Red de conocimiento informático - Consumibles informáticos - Estado de la investigación de la tecnología de detección de objetivos por imágenes hiperespectrales

Estado de la investigación de la tecnología de detección de objetivos por imágenes hiperespectrales

Manolakis (2003) cree que la detección de objetivos consiste en distinguir el objetivo de las características del fondo y determinar la existencia del objetivo en cada píxel. En el campo de la teledetección hiperespectral, en los últimos años se han desarrollado muchos algoritmos de detección de objetivos. Según el modelo de algoritmo, se puede dividir en modelo espacial original, modelo subespacial y modelo espacial blanqueado (Zhang Bing et al., 2011). Robey et al. (1992) propusieron un algoritmo de filtro adaptado adaptativo (Adaptive Matched Filter, AMF), que utiliza un modelo de distribución normal multidimensional para simular el fondo y no puede expresar bien los cambios en el fondo. Liu Xiang (2008) analizó el detector del modelo de Distribuciones de Contorno Elíptico (ECD) y creyó que este modelo puede predecir con sensibilidad los cambios de señal con el medio ambiente. Cuando se conocen los espectros objetivo y de fondo, Harsanyi (1993) propuso el algoritmo de proyección subespacial ortogonal (OSP), que considera simultáneamente el espectro de fondo y maximiza la señal restante bajo varios ruidos, y Harsanyi también es un algoritmo de minimización de energía restringida (CEM); Este algoritmo propuesto amplifica señales en direcciones específicas y reduce otras señales de fondo según el espectro del objetivo, logrando así la detección de objetivos. Es adecuado para la detección de objetivos pequeños, pero el detector CEM es difícil de separar la señal del extremo del objetivo de la señal de ruido. (Dubó, 2010). Xun Lina et al (2007) utilizaron por primera vez la tecnología PCA para deducir la información de fondo de la imagen, luego utilizaron el método IEA (análisis de error iterativo) para seleccionar los miembros finales y sustituyeron el espectro del miembro final como un espectro conocido en CEM, extrayendo así objetivos pequeños. . Para ampliar la aplicación de CEM en la detección de objetivos grandes, Geng Xiurui (2005) también mejoró el operador original diseñando una matriz de autocorrelación ponderada y propuso un operador CEM de matriz de autocorrelación ponderada (WeightedCorrelation Matrix CEM, WCM-CEM). Reed et al (1990) desarrollaron el operador de detección de anomalías RXD. Su algoritmo se basa en el supuesto de que los objetivos anormales a menudo se encuentran fuera del hiperplano de "nube" de datos construido por los datos de la imagen, es decir, cuando la imagen está en el píxel anormal. falla cuando la proyección en la dirección de la conexión con el vector medio de la imagen tiene una gran variación (Zhang Bing et al., 2011). Geng Xiurui (2007) diseñó un algoritmo de detección de anomalías de distancia blanca (WAAD) basado en la distancia de blanqueamiento de datos. Este algoritmo realiza procesamiento blanco (WP) en datos hiperespectrales para hacer que los datos se "nube" en el espacio de características. forma, y ​​los píxeles anormales todavía están fuera de la nube esférica, lo que resuelve bien el problema de falla de detección RXD. Para ampliar la aplicación de CEM en la detección de objetivos grandes, Geng Xiurui también mejoró el operador original diseñando una matriz de autocorrelación ponderada y propuso un operador CEM de matriz de autocorrelación ponderada (Weighted Correlation Matrix CEM, WCM-CEM). He Lin et al. (2006) estudiaron los métodos de supresión de ruido y de fondo de datos hiperespectrales utilizando subespacio ortogonal y proyección subespacial objetivo. Lu Wei et al. (2006) propusieron un método de proyección de características no supervisado para extraer objetivos pequeños desde la perspectiva de anomalías de distribución con la ayuda del método de búsqueda de proyección de optimización genética de código real.

En los últimos años, los círculos científicos y tecnológicos y los departamentos industriales nacionales y extranjeros han llevado a cabo investigaciones en profundidad sobre la detección de recursos minerales y el monitoreo de contaminantes de metales pesados ​​en áreas mineras desde diferentes aspectos.

