是想简单了解本文,可以只看思路部分。 思路 ROC的全名叫做Receiver Operating Char 开通可读全文·3.4k 阅读·4 点赞·23 收藏 阅读全文

相关推荐

高光谱图像中的目标检测(二)| 稀疏表示与学习字典

本文介绍一种利用学习字典稀疏表示HSI(Hyperspectral Imagery)数据进行高光谱图像目标检测的算法。主要应用于对full-pixel target的检测。主要内容有稀疏表示、学习字典的概念、两种用于目标检测的模型和一种获取背景字典的方法。

MJJ的博客 8518

【竞赛总结】高光谱目标检测冠军方案

高光谱目标检测冠军方案

weixin_42200352的博客 4798

一种改进的高光谱图像CEM目标检测算法

一种改进的高光谱图像CEM目标检测算法 人工智能技术与咨询 来源:《应用物理》,作者付铜铜等 关键词:高光谱图像;光谱重排;CEM算法;目标检测; 摘要:约束能量最小化(Constrained Energy Minimization, CEM)目标检测算法广泛应用于高光谱目标检测中。本文在分析CEM算法的推导过程后,发现图像像元的选择,可以改善自相关系数,因此提出一种改进的CEM目标检测算法。该方法首先对高光谱数据集进行光谱重排、一阶微分,增加目标与背景的差异性;计算目标光谱与数...

m0_62870606的博客 3272

高光谱目标检测论文解读分享之全局到局部:一种分级高光谱影像目标检测算法

高光谱图像(HSI)以其强大的地物光谱信息捕捉能力在目标检测领域受到了广泛的关注,已有大量的检测算法被开发出来。首先,利用扩展的形态属性轮廓(EMAP)对HSI中的全局空间纹理信息进行建模,然后利用扩展的形态属性轮廓(EMAP)对HSI的全局空间纹理信息进行建模,然后利用扩展的形态属性轮廓(EMAP)对HSI的全局空间纹理信息进行建模。更重要的是,为了更有效地区分不同方向的邻域信息,我们设计了一种自适应邻域特征聚合策略,该策略将综合评估不同方向邻域信息的重要性,从而可以综合考虑高光谱目标检测的空间特征。

sinat_41421587的博客 1846

高光谱目标检测技术解析:从假设检验到SNR与SA理论的实践应用

本文深入解析高光谱目标检测的核心技术,从基础的假设检验与似然比检验(LRT)出发,阐述了信噪比(SNR)理论如何提供更稳健的滤波视角,并探讨了光谱角(SA)理论在处理增益变化时的优势。文章结合实践,详细介绍了自适应匹配滤波器(AMF)、约束能量最小化(CEM)和自适应余弦估计器(ACE)等关键算法的原理、实现与调优,为从海量数据中精准识别特定物质目标提供了系统的理论指导和实战经验。

weixin_29159613的博客 456

LTC3783 LED驱动控制器设计与效率优化详解

开关电源控制器是现代LED照明的核心器件,通过电流模式控制实现高效能量转换。其核心原理是通过采样电阻检测负载电流,配合误差放大器形成闭环调节,在汽车电子、显示背光等场景中确保±3%的电流精度。LTC3783作为典型代表,集成升压/降压-升压多拓扑支持,配合PWM调光技术可实现3000:1的无色偏调光范围。在工程实践中,需重点考量功率电感选型、MOSFET开关损耗与热管理设计,例如在38W功率方案中采用10μH/5A电感和4.5mΩ MOSFET可达成95%效率。该方案特别适用于需要应对9-36V宽输入电压波

weixin_36231030的博客 402

SAP CO模块实战:成本中心会计分割结构配置全流程(OKES事务码详解)

本文详细解析了SAP CO模块中成本中心会计分割结构的配置全流程,重点讲解了OKES事务码的实战操作。内容涵盖分割结构的概念理解、配置前的次级成本要素与作业类型主数据准备,并通过步骤拆解演示了如何定义分割结构、规则与版本,以及如何将配置关联到成本中心并执行分割。最后提供了常见问题排查与优化建议,旨在帮助顾问及财务人员掌握成本精确分摊的关键配置,确保期末成本核算的准确性。

embedding5hiker的博客 817

建议收藏:华为海思IC设计笔试题,含解析(附下载)

接触过的部门有麒麟芯片、CPU/GPU,总体面试感觉非常好,规范且认真,第一轮手撕代码状态机+复盘机考题+瞄准几个知识点深挖,时间1hour+;一二轮面试是连着的,所以很累。但是岗位就那么多,在面试的时候,很多同学因为准备不充分,与岗位失之交臂,无缘进入该公司。时序电路有记忆功能,不会产生锁存器,锁存器一般在组合逻辑中case写不全,else写不全,或者敏感列表写不全。

nuoweishizi的博客 3290

保姆级教程:用ROS2 Humble + Gazebo Classic 从零搭建一个能键盘控制的差分AGV模型

本文提供了一份详细的ROS2 Humble与Gazebo Classic教程,指导用户从零开始搭建一个键盘控制的差分AGV模型。内容涵盖环境配置、Xacro文件设计、Gazebo仿真集成以及键盘控制实现,特别针对常见问题提供解决方案,帮助开发者快速掌握ROS2机器人仿真技术。

weixin_30387423的博客 169

9、眼底图像智能分析:糖尿病视网膜病变的自动化识别与分级系统

本博客介绍了一种基于深度学习的糖尿病视网膜病变(DR)自动化识别与分级系统。该系统通过视网膜图像的预处理、数据增强、集成模型的构建与优化,实现了对DR的高效识别与分级。识别系统采用二分类任务,准确率达到97.67%,而分级系统通过四分类策略取得了95.2%的准确率。系统在基层社区和医院中具有广泛的应用前景,为DR的早期筛查和精准诊断提供了有效工具。

pea55的博客 147

Camera HAL 多线程管理详解

本文摘要:Camera HAL 采用双线程管理体系(CAMX与CHI-CDK)实现高效并发处理。CAMX ThreadManager负责HAL内部及框架交互,采用线程池+任务调度机制,将节点处理、回调等封装为Job异步执行;CHI ThreadManager专注于OEM定制逻辑,支持异步/同步两种作业模式。两套系统通过函数指针解耦但共享地址空间,共同实现硬件流水线的强实时性。文章详细解析了两者的类层次架构、核心数据结构及典型应用场景,并提供了问题排查的代码切入点,为Camera HAL开发与性能优化提供指导

DU_YULIN的博客 66

《QT+PCL》点云配准进阶——GROR配准

GROR点云配准

阁楼 1320

【STK】手把手教你利用STK进行光电红外仿真03-STK/EOIR模块属性之三 合成场景生成设置

这一节主要介绍如何生成合成场景。

weixin_44184852的博客 1548

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

上一篇: 读论文(9)——BorderDet
下一篇: 高光谱目标检测论文学习(2)——OSP Using Data Sphering and LRaSMD for HTD
MrBamboo2000
博客等级 码龄8年 128粉丝 31原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址