网刊加载中。。。

使用Chrome浏览器效果最佳,继续浏览,你可能不会看到最佳的展示效果,

确定继续浏览么?

复制成功,请在其他浏览器进行阅读

基于航迹云提议的高光谱遥感空管监视方法  PDF

  • 杨利峰 1,2
  • 冯彦卿 3
  • 王建宇 1
1. 中国科学院上海技术物理研究所 中国科学院空间主动光电技术重点实验室, 上海 200083; 2. 中国科学院大学, 北京100049; 3. 北京市遥感信息研究所,北京100011

中图分类号: O43

最近更新:2025-02-27

DOI:10.11972/j.issn.1001-9014.2025.02.009

  • 全文
  • 图表
  • 参考文献
  • 作者
  • 出版信息
EN
目录contents

摘要

针对高光谱亚像元空中航空器探测时受复杂背景影响而产生的低探测率、高虚警率问题,提出一种基于航迹云提议的高光谱遥感图像空中航空器探测方法。首先,基于高光谱语义分割模型搜索航迹云,利用航迹云提议航空器像元区域,减少无效搜索范围,抑制虚警;其次,提出一种基于字典学习和半盲非负矩阵分解的端元提取算法,有效提升混合像元航空器端元提取精度;最后,在国产高分五号高光谱遥感卫星图像数据集上开展实验验证。结果表明本文提出的算法能够在复杂场景下有效抑制虚警,显著提高亚像元空中航空器的探测率和探测精度。

引言

空中交通管理监视为空管运行提供航空器位置信息,是空中交通管理的基础。在民用航空领域,采用多手段协同监视的方式监管空中航空器可有效提升监管的可靠性。探索发展新型监视技术,实现更加丰富且安全高效的空中交通监视手段,能够提高空中交通安全保障能力,提升航空飞行安全水平、空域容量和运行效率。

天基高光谱遥感载荷可有效探测空中航空器,如高分五号高光谱卫

1遥感影像中经常出现飞行状态的航空器。开展高光谱相关航空器探测方法的研究有望挖掘典型场景下的应用潜力,但也存在多方面难点,首先,受高光谱卫星空间分辨率限制,如高分五号高光谱卫星,空间分辨率为30 m,民用航空器在高光谱影像(hyperspectral image, HSI)中仅为几个混合像元,没有先验信息引导时受复杂背景地物干扰难以判定航空器在影像中的存在性;其次,对于飞行状态的航空器,飞行高度未知且航空器与下垫面海拔高度差异较大,反射率光谱无法直接反演,使得基于反射率光谱的探测方法无法适用;此外,空中航空器下垫面包括陆、海、云等复杂场景,探测时极易出现大量虚警。基于高光谱遥感的空中航空器探测是一种典型的亚像元地物探测问题,对于亚像元地物探测,常用的方法可以分为三类:基于概率统计模型的探测方法、基于光谱混合模型的探测方法和基于子空间模型的探测方法。

基于概率统计模型的亚像元地物探测方法将背景和噪声建模为特定的概率分布,判定偏离这个概率分布的像元为兴趣地物像元,Reed Xiaoli(global reed Xiaoli,RX)算

2和基于广义似然比的地物探测方3是其中两种代表性算法。然而实际数据往往不满足理想的先验假设,且噪声常常导致背景中心偏离实际采样中心。对此,有诸多改进算法被提出,主要包括局部RX算4、正则化RX算5、子空间RX算6以及核RX算7等,分别通过不同方式对背景噪声进行抑制,以得到更好的探测性能。自适应余弦估计亚像元地物探测方8-9对基于广义似然比的地物探测方法进行了改进,充分考虑二元对立假设条件下背景与兴趣地物的统计分布差异,拓展了算法的适用场景。总体而言,基于统计理论的亚像元地物探测方法始终面临着先验统计假设与数据分布不一致的问题,导致该类方法的应用具有较强的局限性。

