文 献 综 述
摘要：高光谱遥感指具有高光谱分辨率的遥感数据获取、处理、分析和应用的科学与技术。而高光谱遥感图像目标检测是高光谱遥感影像中处理和应用的一项重要内容，其以检测图像中异常目标为目的。为了解决高光谱遥感数据量大，现有的单机环境很难满足这类大数据量遥感数据的高效处理需求的问题，同时目标检测对于实时性有要求，高光谱遥感图像目标检测技术迫切需要采用云边融合技术进行分布式的并行优化研究。本文介绍了高光谱遥感图像处理和云边协同计算相关概念和知识，以及高光谱遥感图像目标检测的基本原理和研究现状，在此基础上提出了基于云边融合的高光谱遥感目标检测并行优化算法课题。
本课题任务包括两方面：
- 基于云边融合的高光谱遥感目标检测并行优化算法
- 基于JAVA设计和开发高光谱遥感目标检测软件系统
关键词：高光谱图像；高光谱图像目标检测；云边融合；云计算；边缘计算
1 高光谱图像
高光谱图像(Hyperspectral Image)是指光谱分辨率在10-2lambda;数量级范围内的光谱图像。高光谱图像具有三维立体的数据结构，以及图像模型等数据描述模型。通过图像之类直观的表现方式能够快速地将图像中地像元与实际的地理位置对应。同时也可以选择某一个或某几个选定的波段对物体目标进行观察。图像中的每个像元都有一个响应值来反应波段的特征[1]。
由于高光谱图像的这些特性，高光谱图像不仅在信息丰富度方面得到了极大的改善，而且在处理技术方面，可以对这种类型的光谱数据进行更加合理和有效的分析和处理。因此它在遥感领域有着重要的应用，并被广泛应用于地球科学的各个领域，比如：地表植被调查、火灾监测、大气污染监测、水环境监测和城市地物覆盖分类等等[2]。
2 高光谱遥感图像目标检测研究现状
高光谱图像包含了观测场景中的空间信息和光谱信息，具有“图谱合一”的特性。与一般的图像检测相比，高光谱图像目标检测除了可以利用空间信息之外，还可以利用光谱信息，由于光谱特征是不同化学成分的物质所具有的固有特性，结合该特性，可以大大提高在目标检测和识别过程中对目标进行定性和定量分析的能力。从而准确、高效的进行图像信息的判读、理解，提高在复杂环境下对低空间分辨率小目标和低对比度目标的识别能力[3]。
对于高光谱图像异常目标检测，贺霖提出了目标最大熵及背景无参估计异常检测算法, 先在最大熵条件下求取目标似然, 将广义似然比检验简化为只检验背景似然的单似然检验, 然后建立依赖于观测样本的非参数的样本多模无参估计模型, 使获取高光谱图像数据样本统计特性的过程更多依赖于己出现的样本信息, 最后利用估计得到的背景似然函数作为检验的判据进行目标检测。该算法问题在于对于大量出现的目标及面积较大的目标, 其检测效果会受到影响[3]。CHEN Y等人提出了基于稀疏表示的高光谱图像目标检测算法，它是用一系列字典原子的线性组合来表示将待检测像元的光谱，将检测过程转化为求解最优字典原子系数的优化问题，通过背景和目标光谱的字典原子之间不同的系数大小和位置检测目标[4-5]。徐洋提出了一种基于低秩和稀疏表示的高光谱异常检测方法。将异常部分建模为一个列稀疏矩阵，背景部分采用低秩表示模型进行建模[6]。 徐洋还提出了一种基于低秩最小二乘模型的新型匹配子空间检测器（LRLS-MSD）用于高光谱中的目标检测。使用低秩正则化约束子空间属性，在表示系数的范围内形成所有像素的全局关系[7]。
以上是毕业论文文献综述，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。
