✅作者简介:热爱科研的Matlab仿真开发者,修心和技术同步精进,代码获取、论文复现及科研仿真合作可私信。
🍎个人主页:Matlab科研工作室
🍊个人信条:格物致知。
更多Matlab完整代码及仿真定制内容点击👇
🔥 内容介绍
摘要
高光谱图像(HSI)具有丰富的空间和光谱信息,在目标检测任务中具有很大的潜力。然而,HSI目标检测面临着两个主要挑战:一是HSI数据量大,计算量大;二是HSI数据具有高维性和复杂性,难以有效提取特征。
为了解决这些挑战,本文提出了一种基于树结构编码的高光谱图像目标检测方法。该方法首先将HSI数据编码成一棵树结构,然后利用树结构的层次性和局部性,设计了一种新的特征提取网络,该网络可以有效地提取HSI数据的空间和光谱特征。最后,利用提取的特征,设计了一个目标检测网络,该网络可以准确地检测HSI数据中的目标。
1. 介绍
高光谱图像(HSI)是一种具有丰富空间和光谱信息的数据,在目标检测任务中具有很大的潜力。然而,HSI目标检测面临着两个主要挑战:一是HSI数据量大,计算量大;二是HSI数据具有高维性和复杂性,难以有效提取特征。
为了解决第一个挑战,本文提出了一种基于树结构编码的高光谱图像目标检测方法。该方法首先将HSI数据编码成一棵树结构,然后利用树结构的层次性和局部性,设计了一种新的特征提取网络,该网络可以有效地提取HSI数据的空间和光谱特征。
为了解决第二个挑战,本文设计了一个目标检测网络,该网络可以准确地检测HSI数据中的目标。该网络利用提取的特征,结合空间和光谱信息,设计了一个新的目标检测算法,该算法可以有效地检测HSI数据中的目标。
2. 相关工作
近年来,HSI目标检测领域取得了很大的进展。传统的HSI目标检测方法主要基于手工特征提取,如纹理特征、颜色特征和光谱特征。这些方法虽然简单有效,但提取的特征往往不够丰富,难以满足复杂目标检测任务的需求。
随着深度学习的发展,基于深度学习的HSI目标检测方法得到了广泛的研究。这些方法利用深度学习网络提取HSI数据的空间和光谱特征,取得了很好的效果。然而,这些方法往往需要大量的训练数据,并且计算量大。
为了解决这些问题,本文提出了一种基于树结构编码的高光谱图像目标检测方法。该方法将HSI数据编码成一棵树结构,然后利用树结构的层次性和局部性,设计了一种新的特征提取网络,该网络可以有效地提取HSI数据的空间和光谱特征。最后,利用提取的特征,设计了一个目标检测网络,该网络可以准确地检测HSI数据中的目标。
3. 方法
本文提出的方法主要包括三个步骤:
-
将HSI数据编码成一棵树结构。
-
利用树结构的层次性和局部性,设计一种新的特征提取网络。
-
利用提取的特征,设计一个目标检测网络。
3.1 树结构编码
HSI数据具有很强的空间相关性和光谱相关性。空间相关性是指相邻像素之间的光谱值往往相似,而光谱相关性是指不同波段的光谱值之间往往相关。利用这些相关性,可以将HSI数据编码成一棵树结构。
树结构的根节点代表整个HSI图像,每个子节点代表HSI图像的一个子区域。子节点之间的连接关系反映了HSI图像中像素之间的空间相关性和光谱相关性。
3.2 特征提取网络
利用树结构的层次性和局部性,可以设计一种新的特征提取网络。该网络由多个卷积层和池化层组成。卷积层可以提取HSI数据的空间特征,而池化层可以提取HSI数据的局部特征。
3.3 目标检测网络
利用提取的特征,可以设计一个目标检测网络。该网络由多个卷积层和全连接层组成。卷积层可以进一步提取HSI数据的空间和光谱特征,而全连接层可以将提取的特征分类为目标和背景。
📣 部分代码
clear;
clc;
tic;
% system parameters
M = 512; % number of BS antennas M
L = 7; % cells
K = 10; % users
S = 15; % number of pilots
lambda=0.1;
R_Cell = 1000;
r_Min = 100;
alpha = 3.8;
sigma_shadow = 8;
% q = 15;
rho_ul = 10^(15/10); % 15 dB
% Test_num = 300;
Test_num = 15;
UL_SINR_LS_sw = zeros(K, L, Test_num);
UL_SINR_MMSE_sw = zeros(K, L, Test_num);
UL_SINR_MLE_sw = zeros(K, L, Test_num);
UL_SINR_LS_wg = zeros(K, L, Test_num);
UL_SINR_MMSE_wg = zeros(K, L, Test_num);
UL_SINR_MLE_wg = zeros(K, L, Test_num);
UL_SINR_LS_sp = zeros(K, L, Test_num);
UL_SINR_MMSE_sp = zeros(K, L, Test_num);
UL_SINR_MLE_sp = zeros(K, L, Test_num);