基于光谱混合模型的亚像元地物探测方法将亚像元地物探测问题变为在混合像元中分离地物光谱的问

10,该类方法通常以线性混合模型为基础,将高光谱遥感图像的像元视为兴趣地物与背景等多类型地物按照组分丰度线性组合而成。典型方法包括基于线性混合光谱分析的最小二乘算法及考虑丰度非负约束或丰度和为1约束的限制性最小二乘分解方11,在已知兴趣地物及背景地物端元光谱的前提下进行丰度估计,对应于兴趣地物光谱的非零丰度值即代表探测到兴趣地物的存在。此类方法对于端元数量已知的大面积地物探测具有较好的探测效果。然而,对于端元数量未知、小存在概率条件下的亚像元地物探测,如复杂背景下垫面的亚像元空中航空器探测,基于无监督端元提取与光谱混合模型,难以达到理想的探测效果。

基于子空间模型的亚像元地物探测方法将高光谱像元看作高维空间的数据点,兴趣地物或背景分布于其低维子空间,并通过子空间投影变换在低维子空间进行地物探测,代表算法有基于子空间模型的探测算法、基于稀疏表示理论的探测方法等。基于子空间模型的探测算法包括正交子空间投影(orthogonal subspace projection,OSP)算

12、特征子空间投影(signature subspace projection,SSP)算13、斜子空间投影(oblique subspace projection,OBSP)算14、非监督向量量化子空间投影(unsupervised vector quantization-based target subspace projection,UVQTSP)算15以及匹配子空间探测算16(matched subspace detector,MSD)等,该类探测方法属于监督分类算法的范畴,适用于地物光谱先验信息和目标类别数量已知的场景。基于稀疏表示的方法将地物探测问题转化为一个L0范数的优化问题,代表算法包括局部稀疏散度异常探测算17、背景联合稀疏表示异常探测算18、协同表示探测算1920等。基于稀疏表示的目标探测算法具有诸多优势,如不需要对观测数据的统计分布进行假设,也不要求训练样本相互独立同分布,但其中稀疏度和重构误差之间存在比较敏感的平衡关系,使得参数设置对探测性能影响较大。对此,联合表示目标探测算21利用所有字典原子来线性表示待探测像元,避免了稀疏度的设置。联合表示目标探测算法的核心思想为:背景像元的光谱能够被其周围背景像元光谱字典线性表示,而目标像元的光谱只能被其周围背景像元的光谱和目标光谱字典联合表示。探测时用背景字典和联合字典分别对待探测像元进行表示,通过比较两次表示的重构误差确定像元类别。联合表示目标探测算法相比于稀疏表示目标探测方法,具有更好的自适应能力。

针对天基空中航空器探测难度大的问题,本文利用航迹

22提议航空器像元区域,结合联合表示目标探测方法,实现天基航空器有效探测。本文主要工作包括:

(1)针对高光谱亚像元空中航空器探测精度差、虚警率高的问题,提出一种基于航迹云引导的航空器区域提议方法,有效减少搜索区域,抑制虚警;

(2)提出一种基于字典学习和半盲非负矩阵分解的亚像元航空器端元提取方法,并结合联合表示算法进行亚像元空中航空器探测;

(3)基于实际高分五号高光谱卫星数据开展实验,验证了本文探测方法的有效性。

文章第二部分详细论述本文提出的高光谱亚像元空中航空器探测方法,第三部分开展实验验证与结果分析,最后对全文进行总结。

1 基于高光谱遥感的空中航空器探测方法

1.1 基于航迹云引导的航空器区域提议

一般空中航空器在高光谱遥感图像中呈现为亚像元,探测时因无纯净端元先验,且受复杂背景影响,使得探测任务存在一定的困难,若直接采用一般的异常探测算法,如RX系列算法,将产生大量的虚警。目标区域提

2223是基于机器学习的目标探测算法中常用的技术,旨在基于一定先验知识或上下文信息减少无效搜索区域。研究中通过分析大量包含空中航空器的高光谱影像,发现高光谱影像可以有效捕获空中航空器飞行产生的航迹24,航迹云可以有效引导提议空中航空器兴趣区域(ROI,region of interest),抑制虚警。

空中航空器消耗燃料后将接近600 ℃高温的水汽随废气排到发动机外,遇到高空冷空气凝结成水滴或者冰晶,形成航空器后面拖曳出的航迹云。航迹云形成的条件包括高空和低温,一般航空器在6 000m以上高空时(气温在-41~-61 ℃之间时)出现,航迹云厚度可达2 km,一般可维持半小时以上,适宜条件下可存在1 h以上甚至更

