✅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
高光谱异常检测旨在识别与背景不同的目标。棋盘拓扑图形正则化稀疏表示(TGRS)是一种有效的异常检测方法,它利用了高光谱图像的局部结构信息。然而,传统的TGRS方法在处理复杂背景时存在局限性。
本文提出了一种基于棋盘拓扑TGRS的高光谱异常检测方法,该方法通过引入局部对比信息增强了TGRS的鲁棒性。具体来说,该方法首先利用棋盘拓扑构造高光谱图像的局部邻域关系。然后,通过计算局部对比信息,突出目标与背景之间的差异。最后,将局部对比信息融入TGRS的稀疏表示模型中,增强异常检测能力。
方法
棋盘拓扑
棋盘拓扑是一种局部结构,它将每个像素与其相邻的8个像素连接起来,形成一个8连通区域。棋盘拓扑可以有效地捕获高光谱图像的局部信息。
局部对比信息
局部对比信息反映了目标与背景之间的差异。对于每个像素,其局部对比信息定义为:
LCI(x) = max(D(x, y)) - min(D(x, y))
其中,x为目标像素,y为x的相邻像素,D(x, y)为x和y之间的光谱距离。
基于棋盘拓扑的TGRS
传统的TGRS模型可以表示为:
min ||X - DZ||_1 + λ||DZ||_*
其中,X为高光谱图像,D为字典,Z为稀疏系数矩阵,λ为正则化参数。
本文提出的基于棋盘拓扑的TGRS模型将局部对比信息融入稀疏表示模型中,表示为:
min ||X - DZ||_1 + λ||DZ||_* + γ||LCI(Z)||_1
其中,γ为局部对比信息正则化参数。
📣 部分代码
function modulator = getModulator(modType, sps, fs)
%getModulator Modulation function selector
% MOD = getModulator(TYPE,SPS,FS) returns the modulator function handle
% MOD based on TYPE. SPS is the number of samples per symbol and FS is
% the sample rate.
switch modType
case "BPSK"
modulator = @(x)bpskModulator(x,sps);
case "QPSK"
modulator = @(x)qpskModulator(x,sps);
case "8PSK"
modulator = @(x)psk8Modulator(x,sps);
case "16QAM"
modulator = @(x)qam16Modulator(x,sps);
case "64QAM"
modulator = @(x)qam64Modulator(x,sps);
case "GFSK"
modulator = @(x)gfskModulator(x,sps);
case "CPFSK"
modulator = @(x)cpfskModulator(x,sps);
case "PAM4"
modulator = @(x)pam4Modulator(x,sps);
case "B-FM"
modulator = @(x)bfmModulator(x, fs);
case "DSB-AM"
modulator = @(x)dsbamModulator(x, fs);
case "SSB-AM"
modulator = @(x)ssbamModulator(x, fs);
end
end
function src = getSource(modType, sps, spf, fs)
%getSource Source selector for modulation types
% SRC = getSource(TYPE,SPS,SPF,FS) returns the data source
% for the modulation type TYPE, with the number of samples
% per symbol SPS, the number of samples per frame SPF, and
% the sampling frequency FS.
switch modType
case {"BPSK","GFSK","CPFSK"}
M = 2;
src = @()randi([0 M-1],spf/sps,1);
case {"QPSK","PAM4"}
M = 4;
src = @()randi([0 M-1],spf/sps,1);
case "8PSK"
M = 8;
src = @()randi([0 M-1],spf/sps,1);
case "16QAM"
M = 16;
src = @()randi([0 M-1],spf/sps,1);
case "64QAM"
M = 64;
src = @()randi([0 M-1],spf/sps,1);
case {"B-FM","DSB-AM","SSB-AM"}
src = @()getAudio(spf,fs);
end
end
⛳️ 运行结果
本文提出了一种基于棋盘拓扑TGRS的高光谱异常检测方法,该方法通过引入局部对比信息增强了TGRS的鲁棒性。实验结果表明,提出的方法在复杂背景下具有更好的异常检测性能,可以有效地识别高光谱图像中的目标。
🔗 参考文献
[1] 李娜,赵慧洁,贾国瑞,等.基于扩展数学形态学的高光谱图像异常检测[J].光学学报, 2008(08):1480-1484.DOI:10.3321/j.issn:0253-2239.2008.08.010.
[2] 尤佳.基于核方法的高光谱图像异常检测算法研究[D].哈尔滨工程大学,2011.DOI:10.7666/d.y2052215.
🎈 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