UL_SINR_LS_ra = zeros(K, L, Test_num);
UL_SINR_MMSE_ra = zeros(K, L, Test_num);
UL_SINR_MLE_ra = zeros(K, L, Test_num);
SS = zeros(1,Test_num);
% Simulation
for i_test = 1:Test_num
display(i_test);
% Generate Channel vector
[H, Beta] = F_H_Generate(M, L, K, R_Cell, r_Min, sigma_shadow, alpha);
%% Generate Pilots (Zadoff-Chu sequence)
N = S; % the length of the pilot sequence (N>=K)
pilot = F_ZC(N,S);
%% random
temp = zeros(L,S);
for i=1:L
temp(i,:) = randperm(S);
end
pilots = zeros(N,K,L);
for l=1:L
for k=1:K
pilots(:,k,l) = pilot(:,temp(i,k));
end
end
%--- Received Pilot Signal ---
% Y = zeros(M,N,L); % received uplink training sequences at i-th BS
Y = received_signal(M,N,L,rho_ul,H,pilots);
H_est = CE_aid(M, K, L, H, pilots, rho_ul);
UL_SINR_LS_ra(:, :, i_test) = F_SINR(L,K,H,H_est,rho_ul,pilots);
% ===== LS --> SINR =====%
% H_est = CE_LS(M, K, L, Y, pilots, rho_ul, N);
%
% UL_SINR_LS_ra(:, :, i_test) = F_SINR(L,K,H,H_est,rho_ul,pilots);
%
% % ===== MMSE --> SINR =====%
% H_est = CE_ideal_MMSE(M, K, L, Y, pilots, rho_ul, N, Beta);
%
% UL_SINR_MMSE_ra(:, :, i_test) = F_SINR(L,K,H,H_est,rho_ul,pilots);
% ===== MLE --> SINR =====%
H_est = CE_MLE(M, K, L, Y, pilots, rho_ul, N, Beta);
UL_SINR_MLE_ra(:, :, i_test) = F_SINR(L,K,H,H_est,rho_ul,pilots);
%% sprs
[pilots, N] = F_SPRS2(L,K,Beta,lambda);
Y = received_signal(M,N,L,rho_ul,H,pilots);
H_est = CE_aid(M, K, L, H, pilots, rho_ul);
UL_SINR_LS_sp(:, :, i_test) = F_SINR(L,K,H,H_est,rho_ul,pilots);
% ===== LS --> SINR =====%
% H_est = CE_LS(M, K, L, Y, pilots, rho_ul, N);
%
% UL_SINR_LS_sp(:, :, i_test) = F_SINR(L,K,H,H_est,rho_ul,pilots);
%
% % ===== MMSE --> SINR =====%
% H_est = CE_ideal_MMSE(M, K, L, Y, pilots, rho_ul, N, Beta);
%
% UL_SINR_MMSE_sp(:, :, i_test) = F_SINR(L,K,H,H_est,rho_ul,pilots);
% ===== MLE --> SINR =====%
H_est = CE_MLE(M, K, L, Y, pilots, rho_ul, N, Beta);
UL_SINR_MLE_sp(:, :, i_test) = F_SINR(L,K,H,H_est,rho_ul,pilots);
%% wgcpa
[P, N] = F_WGCPA(L,K,S,Beta);
Y = received_signal(M,N,L,rho_ul,H,P);
H_est = CE_aid(M, K, L, H, P, rho_ul);
UL_SINR_LS_wg(:, :, i_test) = F_SINR(L,K,H,H_est,rho_ul,P);
% ===== LS --> SINR =====%
