宋義剛,吳澤彬,2,3,孫樂(lè),劉建軍,韋志輝,3

(1.南京理工大學(xué)計(jì)算機(jī)科學(xué)與工程學(xué)院,江蘇 南京 210094;2.南京理工大學(xué)連云港研究院,江蘇 連云港 222006; 3.江蘇省光譜成像與智能感知重點(diǎn)實(shí)驗(yàn)室,江蘇 南京 210094)

一種新的空譜聯(lián)合稀疏高光譜目標(biāo)檢測(cè)方法

宋義剛1,吳澤彬1,2,3,孫樂(lè)1,劉建軍1,韋志輝1,3

(1.南京理工大學(xué)計(jì)算機(jī)科學(xué)與工程學(xué)院,江蘇 南京 210094;2.南京理工大學(xué)連云港研究院,江蘇 連云港 222006; 3.江蘇省光譜成像與智能感知重點(diǎn)實(shí)驗(yàn)室,江蘇 南京 210094)

目標(biāo)檢測(cè)是高光譜數(shù)據(jù)處理的重要應(yīng)用之一,高光譜圖像中空間和光譜信息的充分利用對(duì)于目標(biāo)檢測(cè)率的有效提升非常關(guān)鍵。提出一種新的聯(lián)合稀疏表示的目標(biāo)檢測(cè)方法,將混合范數(shù)理論和算法應(yīng)用于高光譜目標(biāo)檢測(cè),在聯(lián)合高光譜圖像空間和光譜信息的基礎(chǔ)上,建立了基于聯(lián)合稀疏性約束的混合范數(shù)正則化數(shù)學(xué)模型,并利用交替方向乘子法對(duì)模型進(jìn)行了優(yōu)化求解。仿真實(shí)驗(yàn)結(jié)果表明,該方法能有效提高高光譜目標(biāo)檢測(cè)的準(zhǔn)確性,降低虛警率。

信息處理技術(shù);高光譜圖像;目標(biāo)檢測(cè);混合范數(shù);聯(lián)合稀疏性;交替方向乘子法

0 引言

高光譜遙感圖像具有較高的光譜分辨率,能從可見(jiàn)光到紅外光譜區(qū)域獲取大量非常窄并且光譜連續(xù)的遙感圖像數(shù)據(jù)。高光譜圖像不僅僅能獲得空間維度信息,更重要的是能夠獲得更精細(xì)的光譜維度信息。由于不同地物在不同的波段上的反射率不一樣,這就導(dǎo)致不同地物的光譜曲線有所差別,正是這一點(diǎn)使得高光譜數(shù)據(jù)在地物分類和目標(biāo)檢測(cè)方面有著其他數(shù)據(jù)(如彩色遙感)等所無(wú)法比擬的優(yōu)勢(shì)。然而,由于高光譜儀器的空間分辨率較低,使得獲取到的高光譜數(shù)據(jù)中純凈的像元很少存在,大部分的像元是以混合形態(tài)(即混合像元)存在?；旌舷裨哪繕?biāo)檢測(cè)和識(shí)別是提高遙感應(yīng)用的關(guān)鍵技術(shù)之一。而單純的從光譜信息出發(fā)很難進(jìn)行混合像元的檢測(cè)。

