遙感異常檢測仿生算法

第1章 緒論 1
1．1　關(guān)于異常檢測 2
1．1．1　什么是異常 2
1．1．2　異常的分類 3
1．1．3　異常檢測的方法 4
1．1．4　如何標(biāo)定異常 5
1．2　遙感圖像處理技術(shù) 6
1．2．1　遙感圖像處理技術(shù)概述 6
1．2．2　遙感圖像目標(biāo)檢測技術(shù) 7
1．3　遙感圖像異常檢測技術(shù) 8
1．3．1　基于背景建模的異常檢測 8
1．3．2　基于子空間變換的異常檢測 9
1．3．3　基于機(jī)器學(xué)習(xí)的異常檢測 9
1．4　遙感圖像異常目標(biāo)檢測的國內(nèi)外研究現(xiàn)狀 10
1．4．1　國外遙感圖像異常檢測技術(shù)研究現(xiàn)狀 10
1．4．2　國內(nèi)遙感圖像異常檢測算法研究現(xiàn)狀 14
1．5　遙感影像特定目標(biāo)提取算法概述 15
1．5．1　遙感圖像目標(biāo)提取方法的國內(nèi)外研究現(xiàn)狀 15
1．5．2　遙感圖像水體目標(biāo)提取方法的國內(nèi)外研究現(xiàn)狀 17
1．6　遙感異常檢測及特定目標(biāo)提取面臨的主要問題 18
1．6．1　復(fù)雜背景下自適應(yīng)異常檢測理論還需深入研究 18
1．6．2　特征級目標(biāo)提取方法還有待延伸 19
1．6．3　仿生視覺研究 19
第2章　基于譜像相關(guān)的多光譜遙感影像特征感知 21
2．1　引言 22
2．2　昆蟲視覺初級視覺感知機(jī)理 23
2．2．1　昆蟲視覺的生物學(xué)機(jī)理研究 23
2．2．2　時(shí)空域相關(guān)型初級運(yùn)動檢測器模型 25
2．2．3　基于譜像相關(guān)的遙感影像特征感知器模型 29
2．3　特征感知器模型分析 35
2．3．1　頻域分析 35
2．3．2　波段相關(guān)性分析 37
2．3．3　抗噪性能分析 38
2．4　本章小結(jié) 40
第3章　聯(lián)合特征感知器模型的遙感圖像超視銳度重構(gòu) 41
3．1　引言 42
3．2　昆蟲視覺系統(tǒng)的超視銳度機(jī)理 43
3．3 聯(lián)合特征感知器模型的遙感圖像超視銳度重構(gòu)簡介 44
3．3．1　聯(lián)合光譜波形特征的重構(gòu)模型 45
3．3．2　重構(gòu)有助于增強(qiáng)亞像元級目標(biāo)特征 51
3．4　本章小結(jié) 54
第4章　基于大小場景的多光譜遙感圖像異常檢測 55
4．1　引言 56
4．2 昆蟲視覺的高階神經(jīng)元整合機(jī)理 56
4．2．1 大場景整合機(jī)理 57
4．2．2 小場景整合機(jī)理 58
4．3　基于高階神經(jīng)元整合機(jī)理的遙感異常目標(biāo)檢測 62
4．3．1　復(fù)雜背景抑制與目標(biāo)特征增強(qiáng) 63
4．3．2　基于大小場景整合的遙感異常檢測算法 66
4．4　本章小結(jié) 71

第5章　基于多孔徑結(jié)構(gòu)的多光譜遙感圖像異常檢測算法 72
5．1　引言 73
5．2　蠅視覺多孔徑結(jié)構(gòu)給我們的啟發(fā) 73
5．2．1　蠅類視覺的多孔徑結(jié)構(gòu) 73
5．2．2　多孔徑結(jié)構(gòu)信息處理機(jī)理 74
5．3　仿蠅視覺多孔徑結(jié)構(gòu)的多光譜遙感圖像異常檢測 75
5．3．1　構(gòu)建并行多孔徑背景建模 76
5．3．2　異常如何標(biāo)記更加合理 78
5．3．3　多孔徑背景模型檢測結(jié)果的融合 79
5．4　本章小結(jié) 81
第6章　基于高階神經(jīng)元模型的多光譜遙感圖像微小異常目標(biāo)檢測 82
6．1 引言 83
6．2　高階神經(jīng)元模型 84
6．2．1　時(shí)空域高階神經(jīng)元模型 84
6．2．2　高階神經(jīng)元模型的生物學(xué)機(jī)理 87
6．3 多光譜遙感圖像微小異常檢測算法 89
6．3．1 譜像域的高階神經(jīng)元模型 89
6．3．2　微小異常目標(biāo)檢測算法設(shè)計(jì) 91
6．4　本章小結(jié) 96
第7章　基于震蕩神經(jīng)網(wǎng)絡(luò)的多光譜遙感影像水體目標(biāo)提取 97
7．1　引言 98
7．2　局部興奮全局抑制震蕩神經(jīng)網(wǎng)絡(luò) 99
7．2．1　同步震蕩神經(jīng)網(wǎng)絡(luò)模型及特性分析 100
7．2．2　基于特征一致性的多光譜遙感影像邊緣特征感知算法 102
7．3　聯(lián)合NDWI與震蕩神經(jīng)網(wǎng)絡(luò)的水體目標(biāo)提取算法 105
7．3．1　聯(lián)合NDWI與震蕩神經(jīng)網(wǎng)絡(luò)的水體目標(biāo)提取算法簡介 106
7．3．2　聯(lián)合特殊光譜關(guān)系與震蕩神經(jīng)網(wǎng)絡(luò)的水體目標(biāo)提取算法 109
7．3．3 實(shí)驗(yàn)結(jié)果及分析 110
7．3．4 收斂性的討論 113
7．4　聯(lián)合線性混合模型與震蕩神經(jīng)網(wǎng)絡(luò)的水體目標(biāo)提取算法 114
7．4．1　基于模糊判定的耦合權(quán)重 115
7．4．2　聯(lián)合光譜分解與震蕩神經(jīng)網(wǎng)絡(luò)的水體目標(biāo)提取算法 117
7．4．3　實(shí)驗(yàn)研究及驗(yàn)證 118
7．5　本章小結(jié) 119
第8章　基于生物認(rèn)知機(jī)理的視頻圖像目標(biāo)檢測技術(shù) 120
8．1　引言 121
8．2　仿生視覺的時(shí)空域特征提取 122
8．2．1　空域特征的提取 122
8．2．2　時(shí)域特征提取與修正 123
8．3　基于視覺認(rèn)知機(jī)理的時(shí)空域特征交互 126
8．3．1　視覺認(rèn)知機(jī)理 126
8．3．2　基于認(rèn)知機(jī)理的時(shí)空與特征交互模式 126
8．3．3　基于認(rèn)知機(jī)理的時(shí)空域特征交互算法 128
8．4　本章小結(jié) 135
結(jié)語 136
參考文獻(xiàn) 138