25-26。本文基于航迹云提议航空器像元区域,显著缩小探测搜索范围,抑制虚警,实现基于高光谱遥感图像的空中航空器精准探测。

对于航空器航迹云提取,文献[

27]利用AVHRR卫星数据,对10.3~11.3 µm以及11.5~12.5 µm波段的热红外图像进行亮温差分和标准化处理,并基于脊检测和霍夫变换识别线状航迹云,但由于卷云也存在线状特征,使得算法易出现误检。文献[28]将神经网络用于航迹云识别,使用AVHRR热分裂窗口通道训练用于识别航迹云的神经网络,但受限于全连接神经网络的图像识别能力,算法的识别效果不够理想。文献[26]将更先进的卷积神经网络模型用于航迹云识别,但其中采用的航迹云超像素分割提取法,在简单背景下可以获得较为理想的性能,但难以适应复杂背景。本文将高光谱语义分割模29用于航迹云提取,并提出一种基于航迹云引导的空中航空器区域提议方法。

基于航迹云引导的航空器区域提议方法主要流程如图1所示,首先利用高光谱语义分割模

29从高光谱影像中提取空中航空器航迹云,并利用形态学方法对掩膜进行后处理,进一步通过直线段提取算30将线状航迹云掩膜拟合为直线段,取以直线段端点为中心的矩形区域(7像元×7像元)为空中航空器ROI。

图1  亚像元航空器兴趣区域提取流程

Fig. 1  ROI extraction process of sub-pixel aircraft

1.2 基于字典学习和半盲非负矩阵分解的端元提取方法

对于亚像元地物,一般基于混合像元分解技术进行探测。光谱混合模型分为线性混合模型和非线性混合模型两种,由于线性混合模型相较于非线性模型在真实场景应用中有更多的优势,所以一定精度要求下,线性模型是目前应用最广泛的混合像元分解模型。然而对于空中高光谱亚像元航空器探测而言,航空器与下垫面不在同一海拔高度,此时,无法直接对混合像元进行反射率反演。对此,本文从辐亮度数据入手,基于字典学习和半盲非负矩阵分解技术,提出一种亚像元端元的提取方法。

为有效提取航空器端元,采用包含空中航空器且背景较为纯净的影像进行提取,但受海水波浪、云层起伏和传感器噪声等的影响,即使是较为纯净的云、海背景区域,不同像元的光谱依然存在一定差异。如图2中给出了航空器周围的部分背景像元光谱示例,可以看出,不同像元辐亮度光谱存在一定的差异,直接选择图像中的像元作为背景端元存在较大的主观性。

图2  不同海背景像元辐亮度光谱对比:(a)可见近红外波段光谱;(b)短波红外波段光谱

Fig. 2  Spectral comparison of multiple seawater pixels: (a) spectral of VNIR bands; (b) spectral of SWIR bands

为削弱噪声影响,获取较为稳定的背景辐亮度光谱,本文提出一种基于集合经验模态分解(ensemble empirical mode decomposition,EEMD)算

31-32的背景端元获取方法。EEMD算法是经验模态分33(empirical mode decomposition,EMD)改进算法,克服了EMD算法存在的模态混叠等问题。EMD依据数据自身的时间尺度特征来进行信号分解,无须预先设定任何基函数,因此EMD方法在理论上可以应用于任何类型信号的分解,与短时傅里叶变换、小波分解等方法相比,这种方法是直观的、直接的、后验且自适应的。因此,EMD方法自提出以来在工程领域得到了广泛且有效的应用,例如海洋、大气、天体观测数据与地震记录分析、机械故障诊断、密频动力系统的阻尼识别以及大型土木工程结构的模态参数识别方面等等。EMD算法同样广泛应用于在HSI处理领域,包括HSI去33、地物分34-37、混合像元分38等。本文结合应用场景对EEMD算法进行改进并将其应用于端元去噪,提升背景端元的精度。

一般的EEMD算法采用对观测信号混叠N次白噪声扰动的方式获取模态分量均

32,本文将其改进为采集航空器像元周围N个不同背景像元的方式代替人工加入噪声,避免人为扰动的主观性。通过EEMD分解重构对噪声进行滤除,可以有效获取较为纯净的背景端元。进一步结合非负矩阵分解技39(non-negative matrix factorization,NMF)进行半盲混合像元分解,提取航空器端元。