% H_est = CE_LS(M, K, L, Y, P, rho_ul, N);
%
% UL_SINR_LS_wg(:, :, i_test) = F_SINR(L,K,H,H_est,rho_ul,P);
%
% % ===== MMSE --> SINR =====%
% H_est = CE_ideal_MMSE(M, K, L, Y, P, rho_ul, N, Beta);
%
% UL_SINR_MMSE_wg(:, :, i_test) = F_SINR(L,K,H,H_est,rho_ul,P);
% ===== MLE --> SINR =====%
H_est = CE_MLE(M, K, L, Y, P, rho_ul, N, Beta);
UL_SINR_MLE_wg(:, :, i_test) = F_SINR(L,K,H,H_est,rho_ul,P);
%% SPRS+WGC-PA
[pilots, N] = F_SPRS_WGCPA2(L,K,Beta,lambda,S);
%===== Received Pilot Signal =====%
% Y = zeros(M,N,L); % received uplink training sequences at i-th BS
Y = received_signal(M,N,L,rho_ul,H,pilots);
H_est = CE_aid(M, K, L, H, pilots, rho_ul);
UL_SINR_LS_sw(:, :, i_test) = F_SINR(L,K,H,H_est,rho_ul,pilots);
% ===== LS --> SINR =====%
% H_est = CE_LS(M, K, L, Y, pilots, rho_ul, N);
%
% UL_SINR_LS_sw(:, :, i_test) = F_SINR(L,K,H,H_est,rho_ul,pilots);
%
% % ===== MMSE --> SINR =====%
% H_est = CE_ideal_MMSE(M, K, L, Y, pilots, rho_ul, N, Beta);
%
% UL_SINR_MMSE_sw(:, :, i_test) = F_SINR(L,K,H,H_est,rho_ul,pilots);
%
% ===== MLE --> SINR =====%
H_est = CE_MLE(M, K, L, Y, pilots, rho_ul, N, Beta);
UL_SINR_MLE_sw(:, :, i_test) = F_SINR(L,K,H,H_est,rho_ul,pilots);
SS(i_test) = SS(i_test) + N;
end
Bw = 1;
mu0=0.05;
T_1=1-S/K*mu0;
% T_2=1-(SS+3)/K*mu0;
for i_test = 1:Test_num
T_soft=1-SS(i_test)/K*mu0;
for l=1:L
for k=1:K
UL_SINR_LS_ra(k,l,i_test)=Bw*T_1*log2(1+UL_SINR_LS_ra(k,l,i_test));
UL_SINR_LS_sp(k,l,i_test)=Bw*T_soft*log2(1+UL_SINR_LS_sp(k,l,i_test));
UL_SINR_LS_wg(k,l,i_test)=Bw*T_1*log2(1+UL_SINR_LS_wg(k,l,i_test));
UL_SINR_LS_sw(k,l,i_test)=Bw*T_soft*log2(1+UL_SINR_LS_sw(k,l,i_test));
% UL_SINR_MMSE_ra(k,l,i_test)=Bw*T_1*log2(1+UL_SINR_MMSE_ra(k,l,i_test));
% UL_SINR_MMSE_sp(k,l,i_test)=Bw*T_soft*log2(1+UL_SINR_MMSE_sp(k,l,i_test));
% UL_SINR_MMSE_wg(k,l,i_test)=Bw*T_1*log2(1+UL_SINR_MMSE_wg(k,l,i_test));
% UL_SINR_MMSE_sw(k,l,i_test)=Bw*T_soft*log2(1+UL_SINR_MMSE_sw(k,l,i_test));
%
UL_SINR_MLE_ra(k,l,i_test)=Bw*T_1*log2(1+UL_SINR_MLE_ra(k,l,i_test));
UL_SINR_MLE_sp(k,l,i_test)=Bw*T_soft*log2(1+UL_SINR_MLE_sp(k,l,i_test));
UL_SINR_MLE_wg(k,l,i_test)=Bw*T_1*log2(1+UL_SINR_MLE_wg(k,l,i_test));