目標(biāo)檢測(cè)可以看成是一種二類分類問(wèn)題,其將未知的待檢測(cè)像元根據(jù)其不同的光譜特性分為目標(biāo)(目標(biāo)存在)或者背景(目標(biāo)不存在)。在高光譜目標(biāo)檢測(cè)方面,許多學(xué)者已經(jīng)提出了很多的算法[1]。在這些算法中,國(guó)際上最常見(jiàn)并被廣泛使用的有光譜匹配濾波(SMF)[2-3]、匹配子空間檢測(cè)器(MSD)[4]和自適應(yīng)的子空間檢測(cè)器(ASD)[5].除此之外,支持向量機(jī)(SVM)[6-7]在分類方面的廣泛應(yīng)用確定了其在高光譜目標(biāo)檢測(cè)方面也具有很好的應(yīng)用,并得到了很好的檢測(cè)結(jié)果[8]。在國(guó)內(nèi),高光譜目標(biāo)檢測(cè)的研究相對(duì)較少,但是也取得了一定的成果。例如,成寶芝等[9]將高光譜解混引入到基于支持向量數(shù)據(jù)描述(SVDD)算法的異常檢測(cè)問(wèn)題中,實(shí)現(xiàn)了高光譜圖像復(fù)雜背景信息和目標(biāo)信息的分離,得到了很好的檢測(cè)效果;尹繼豪等[10]基于多目標(biāo)約束能量最小化,以及和約束能量最小化算法提出了一種改進(jìn)的多個(gè)小目標(biāo)檢測(cè)算法,取得了很好的檢測(cè)效果;詳細(xì)進(jìn)展可參閱文獻(xiàn)[11-13].

稀疏表示理論是近期應(yīng)用到高光譜目標(biāo)檢測(cè)領(lǐng)域的比較新穎的方法[14-15]。它主要基于這一事實(shí):同一類的高光譜像元都近似位于相同的低維子空間中。對(duì)于一個(gè)未知的待檢測(cè)像元可以由少數(shù)幾個(gè)訓(xùn)練樣本(字典)線性稀疏表示,其稀疏表示的系數(shù)就包含有對(duì)應(yīng)的類別信息。為了包含高光譜圖像的空間維信息(即相鄰的像元屬于同一類別的概率較大),聯(lián)合稀疏性模型被引入到高光譜目標(biāo)檢測(cè)中來(lái),其通過(guò)同時(shí)將待檢測(cè)目標(biāo)像元與其相鄰像元在相同的訓(xùn)練樣本(字典)中進(jìn)行稀疏表示,使得待檢測(cè)目標(biāo)像元與其鄰域像元在字典中的稀疏表示系數(shù)的支撐集相同,即他們由盡量少的相同的字典原子線性表示。這樣,就使得原先無(wú)法通過(guò)光譜信息進(jìn)行檢測(cè)的單一像元,通過(guò)結(jié)合其鄰域像元的光譜分解信息得以確定其究竟是屬于目標(biāo)像元還是背景像元,這就很好地降低了混合像元的檢測(cè)難度,使得目標(biāo)檢測(cè)的結(jié)果更精確?；谏鲜鲈?本文提出了聯(lián)合光譜維信息和空間維信息的聯(lián)合稀疏表示目標(biāo)檢測(cè)模型,并利用交替乘子方向法求解所提出的模型。

1 目標(biāo)檢測(cè)稀疏表示模型

式中:Db和Dt分別為背景和目標(biāo)的訓(xùn)練樣本組成的子字典;D則為包含所有類別的訓(xùn)練樣本組成的結(jié)構(gòu)化字典;α為待檢測(cè)像元y在字典D中的稀疏表示系數(shù)向量;αb和αt分別為y在背景字典Db和目標(biāo)字典Dt中的稀疏表示系數(shù)向量。這一稀疏向量α可以通過(guò)求解下面這一優(yōu)化問(wèn)題得到:

式中:‖α‖0表示向量α的非零系數(shù)的個(gè)數(shù)(也稱稀疏程度);K0是給定的某一個(gè)稀疏程度的上界。問(wèn)題(2)式是個(gè)非確定性多項(xiàng)式(NP)難問(wèn)題,其精確解很難求得,通常情況下可以通過(guò)貪婪算法來(lái)近似求解,如正交匹配追蹤(OMP)算法。最后,待檢測(cè)信號(hào)y的類別通過(guò)比較重構(gòu)的殘差來(lái)決定:和