NMF是在矩阵中所有元素均为非负数约束条件之下的矩阵分解方法。给定一个非负矩阵V,NMF能够找到两个非负矩阵WH,使得矩阵WH的乘积近似等于矩阵V中的值,即:

Vn×mWn×kHk×m , (1)

其中WH常用数值优化方法进行求解。假设噪声矩阵为ERn*m,那么有E=V-WH。假设噪声服从高斯分布,则优化问题可以转化为均方误差最小化的优化问题,即:

MSE=V-WH2=ijVij-(WH)ij2 . (2)

相应可得最大似然函数为:

LW,H=ij12πσije-Vij-WHij22σij , (3)
JW,H=12ijVij-WHij2 . (4)

式(4)为矩阵VWH基于欧式距离的度量,求解WH可利用式(5)式(6)的所示的乘性迭代公式求解:

Wik(n+1)=Wik(n)(VHT)ik(n)(WHHT)ik(n) , (5)
Hkj(n+1)=Hkj(n)(WTV)kj(n)(WTWH)kj(n) . (6)

基于式(5)式(6)的迭代更新方法,在获取背景端元后,空中航空器目标字典可通过以下基于半盲非负矩阵分解的字典学习算法进行构建:

1) 对于样本集中的航空器样本i,利用其混合像元构造混合像元观测矩阵V

2) 利用EEMD算法获取海/云背景的辐亮度光谱,作为NMF中字典H的原子h0,并随即初始化其他原子;

3) 随机初始化W矩阵;

4) 固定H,按照公式(5)迭代更新W

5) 固定W,以及h0,按照公式(6)迭代更新H

6) 重复步骤(4)、(5)直到对应的损失函数小于阈值ε,得到航空器端元字典Di

7) 将字典Di中的原子加入航空器端元字典D;

8) 重复步骤(1)~(7),直到处理完所有的样本,得到最终的航空器端元字典D

利用以上字典学习方法,得到航空器光谱字典D后,进一步采用联合表示空中航空器探测算法对待处理图像进行探测。

1.3 基于联合表示的空中航空器探测模型

联合表示探测模型[21]可表示为式(7)所示二元对立假设模型:

H0:y=Abαb+e0, target absent                                   H1:y=Atαt+Abαb+e1=Aα+e1,target present, (7)

式中,H0 表示航空器不存在,H1表示航空器存在,y为包含N个波段的光谱向量,Ab为背景光谱字典,At为航空器光谱字典,A=[Ab,At]表示航空器和背景的联合表示字典,α=[αb;αt]表示联合表示时各原子所占的权重系数,e0e1为表示误差。式(7)αbαt可通过正则化最小二乘法求解,如式(8)所示:

α^b=(AbTAb+λI)-1AbTy a^=(ATA+λI)-1ATy  . (8)

进一步可以构造式(9)所示的探测器:

Dy=r0(y)r1(y) , (9)

式中,r0y=y-Abα^b22r1y=y-Aa^22,分别表示背景字典和联合字典对光谱向量y的表示误差。对于背景像元光谱,残差r0r1都较小,所以D接近于1;对于航空器混合像元光谱,r1较小而r0较大,因此D远大于1;对于因噪声产生的异常像元光谱,残差r0r1都较大,D接近于1。因此,可以通过设置判决门限,判决待探测像元中目标的存在性。

2 实验验证

2.1 实验数据

为验证本文探测算法性能,采用高分五号高光谱遥感卫星数据开展实验验证。高分五号(GF-5)高光谱卫星具有60 km的成像幅宽、30 m的空间分辨率和5 nm(可见近红外)/10 nm(短波红外)的光谱分辨率,覆盖400~2 500 nm范围内330个谱

1。实验中采用的数据集为包含空中航空器样本的高分五号高光谱卫星图像,覆盖陆地、云、海等典型背景,数据集中航空器目标数量见表1。数据标注时,借助航迹云对高光谱数据进行目视解译,并标注航迹云及航空器位置,图3~5分别给出了陆、海、云背景下航空器样本示例。

表1  实验数据样本统计
Table 1  Statistics of experimental data
背景类型航空器目标数量航空器混合像元数
陆地背景 37 132
海背景 45 154
云背景 14 52