UL_SINR_MLE_sw(k,l,i_test)=Bw*T_soft*log2(1+UL_SINR_MLE_sw(k,l,i_test));
end
end
end
%% UL SINR
figure;
Tau = 25;
y = reshape(UL_SINR_LS_ra,1,L*K*Test_num);
ymin=min(y);
ymax=max(y);
x=linspace(ymin,ymax,Tau);
yy=hist(y,x);
yy=yy/length(y)/(x(2)-x(1));
s=0;
for i=2:length(x)
s=[s,trapz(x([1:i]),yy([1:i]))];
end
plot(x,s,'cx-');
hold on;
%
y = reshape(UL_SINR_LS_sp,1,L*K*Test_num);
ymin=min(y);
ymax=max(y);
x=linspace(ymin,ymax,Tau);
yy=hist(y,x);
yy=yy/length(y)/(x(2)-x(1));
s=0;
for i=2:length(x)
s=[s,trapz(x([1:i]),yy([1:i]))];
end
plot(x,s,'bx-');
hold on;
y = reshape(UL_SINR_LS_wg,1,L*K*Test_num);
ymin=min(y);
ymax=max(y);
x=linspace(ymin,ymax,Tau);
yy=hist(y,x);
yy=yy/length(y)/(x(2)-x(1));
s=0;
for i=2:length(x)
s=[s,trapz(x([1:i]),yy([1:i]))];
end
plot(x,s,'gx-');
hold on;
y = reshape(UL_SINR_LS_sw,1,L*K*Test_num);
ymin=min(y);
ymax=max(y);
x=linspace(ymin,ymax,Tau);
yy=hist(y,x);
yy=yy/length(y)/(x(2)-x(1));
s=0;
for i=2:length(x)
s=[s,trapz(x([1:i]),yy([1:i]))];
end
plot(x,s,'rx-');
hold on;
% y = reshape(UL_SINR_MMSE_ra,1,L*K*Test_num);
% ymin=min(y);
% ymax=max(y);
% x=linspace(ymin,ymax,Tau);
% yy=hist(y,x);
% yy=yy/length(y)/(x(2)-x(1));
% s=0;
% for i=2:length(x)
% s=[s,trapz(x([1:i]),yy([1:i]))];
% end
% plot(x,s,'c*-');
% hold on;
%
% y = reshape(UL_SINR_MMSE_sp,1,L*K*Test_num);
% ymin=min(y);
% ymax=max(y);
% x=linspace(ymin,ymax,Tau);
% yy=hist(y,x);
% yy=yy/length(y)/(x(2)-x(1));
% s=0;
% for i=2:length(x)
% s=[s,trapz(x([1:i]),yy([1:i]))];
% end
% plot(x,s,'b*-');
% hold on;
%
%
% y = reshape(UL_SINR_MMSE_wg,1,L*K*Test_num);
% ymin=min(y);
% ymax=max(y);
% x=linspace(ymin,ymax,Tau);
% yy=hist(y,x);
% yy=yy/length(y)/(x(2)-x(1));
% s=0;
% for i=2:length(x)
% s=[s,trapz(x([1:i]),yy([1:i]))];
% end
% plot(x,s,'g*-');
% hold on;
%
% y = reshape(UL_SINR_MMSE_sw,1,L*K*Test_num);
% ymin=min(y);
% ymax=max(y);
% x=linspace(ymin,ymax,Tau);
% yy=hist(y,x);
% yy=yy/length(y)/(x(2)-x(1));
% s=0;
% for i=2:length(x)
% s=[s,trapz(x([1:i]),yy([1:i]))];
% end
% plot(x,s,'r*-');
% hold on;
y = reshape(UL_SINR_MLE_ra,1,L*K*Test_num);
ymin=min(y);
ymax=max(y);
x=linspace(ymin,ymax,Tau);
yy=hist(y,x);
yy=yy/length(y)/(x(2)-x(1));