En términos de detección hiperespectral de recursos minerales mediante teledetección hiperespectral, se han llevado a cabo investigaciones para medir las características espectrales de rocas y minerales a través de espectrómetros de imágenes y para obtener información integrada en mapas para identificar minerales y detectar entornos, y se ha formado una roca y un mineral hiperespectrales. Sistema de identificación y mapeo Los procesos y métodos técnicos han logrado avances en la identificación de minerales de roca, extracción de información y mapeo temático (Boardman et al., 1994; Du Peijun et al., 2003; Kruse et al., 2006; Zhang J., 2006; Zhang Bing y otros, 2008; Wang Runsheng y otros, 2007, 2010). En los últimos diez años, han aumentado gradualmente los trabajos de investigación y los informes sobre métodos de seguimiento, análisis y evaluación de la contaminación por metales pesados ​​en las minas. Por ejemplo: utilizar datos hiperespectrales y pedigríes de identificación de minerales para identificar eficazmente los tipos de contaminación en áreas mineras de cobre (Gan Fuping, 2004) a través de análisis de laboratorio de las características espectrales del suelo alrededor de pilas de ganga de carbón bajo diversos grados de contaminación por metales pesados ​​provenientes del cobre metálico ( Gao et al., 2005); utilizando los datos espectrales medidos por el espectrómetro y considerando exhaustivamente las características espectrales de los contaminantes, la contaminación causada por los contaminantes de las minas y los desechos de las minas, la contaminación del agua y la contaminación de la vegetación causada por las aguas residuales de tratamiento y fundición. así como las áreas mineras causadas por actividades mineras a largo plazo. Investigación sobre la extracción de información sobre la contaminación del suelo por metales pesados ​​(Kemper et al., 2002; Yan Shouxun et al., 2003; Zhang Zonggui, 2004; Gan Fuping, 2004; Cui Longpeng et al., 2004; Zhang J., 2006; Choe et al., 2008; Además, algunos académicos han realizado investigaciones extensas sobre parámetros bioquímicos de la vegetación, índice de vegetación, espectro derivado, análisis de desplazamiento del borde rojo, análisis de regresión, efectos del estrés, monitoreo de enfermedades, detección de residuos de pesticidas, contaminación por metales pesados, etc. de la teledetección hiperespectral de la vegetación. (Mutanga et al. al., 2004; Liu Liangyun et al., 2004; Chen Yunhao et al., 2009; Singh et al., 2010; Liu et al., 2011); También han surgido tecnologías prácticas para la detección cuantitativa de sensores remotos de entornos ecológicos mineros cambiantes (Ferrier, 1999; Gao et al., 2005; Choe et al., 2008; Ren Hongyan et al., 2008; Jin Qinghua et al., 2009;

En resumen, la mayoría de los resultados existentes sirven para extraer puntos característicos de la curva espectral y parámetros característicos, procesamiento diferencial espectral, adquisición de características de absorción espectral y cálculo del índice espectral para espectros de píxeles o espectros medidos por espectrómetro y análisis estadístico. , descomposición mixta de píxeles, coincidencia espectral y otros medios de procesamiento y análisis, pero falta el uso de máquinas de vectores de soporte (Support Vector Machine, SVM), transformada de paquetes wavelet (Wavelet Packet Transform, WPT), análisis armónico (Har- mónico Las teorías matemáticas modernas como el análisis, HA) y la red neuronal adaptativa (Adaptive Neural Network, ANN) realizan un procesamiento de transformación en profundidad en curvas espectrales, por lo que se utilizan en la separación de ruido, materia extraña del mismo espectro y materia extraña del mismo espectro. procesamiento de materia e información de rastreo (débil). Hay grandes deficiencias en aspectos como la identificación. Por lo tanto, es necesario llevar a cabo investigaciones sobre el procesamiento de transformación de datos de teledetección hiperespectral, la extracción de información y las aplicaciones de análisis basadas en la teoría matemática moderna.