图3  陆地背景航空器及航迹云样本示例

Fig. 3  Example of aircraft and contrails cloud samples with land background

图4  海背景航空器及航迹云样本示例

Fig. 4  Example of aircraft and contrails cloud samples with sea background

图5  云背景航空器及航迹云样本示例

Fig. 5  Example of aircraft and contrails cloud samples with cloud background

对于航迹云提取,标注空中航空器航迹云后,截取航迹云数据切片,得到训练样本4 800组,按照80%、10%、10%的比例划分训练集、验证集和测试集。航空器探测实验中,每轮次实验从海背景和云背景航空器样本中各随机抽取50%作为训练数据,剩余样本为测试数据。航空器探测阶段采用双窗模型适应背景变化,以提议得到的航空器ROI区域为内窗(7像元×7像元),外窗大小设置为11像元×11像元。对于每个待探测ROI,利用外窗区域内所有的像元构建背景字典,联合所构建的目标字典对ROI区域内的像元进行探测。实验共进行10轮,取平均值作为实验结果。

2.2 实验结果分析

利用训练样本集训练高光谱语义分割模型,采用2.1节的区域提议方法对航空器ROI进行提议。采用2.2节的混合像元分解算法对训练数据集进行处理,得到航空器端元字典,图6中给出了海背景下航空器样本端元提取结果示例。图中红色曲线为分解得到的航空器辐亮度光谱,绿色曲线为背景辐亮度光谱,蓝色曲线为采用本文EEMD去噪算法得到的海背景参考光谱曲线。

图6  航空器及海背景端元提取结果示例

Fig. 6  Example of aircraft endmember and sea background endmember extraction results

航空器探测实验采用的评估指标包括采用探测率R、探测精度P、虚警率Fa为评估指标,各评估指标定义如(10)式所示:

R=TP/GTP=TP/TP+FPFa=FP/TP+FP , (10)

式中,TP为准确探测出的目标像元数量,FP为探测出的虚警像元数,GT为测试集中的真值目标像元数。实验中加入了若干对比算法,包括CEM算法、局部RX算法、正则化RX算法、MSD算法,对比算法中CEM算法以及MSD算法的航空器端元直接采用训练样本中的混合像元作为训练端元,得到测试结果如表2所示。表2中的实验结果表明,本文算法的探测率、探测精度、虚警率优于对比算法。

表2  亚像元航空器探测性能对比
Table 2  Comparison of sub-pixel aircraft detection performance
探测算法探测率(R探测精度(P虚警率(Fa)
CEM算法 64.6% 13.8% 86.2%
局部RX算8 76.2% 12.9% 87.1%
正则化RX算9 76.9% 14.1% 76.9%
MSD算法 65.8% 15.1% 84.9%
本文算法 89.7% 86.3% 13.7%

图7给出了陆地背景测试样本示例,该样本中可见波段很难发现航空器及尾迹(如图7(a)所示),图7(b)中给出了1 359 nm波段的影像,该波段中航空器及尾迹清晰可见。图8中绿色区域给出了本文航迹云语义分割结果示例,可以看出本文算法能够有效提取高光谱影像中的航迹云,图8中红色区域为算法输出的航空器探测结果,探测算法能够精准探测出航空器像元。

图7  航迹云及空中航空器高光谱影像示例:(a)RGB影像;(b)1 359 nm 波段影像

Fig. 7  Examples of contrails cloud and aerial aircraft in HIS: (a) RGB image; (b) image of 1 359 nm band

图8  航迹云及空中航空器探测结果示例。

Fig. 8  Examples of contrails cloud and aerial aircraft detection results

值得注意的是,对于一般的高光谱地物探测任务,图像预处理阶段往往会直接剔除水汽影响较大的波段,而本文在研究中发现,1 400 nm波段附近的水汽吸收波段可有效支撑航迹云及航空器探测。在大气吸收波段中,空中航空器及航迹云在高海拔时受大气吸收的影响远小于地面背景,航迹云的信杂比显著提升,使得在该波段影像适用于航迹云提取。

为检验本文端元提取算法的有效性,进一步将本文算法提取的航空器端元用于训练CEM模型与MSD模型,得到测试结果如表3所示。同时,为验证本文区域提议方法对虚警抑制的效果,将上述两个模型与本文区域提议方法相结合,并在测试集上进行测试,得到表3中所示R-CEM与R-MSD算法测试结果。

