高光谱图像中的目标检测（一）

最新推荐文章于 2024-05-15 17:37:24 发布

MJJ_

最新推荐文章于 2024-05-15 17:37:24 发布

阅读量1w

点赞数 3

分类专栏：目标探测算法文章标签：图像处理算法高光谱图像

本文链接：https://blog.csdn.net/seamoon201314/article/details/61618598

版权

本文是高光谱图像处理系列的第一篇，探讨了光谱变异性模型，包括概率密度模型、子空间模型和线性光谱混合模型。此外，介绍了目标检测的设计、评估和分类，涉及ROC曲线、CFAR算法和各种检测器，如LRT、Neyman-Pearson、CEM等，并讨论了全像素和亚像素目标检测的挑战和解决方案。

摘要由CSDN通过智能技术生成

这是第一篇博客，前两周开始接触高光谱图像处理中的目标检测，试着总结一下自己学习到的概念和算法。

1. Spectral Variability Models

一种物质理论上完全固定不变的光谱是不存在的，因为从一种物质中取得的样本不可能总是一模一样的。但是对不同样本测得的光谱特性是保持一致的，如下图：
不同波段的反射值绝对值是不确定的，但整个波段的反射特性是一致的

一个确定的有K个波段的光谱曲线在K维空间中对应一个确定的向量（deterministic vector），同时采样得到的其他光谱向量（spectra with variability）会在此向量顶点周围形成一片云。主要有3个模型来描述光谱特性的这种变异性（variability）
1. 概率密度模型（probability density models）
认为光谱的variability是多变量正态分布的模型。
2. 子空间模型（subspace models）
光谱向量的顶点可能在在K维空间中任意一个位置。因此一个像素中亮度的变化会引起向量长度的改变，而向量的方向不改变。所以可以这样理解：亮度导致的variability是被局限在K维空间中一个一维子空间中。定义M维子空间，其中 $M<K$ 。
观测到的一个光谱向量x的数学表达为： $x = \sum_{k=1}^N a_k s_k + w = Sa +w$
假设条件： s