對(duì)于預(yù)先給定的閾值δ,如果Detector(y)＞δ,那么y被認(rèn)為是目標(biāo),否則,y被認(rèn)為是背景。

2 空譜聯(lián)合稀疏目標(biāo)檢測(cè)模型

在高光譜圖像中,通常相同類別的地物在空間上的分布成聚類特性。即,相鄰的地物屬于同一類的概率較大。所以,相鄰的光譜曲線具有很強(qiáng)的相關(guān)性,這一點(diǎn)在高光譜目標(biāo)識(shí)別方面已經(jīng)得到了驗(yàn)證[15-16]。因此,可以假設(shè)相鄰像元的光譜曲線在同一字典下的稀疏表示系數(shù)具有相同的稀疏模式。設(shè){yt}t=1,2,…,T是以y1為中心像元的空間鄰域,那么,

式中:{αt}t=1,2,…,T具有相同的支撐集 Λ,即非零系數(shù)所在的行相同。那么,S將是一個(gè)行稀疏矩陣,其非零行的個(gè)數(shù)為|Λ|.S可以通過(guò)求解下述優(yōu)化問(wèn)題得到:

式中:‖S‖row-0表示矩陣S中非零系數(shù)對(duì)應(yīng)的行數(shù)。優(yōu)化問(wèn)題(7)式是個(gè)NP難問(wèn)題,求解困難,通常用貪婪算法近似求解,如聯(lián)合正交匹配追蹤法(SOMP).為了使問(wèn)題簡(jiǎn)化,將問(wèn)題(7)式松弛為無(wú)約束的l1,2混合范數(shù)約束的正則化問(wèn)題,如下:

這一混合范數(shù)正則項(xiàng)可以約束稀疏系數(shù)矩陣S具有行稀疏性質(zhì)。在模型(8)式下,最后目標(biāo)檢測(cè)的分類器為

本文利用交替方向乘子法(ADMM)來(lái)求解模型(8)式,這一算法被廣泛應(yīng)用于圖像處理,壓縮感知等領(lǐng)域[17],用來(lái)求解類似模型。

通過(guò)引入變量V1=DS,V2=S,以及拉格朗日乘子U1和U2,得到模型(8)式的增廣拉格朗日方程為

基于ADMM算法的空譜聯(lián)合稀疏高光譜目標(biāo)檢測(cè)算法(l1,2ADMM算法),具體流程如下:

8)迭代次數(shù)t=t+1;

9)滿足終止條件,輸出行稀疏矩陣S,否則,返回2.

l1,2ADMM算法給出了各個(gè)變量的求解模型,其中S和V1是個(gè)簡(jiǎn)單的二次規(guī)劃問(wèn)題,其解很容易求得。對(duì)于變量V2,其對(duì)應(yīng)的優(yōu)化問(wèn)題為

這一問(wèn)題的解是一個(gè)向量軟閾值,詳見(jiàn)文獻(xiàn)[18]。其具體解的形式為

3 仿真實(shí)驗(yàn)結(jié)果與比較

為了驗(yàn)證所提算法的有效性,共使用兩幅高光譜數(shù)據(jù)進(jìn)行仿真實(shí)驗(yàn),這兩幅圖像數(shù)據(jù)如圖1所示,圖中顯示的是兩幅圖像第10個(gè)波段的灰度圖像。

1)第1幅數(shù)據(jù)為模擬數(shù)據(jù)。該數(shù)據(jù)大小為30× 30像素,包含了6個(gè)目標(biāo),大小分別為3×3像素, 4×4像素和5×5像素各兩個(gè),目標(biāo)排列如圖1(a)所示。該圖像包含了200個(gè)波段的高光譜數(shù)據(jù)。該圖像構(gòu)成如下:從仿真數(shù)據(jù)第2幅圖像中的所有第9類地物像元中,隨機(jī)選擇100個(gè)像元,按照?qǐng)D1(a)中的目標(biāo)位置進(jìn)行排列,再?gòu)钠渌Ｓ嗟念悇e地物中隨機(jī)選擇800個(gè)像元排列在目標(biāo)像元周圍,構(gòu)成這一大小為30×30像素的共900個(gè)像元的模擬圖像數(shù)據(jù)。