表3  对比模型采用本文提取端元及区域提议后探测性能
Table 3  Detection performances of the comparison models using the obtained end-members and region proposals in this paper
探测算法探测率探测精度虚警率
CEM 66.8% 17.3% 82.7%
MSD 68.3% 19.7% 80.3%
R-CEM 66.8% 67.2% 32.3%
R-MSD 68.3% 71.4% 28.6%

表3的结果显示,在采用本文方法提取的航空器端元后,CEM与MSD算法的探测精度均有提升,进一步结合本文的区域提议方法后,虚警率显著降低,说明了本文区域提议方法及端元提取方法的有效性。

3 总结与展望

研究了基于高光谱卫星遥感的亚像元空中航空器探测问题。基于高光谱语义分割模型实现了对航空器航迹云的有效发现,并引导提议航空器所在区域,形成了基于航迹云引导的航空器区域提议方法;针对空中航空器与下垫面海拔差异导致的反射率反演、混合像元分解难的问题,从辐亮度数据入手,提出一种半盲条件下的航空器端元提取方法,并基于背景与航空器字典联合表示法对空中航空器进行探测;最后,利用实际高分五号卫星数据开展实验验证,检验了本文算法的有效性。需要说明的是,因废气凝结尾迹在不同的季节和气温存在差别,冬天气温更低,形成的航迹云高度更低,夏天形成航迹云的高度略高,本文区域提议方法在应用时需要考虑季节的影响。

References

1

Liu Yin-NianSun De-XinHu Xiao-Ninget al. Development of visible and short-wave infrared hyperspectral imager onboard GF-5 satellite [J]. Journal of Remote Sensing(Chinese)2020244): 333-344. [百度学术] 

刘银年孙德新胡晓宁. 高分五号可见短波红外高光谱相机设计与研制[J]. 遥感学报2020244): 333-344. 10.11834/jrs.20209196 [百度学术] 

2

Reed I SYu X. Adaptive multiple-band CFAR detection of an optical pattern with unknown spectral distribution [J]. IEEE Transactions on Acoustics Speech & Signal Processing19903810): 1760-1770. [百度学术] 

3

He LinPan QuanZhao Yong-Qianget al. CFAR target detection in unknown background based on subspace projection in aerial hyperspectral imagery [J]. Chinese Journal of Aeronautics2006274): 657-662. [百度学术] 

贺霖潘泉赵永强. 基于子空间投影的未知背景航拍高光谱图像恒虚警目标检测[J]. 航空学报2006274): 657-662. [百度学术] 

4

Zhao Chun-HuiYao Xi-Feng. Local kernel RX algorithm-based hyperspectral real-time detection [J]. Journal of Infrared Millimeter Waves2016356): 708-714. [百度学术] 

赵春晖姚淅峰. 基于局部核RX算法的高光谱实时检测[J]. 红外与毫米波学报2016356): 708-714. [百度学术] 

5

Shi Zhen-WeiWu JunYang Shuoet al. RX and its variants for anomaly detection in hyperspectral images [J]. Infrared and Laser Engineering2012413):796-802. [百度学术] 

史振威吴俊杨硕. RX及其变种在高光谱图像中的异常检测[J]. 红外与激光工程2012413): 796-802. [百度学术] 

6

Pu Xiao-FengLei Wu-HuZhang Lin-Huet al. Anomaly detection based on improved RX algorithm in hyperspectral imagery [J]. Journal of Image & Graphics2011169): 1632-1636. [百度学术] 

蒲晓丰雷武虎张林虎. 基于改进RX算法的高光谱异常检测[J]. 中国图象图形学报2011169): 1632-1636. [百度学术] 

7

Zhao Chun-HuiLi JieMei Feng. A kernel weighted RX algorithm for anomaly detection in hyperspectral imagery [J].Journal of Infrared Millimeter Waves2010295): 378-382. [百度学术] 

赵春晖李杰梅锋. 核加权RXHSI异常检测算法[J]. 红外与毫米波学报2010295): 378-382. [百度学术] 

8

He Yuan-LeiWang Jing-LiJia Jun-Boet al. Improved ACE target detection algorithm for hyperspectral remote sensing images [J]. Journal of Shandong University of Science and Technology (Natural Science)2015343): 62-67. [百度学术] 

