文献综述
- 研究背景及意义
高光谱图像（HSI）是一种三维的“图像立方体”，高光谱图像目标检测作为图像理解和解译领域重要研究课题之一，在军事安全、环境污染监测、地质勘探、农林监控等方面都有着广泛的应用前景。根据是否需要先验信息，高光谱图像目标检测通常分为有监督和无监督两类，异常检测属于无监督一类。在实际情况中，由于难以获得准确的地物反射光谱且缺少完备的光谱库，获取先验信息就变得非常困难。因此，异常目标检测也更具实用性。
高光谱图像的光谱和空间分辨率都随着遥感技术的发展不断地提高，但这也给高光谱异常目标检测带来了新的挑战。主要面临的问题有：
(1)高光谱图像光谱维度高，数据冗余大；
(2)高光谱数据呈现复杂的非线性特性；
(3)异常目标通常为低概率小目标；
(4)“同谱异物”和“同物异谱”现象仍然存在。其中“同谱异物”和“同物异谱”现象使得基于光谱信息的异常目标检测算法精度很低，而高维度容易遭遇“维数灾难”现象。
针对这些问题，很多学者已经提出了一些解决办法，针对高光谱图像数据冗余大，非线性等问题，常用的有基于核方法的异常检测算法有核RX算法（KRX）和支持向量数据描述算法（SVDD）等算法。在此基础上进行研究的李伟与杜谦提出的基于协同表示的高光谱图像异常检测（CRD）算法，极大程度上解决了这两个问题。但该算法局限于像元的光谱特征，并不能消灭“同谱异物”和“同物异谱”现象。
因此，为了提高高光谱图像异常检测率，解决好“同谱异物”和“同物异谱”现象，必须在现有算法的基础上进行开发，将光谱因素与空间因素结合，提出经过改进的空-谱联合的异常检测算法。
同时，上文提到的几种算法都必须在大量实验的基础上，才能确定核函数参数，并且不能自适应地调整核函数参数，难以直接付诸于实际应用。所以本文提出的将深度学习与高光谱图像异常检测算法结合的算法，可以提高实际行动中的效率，利用局部RX确定所需要的核函数参数，可以适应实际操作中的需求。
以上是毕业论文开题文献，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