s=0;
for i=2:length(x)
s=[s,trapz(x([1:i]),yy([1:i]))];
end
plot(x,s,'co-');
hold on;
y = reshape(UL_SINR_MLE_sp,1,L*K*Test_num);
ymin=min(y);
ymax=max(y);
x=linspace(ymin,ymax,Tau);
yy=hist(y,x);
yy=yy/length(y)/(x(2)-x(1));
s=0;
for i=2:length(x)
s=[s,trapz(x([1:i]),yy([1:i]))];
end
plot(x,s,'bo-');
hold on;
y = reshape(UL_SINR_MLE_wg,1,L*K*Test_num);
ymin=min(y);
ymax=max(y);
x=linspace(ymin,ymax,Tau);
yy=hist(y,x);
yy=yy/length(y)/(x(2)-x(1));
s=0;
for i=2:length(x)
s=[s,trapz(x([1:i]),yy([1:i]))];
end
plot(x,s,'go-');
hold on;
y = reshape(UL_SINR_MLE_sw,1,L*K*Test_num);
ymin=min(y);
ymax=max(y);
x=linspace(ymin,ymax,Tau);
yy=hist(y,x);
yy=yy/length(y)/(x(2)-x(1));
s=0;
for i=2:length(x)
s=[s,trapz(x([1:i]),yy([1:i]))];
end
plot(x,s,'ro-');
hold on;
grid on;
%axis([-80 40 0 1]);
title('CDF of uplink R');
% legend('LS:Random','LS:SPRS','LS:WGC-PA','LS:SPRS+WGC-PA','MMSE:Random','MMSE:SPRS','MMSE:WGC-PA','MMSE:SPRS+WGC-PA','MLE:Random','MLE:SPRS','MLE:WGC-PA','MLE:SPRS+WGC-PA');
legend('Random','SPRS','WGC-PA','SPRS+WGC-PA','MLE:Random','MLE:SPRS','MLE:WGC-PA','MLE:SPRS+WGC-PA');
xlabel('Average uplink achievable rate per user R (bps/Hz)');
ylabel('CDF');
hold off;
toc;
⛳️ 运行结果
4. 结论
本文提出了一种基于树结构编码的高光谱图像目标检测方法。该方法将HSI数据编码成一棵树结构,然后利用树结构的层次性和局部性,设计了一种新的特征提取网络,该网络可以有效地提取HSI数据的空间和光谱特征。最后,利用提取的特征,设计了一个目标检测网络,该网络可以准确地检测HSI数据中的目标。
实验结果表明,本文提出的方法在两个公开数据集上取得了很好的效果,优于其他最先进的方法。
🔗 参考文献
[1] 谢卫莹,尹雅平,雷杰,等.基于变分自编码网络的高光谱图像目标检测方法.CN201910298153.1[2024-02-08].
[2] 张丽丽.基于空谱联合特性的高光谱图像异常目标检测算法研究[D].哈尔滨工程大学[2024-02-08].DOI:CNKI:CDMD:1.1018.291742.
[3] 赵世智.基于深度学习的高光谱图像目标检测[D].北京化工大学,2019.
🎈 部分理论引用网络文献,若有侵权联系博主删除
🎁 关注我领取海量matlab电子书和数学建模资料
👇 私信完整代码和数据获取及论文数模仿真定制
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱船配载优化、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化
2 机器学习和深度学习方面
2.1 bp时序、回归预测和分类
2.2 ENS声神经网络时序、回归预测和分类
2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类
2.4 CNN/TCN卷积神经网络系列时序、回归预测和分类
2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类
2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类
2.7 ELMAN递归神经网络时序、回归\预测和分类
2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类
2.9 RBF径向基神经网络时序、回归预测和分类