2)第2幅高光譜圖像數(shù)據(jù)采用航空可見(jiàn)/紅外成像光譜儀(AVIRIS)于1992年6月采集的高光譜數(shù)據(jù)集Indian Pines,該數(shù)據(jù)包含0.2～2.4 μm范圍內(nèi)的220個(gè)波段,圖像的光譜分辨率為10 nm,空間分辨率為20 m,圖像空間維大小為145×145像元,在實(shí)驗(yàn)中,去除了20個(gè)水汽吸收波段以及信噪比較差的波段,剩余200個(gè)有效波段(其第10個(gè)波段的灰度圖如圖1(b)所示)。

圖1 仿真實(shí)驗(yàn)數(shù)據(jù)(波段10)Fig.1 Experimental data sets(band 10)

為了進(jìn)行實(shí)驗(yàn)對(duì)比,選擇了常用的目標(biāo)檢測(cè)算法,如匹配濾波(MF)和標(biāo)記/自適應(yīng)余弦估計(jì)(ACE/S-ACE)[19]、約束能量最小(CEM)和正交子空間投影算法(OSP)[20]、廣義的似然測(cè)試比算法(GLTR)[21]、混合的非結(jié)構(gòu)檢測(cè)器(HUD)[22]、自適應(yīng)的子空間匹配檢測(cè)器(AMSD)[23],以及最近提出的稀疏表示相關(guān)的方法[15-16],如 l1正則化的稀疏表示方法(記作SR)和4-鄰域平滑稀疏表示方法(記作SR-S),而本文提出的算法記作l1,2ADMM方法。

為了驗(yàn)證l1,2ADMM算法的有效性,在仿真實(shí)驗(yàn)中,首先使用模擬數(shù)據(jù)進(jìn)行實(shí)驗(yàn),在該實(shí)驗(yàn)中,利用圖像左上角的10×10像素共100個(gè)像元的光譜作為字典,其中包含背景像元91個(gè),目標(biāo)像元9個(gè)。仿真實(shí)驗(yàn)檢測(cè)結(jié)果如圖2所示(實(shí)驗(yàn)中檢測(cè)閾值設(shè)定為δ=1)。

為了更充分地顯示檢測(cè)結(jié)果,將稀疏表示相關(guān)的3種檢測(cè)器的輸出進(jìn)行三維顯示,如圖3所示。

從模擬數(shù)據(jù)實(shí)驗(yàn)中可以看出,基于稀疏表示理論的高光譜圖像目標(biāo)檢測(cè)方法較傳統(tǒng)的方法具有較大的優(yōu)勢(shì),都能有效地檢測(cè)到目標(biāo)的位置,然而在檢測(cè)的準(zhǔn)確性上,原始的稀疏表示模型進(jìn)行檢測(cè)的結(jié)果較包含空間信息(如本文提出的方法以及SR-S方法)的方法要好,分析原因可能是模擬數(shù)據(jù)的目標(biāo)邊界過(guò)于明顯,無(wú)法反映出大尺度下遙感數(shù)據(jù)的鄰域信息相互融合的本質(zhì)。

圖2 模擬數(shù)據(jù)檢測(cè)結(jié)果Fig.2 Detection results on simulated data set

接下來(lái),利用真實(shí)的高光譜數(shù)據(jù)進(jìn)行算法的有效性驗(yàn)證。IndianPines圖像內(nèi)共包含16種不同的地物,選取第3類地物作為目標(biāo),其他類作為背景。在實(shí)驗(yàn)中,分別從目標(biāo)類別中隨機(jī)選取50個(gè)像元構(gòu)成目標(biāo)子字典,從背景中隨機(jī)選取900個(gè)像元構(gòu)成背景子字典。

圖3 模擬數(shù)據(jù)檢測(cè)器輸出的三維顯示Fig.3 3-D plots of the Detector outputs on simulated data set

圖4給出了所有對(duì)比方法在Indian Pines數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果。為了更充分地顯示結(jié)果,圖5給出了SR、本文方法l1,2ADMM以及SR-S三種檢測(cè)器輸出的三維圖示。