何元磊王静荔贾俊波. 一种改进的高光谱遥感影像ACE目标检测算法[J]. 山东科技大学学报(自然科学版)2015343): 62-67. [百度学术] 

9

Du Bo. Sub-pixel target detection from hyperspectral remote sensing [D]. Wuhan University2010. [百度学术] 

杜博. 高光谱遥感影像亚像元小目标探测研究[D]. 武汉大学2010. [百度学术] 

10

Feng Ru-YiWang Li-ZheZeng Tie-Yong. Review of hyperspectral remote sensing image subpixel information extraction [J]. Acta Geodaetica et Cartographica Sinica2023527):1187-1201. [百度学术] 

冯如意王力哲曾铁勇. 高光谱遥感图像亚像元信息提取方法综述[J]. 测绘学报2023527): 1187-1201. [百度学术] 

11

Heinz D CChein-I-Chang. Fully constrained least squares linear spectral mixture analysis method for material quantification in hyperspectral imagery [J]. IEEE Transactions on Geoscience & Remote Sensing2002393): 529-545. [百度学术] 

12

Ren HChang C I. Automatic spectral target recognition in hyperspectral imagery [J]. IEEE Transactions on Aerospace and Electronic Systems2003394): 1232-1249. [百度学术] 

13

Tu T MChen C HChang C I. A least squares orthogonal subspace projection approach to desired signature extraction and detection [J]. IEEE Transactions on Geoscience and Remote Sensing1997351): 127-139. [百度学术] 

14

Tu T MShyu H CLee C Het al. An oblique subspace projection approach for mixed pixel classification in hyperspectral images[J]. Pattern Recognition1999328): 1399-1408. [百度学术] 

15

Brumbley CChang C I. An unsupervised vector quantization-based target subspace projection approach to mixed pixel detection and classification in unknown background for remotely sensed imagery [J]. Pattern Recognition1999327): 1161-1174. [百度学术] 

16

Scharf L LFriedlander B. Matched subspace detectors [J]. IEEE Transactions on Signal Processing1994428): 2146-2157. [百度学术] 

17

Yuam ZSun HJi Ket al. Local sparsity divergence for hyperspectral anomaly detection [J]. IEEE Geoscience and Remote Sensing Letters. 20141110): 1697-1701. [百度学术] 

18

Li J YZhan H YZhan L Pet al. Hyperspectral anomaly detection by the use of background joint sparse representation [J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing201586):2523-2533 [百度学术] 

19

Zhan Y XDu BZhan L Pet al. Joint sparse representation and multi-task learning for hyperspectral target detection [J]. IEEE Transactions on Geoscience and Remote Sensing2017552): 894-906. [百度学术] 

20

Li WDu Q. Collaborative representation for hyperspectral anomaly detection [J]. IEEE Transactions on Geoscience and Remote Sensing2015533): 1463-1474. [百度学术] 

21

Ling QiangHuang Shu-CaiWei Dao-Zhiet al. Collaborative representation based binary hypothesis model for hyperspectral target detection [J]. Acta Electronica Sinica20164411): 1187-1201. [百度学术] 

凌强黄树彩韦道知. 联合表示求解二元假设模型的高光谱目标检测[J]. 电子学报20164411): 1187-1201. [百度学术] 

22

Taghizadeh MChalechale A. A comprehensive and systematic review on classical and deep learning based region proposal algorithms [J]. Expert Systems with Application20223): 116105. [百度学术] 

23

Liu C YZhang Y LBi X J. Urban traffic object detection based on multi-stage proposal sparse R-CNN [J]. Acta Electronica Sinica2023511): 26-31. [百度学术] 

柳长源张玉亮毕晓君. 基于多阶段提议稀疏区域卷积网络的城市交通目标检测 [J].电子学报2023511): 26-31. [百度学术] 

24

Zhang J GZhang G YYang Qet alReview of recognition of aircraft contrails and their radiative forcing [J].Trans. Atmos. Sci.2018415) : 577-584. [百度学术] 

张敬林张国宇杨全. 飞机尾迹云识别及其辐射强迫的研究进展[J]. 大气科学学报2018415): 577-584. [百度学术] 

25

Liu CWei Z Q. Numerical simulation on condensation tail characteristics of a civil aviation engine [J]. China Science Paper20211606): 649-656. [百度学术] 

