基于多波段协同处理的高光谱实时目标检测技术研究

Anomaly detection is one of the hot topics in hyperspectral image analysis. With the improvement of spectral resolution, effective information extraction and real-time processing techniques have become the most difficult issues. In order to solve the bandwidth bottleneck in hyperspectral data transmission and meet the real-time processing requirement, this project mainly aims at the research of multi-bands collaboration for hyperspectral target detection. First of all, in order to reduce the transmission costs and keep effective reservation of information, according to the redundancy characteristics of hyperspectral data, target detection task-driven virtual dimensionality analysis and band selection have been proposed; then progressive band fusion theory is set up from a new aspect of progressive band transmission, and on this basis, spectral-spatial information fusion method is proposed for further performance improvement. The success of this project would be of great significance as well as application value to the effective process and high performance of space-borne hyperspectral image target detection.

目标检测是高光谱图像处理领域的热点研究内容之一。随着光谱分辨率的逐渐提高，有效的信息提取和实时的处理技术成为高光谱目标检测的难点之一。本项目针对高光谱图像数据量大和实时处理的需求，开展多波段协同处理的高光谱实时检测方法研究。首先，针对高光谱数据的冗余性特点，结合目标特性，研究目标检测任务约束下的虚拟维数分析及波段选择方法，在降低需要传输数据量的同时，保证目标信息的有效性；然后，利用波段数据传输模式，建立多波段协同实时目标检测模型，并在此基础上通过谱-空信息的有效融合，进一步提高算法的检测性能。本项目的研究对于实现高处理效率、高检测性能的高光谱图像目标检测具有重要的理论意义和实际应用价值。

目标检测是高光谱图像处理领域的热点研究内容之一。随着光谱分辨率的逐渐提高，有效的信息提取和处理技术成为高光谱目标检测的难点之一。针对这一问题，本项目开展了多波段协同处理和高光谱图像深层谱空协同感知相关研究。首先，针对波段选择需要首先确定所需波段数目这一问题，研究了虚拟维数分析方法，并探讨了虚拟维数对波段选择及后续处理的影响；其次，针对高光谱数据的冗余性特点，面向目标约束和任务驱动的波段选择方法，提出了多目标约束波段选择方法、基于类别信息的波段选择方法、类别约束和背景抑制的波段选择方法、残差驱动的波段选择方法等多种算法，并针对特定后续应用研究了相关波段选择算法的性能。第三，利用波段数据传输模式，建立渐进式波段处理模型，并在此基础上通过谱-空信息的有效融合，进一步提高算法的检测性能，在空间信息有效利用这一问题中，针对高光谱空间分辨率不够还研究了高光谱超分辨率重建技术；最后，针对近年来热门的深度学习框架及技术，研究了深度聚类的波段选择模型和基于元学习和连体网络的高光谱目标检测网络，提升相关算法的性能。本项目通过矩阵分析方法、多层次迭代信息挖掘、深度网络模型等技术，结合渐进式波段处理模型，实现了高光谱遥感图像目标的有效识别，相关研究已覆盖申请书中的全部内容，且超额完成了预期目标。