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

最新推荐文章于 2024-09-12 19:02:20 发布

曦曦逆风

最新推荐文章于 2024-09-12 19:02:20 发布

阅读量1.1k

点赞数 26

分类专栏：高光谱目标检测文章标签：目标检测算法高光谱影像

本文链接：https://blog.csdn.net/sinat_41421587/article/details/135646864

版权

高光谱目标检测专栏收录该内容

1 篇文章 0 订阅

订阅专栏

IEEE TGRS 2022：全局到局部：一种分级高光谱影像目标检测算法

题目

Global to Local: A Hierarchical Detection Algorithm for Hyperspectral Image Target Detection

作者

Zhonghao Chen , Graduate Student Member, IEEE, Zhengtao Lu, Hongmin Gao , Member, IEEE,
Yiyan Zhang , Graduate Student Member, IEEE, Jia Zhao , Danfeng Hong , Senior Member, IEEE,
and Bing Zhang , Fellow, IEEE

关键词

Adaptive neighborhood feature aggregation (ANFA), diverse-direction constrained energy minimization (D2CEM), extended morphological attribute profile (EMAP), global to local, hyperspectral image (HSI), target detection.

研究动机

实现背景和目标的良好分离，尤其要提高小目标的检测精度

模型

在这里插入图片描述

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。但这些方法通常利用待检测目标的光谱与背景光谱之间的差异来完成目标检测，因此容易出现光谱变异的问题。本文提出了一种全局到局部的HSI分级检测算法(G2LHTD)。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。提出了一种多方向约束能量最小化(D2CEM)检测器，该检测器考虑了HSI中每个像素周围8个邻域内的空间信息，得到了全面的局部空间信息。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。在四个标准数据集上进行的大量实验证明了该方法的有效性。