刘聪魏志强. 民航发动机凝结尾迹特征数值模拟[J]. 中国科技论文20211606): 649-656. [百度学术] 

26

Fan Z Y. Aircraft wake cloud recognition based on satellite images [J]. China Flights2022, (01): 73-76. [百度学术] 

范紫筠. 基于卫星图像的飞机尾迹云识别[J]. 中国航班2022, (01): 73-76. [百度学术] 

27

Engelstad MSengupta S KLee Tet al. Automated detection of jet contrails using the AVHRR split window [J]. International Journal of Remote Sensing1992138): 1391-1412. [百度学术] 

28

Mannstein HMeyer RWendling P. Operational detection of contrails from NOAA-AVHRR data [J]. International Journal of Remote Sensing1999208): 1641-1660. [百度学术] 

29

Yang L FFeng Y QWang Y Met al. Refined fire detection and band selection method in hyperspectral remote sensing imagery based on sparse-VIT [J]. Infrared Physics & Technology2024 137105104. [百度学术] 

30

Gioi R G VJérémie JakubowiczMorel J Met al. LSD: A line segment detector [J]. Image Processing On Line201224): 35-55. [百度学术] 

31

Li HChen QXu Y X. Method of ensemble empirical mode decomposition with partial adaptive noise [J]. Journal of Nanjing University of Science and Technology20244802): 227-234. [百度学术] 

李昊陈强徐一雄. 一种添加部分自适应噪声的集成经验模态分解方法[J]. 南京理工大学学报20244802): 227-234. [百度学术] 

32

Chen Z GShu J. Empirical mode decomposition on removing spectral noise in hyperspectral image [J]. Journal of Infrared and Millimeter Waves2008275): 378-382. [百度学术] 

陈志刚束炯. 高光谱图像光谱域噪声去除的经验模态分解方法[J]. 红外与毫米波学报2008275): 378-382. [百度学术] 

33

Shen YZhang M. Hyperspectral images classification based on wavelet threshold denoising and empirical mode decomposition [J]. Journal of Astronautics2012334): 471-477. [百度学术] 

沈毅张敏张淼. 基于小波阈值降噪和经验模态分解的高光谱图像分类算法[J]. 宇航学报2012334): 471-477. [百度学术] 

34

Demir BErturk S. An empirical mode decomposition and composite kernel approach to increase hyperspectral image classification accuracy [C]. Geoscience & Remote Sensing Symposium. IEEE2010855-858. [百度学术] 

35

Erturk AGullu M KErturk S. Hyperspectral image classification using empirical mode decomposition with spectral gradient enhancement [J].IEEE Transactions on Geoscience & Remote Sensing2013515): 2787-2798. [百度学术] 

36

Shen YiZhang MinZhang Miao. Mutual information bands selection and empirical mode decomposition based support vector machines for hyperspectral data high-accuracy classification [J]. Laser & Optoelectronics Progress2011489): 62-69. [百度学术] 

沈毅张敏张淼. 基于互信息波段选择和经验模态分解的高精度高光谱数据分类[J]. 激光与光电子学进展2011489): 62-69. [百度学术] 

37

Wang Li-GuoWan Yu-MeiLu Ting-Tinget al. Hyperspectral image classification by combining empirical mode decomposition with gabor filtering [J]. Journal of Harbin Engineering University2016372): 284-290. [百度学术] 

王立国宛宇美路婷婷. 结合经验模态分解和Gabor滤波的高光谱图像分类[J]. 哈尔滨工程大学学报2016372): 284-290. 10.11990/jheu.201411032 [百度学术] 

38

Cao Jing-JingZhuo LiWang Fanget al. Research on applications of blind source separation techniques in hyperspectral unmixing [J]. Remote Sensing Technology and Application2013283): 488-495. [百度学术] 

曹晶晶卓莉王芳. 盲信号分离技术在高光谱混合像元分解中的应用[J]. 遥感技术与应用2013283): 488-495. [百度学术] 

39

Li LeZhang Yu-jin. A survey on algorithms of non-negative matrix factorization [J]. Acta Electronica Sinica2008364): 737-743. [百度学术] 

李乐章毓晋. 非负矩阵分解算法综述[J]. 电子学报2008364): 737-743. [百度学术]