✅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 parametersM = 512; % number of BS antennas ML = 7; % cellsK = 10; % usersS = 15; % number of pilotslambda=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);% Simulationfor i_test = 1:Test_numdisplay(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);%% randomtemp = zeros(L,S);for i=1:Ltemp(i,:) = randperm(S);endpilots = zeros(N,K,L);for l=1:Lfor k=1:Kpilots(:,k,l) = pilot(:,temp(i,k));endend%--- Received Pilot Signal ---% Y = zeros(M,N,L); % received uplink training sequences at i-th BSY = 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 BSY = 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;endBw = 1;mu0=0.05;T_1=1-S/K*mu0;% T_2=1-(SS+3)/K*mu0;for i_test = 1:Test_numT_soft=1-SS(i_test)/K*mu0;for l=1:Lfor k=1:KUL_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));endendend%% UL SINRfigure;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]))];endplot(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]))];endplot(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]))];endplot(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]))];endplot(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]))];endplot(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]))];endplot(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]))];endplot(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]))];endplot(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
938
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