圖6給出了各個(gè)算法在真實(shí)高光譜數(shù)據(jù)上的接收機(jī)工作特性(ROC)曲線,其中Pd定義為檢測(cè)到的真實(shí)目標(biāo)像素?cái)?shù)目與地面真實(shí)目標(biāo)像素?cái)?shù)目的比值;Pf定義為檢測(cè)到的虛警像素?cái)?shù)目同整幅圖像像素?cái)?shù)目總和的比值。從ROC曲線中可以看出本文算法對(duì)高光譜圖像目標(biāo)檢測(cè)的有效性和準(zhǔn)確性是最好的。

圖4 Indian Pines圖像的各種算法目標(biāo)檢測(cè)結(jié)果Fig.4 Detection results of different methods on Indian Pines data set

仿真數(shù)據(jù)實(shí)驗(yàn)結(jié)果表明,稀疏表示的方法對(duì)高光譜目標(biāo)檢測(cè)具有很好的效果,而且,原始的稀疏表示方法和4-鄰域平滑稀疏表示方法較本文提出的方法在目標(biāo)檢測(cè)的準(zhǔn)確性上要好,然而真實(shí)數(shù)據(jù)實(shí)驗(yàn)表明,本文基于空譜聯(lián)合稀疏性約束的方法在空間分辨率較低的情況下具有更高的目標(biāo)檢測(cè)精度。

圖5 SR,l1,2ADMM和SR-S的檢測(cè)器結(jié)果三維顯示Fig.5 3-D plots of SR,l1,2ADMM and SR-S detector

圖6 真實(shí)高光譜數(shù)據(jù)實(shí)驗(yàn)中各個(gè)檢測(cè)器的ROC曲線對(duì)比Fig.6 The ROC curves of different methods on real hyperspectral data set

4 結(jié)論

通過(guò)對(duì)基于混合范數(shù)正則化約束的聯(lián)合稀疏表示模型的研究,建立基于聯(lián)合稀疏性正則化的高光譜空譜聯(lián)合的目標(biāo)檢測(cè)模型。該模型的建立為光譜維和空間維信息聯(lián)合進(jìn)行高光譜目標(biāo)檢測(cè)問(wèn)題的解決提供了一個(gè)有效的工具。仿真實(shí)驗(yàn)結(jié)果表明,本文提出的算法對(duì)高光譜圖像的目標(biāo)檢測(cè)是準(zhǔn)確有效的。

References)

[1] Manolakis D,Shaw G.Detection algorithm for hyperspectral imaging applications[J].IEEE Signal Processing Magazine,2002, 19(1):29-43.

[2] Robey F C,Fuhrmann D R,Kelly E J,et al.A CFAR adaptive matched filter detector[J].IEEE Trans on Aerospace and Electronic Systems,1992,28(1):208-216.

[3] Manolakis D,Shaw G,Keshave N.Comparative analysis of hyperspectral adaptive matched filter detectors[J].Proceeding of SPIE Conference on Algorithms for Multispectral,Hyperspectral and Ultraspectral Imagery,2000,4049:2-17.

[4] Scharf L,Friedlander B.Matched subspace detectors[J].IEEE Transactions on Signal Processing,1994,42(8):2146-2157.

[5] Kraut S,Scharf L,McWhorter L T.Adaptive subspace detectors [J].IEEE Transactions on Signal Processing,2001,49(1):1-16.

[6] Boser B E,Guyon I M,Vapnik V N.A training algorithm for optinal margin classifiers[C]∥Proceeding of Fifth Annual Workshop on Computational Learning Theory.New York,US:Association for Computing Machinery,1992:144-152.

[7] Gualtieri J A,Cromp R F.Support vector machines for hyperspectral remote sensing classification[J].Proceeding of SPIE 27th AIRP Workshot:Adavances in Computer Assisted Recognition, 1998,3584:221-232.

[8] Melgani F,Bruzzone L.Classification of hyperspectral remote sensing images with support vector machines[J].IEEE Transactions on Geoscience and Remote Sensing,2004,42(8):1778-1790.

[9] 成寶芝,趙春暉,王玉磊.結(jié)合光譜解混的高光譜圖像異常目標(biāo)檢測(cè)SVDD算法[J].應(yīng)用科學(xué)學(xué)報(bào),2012,30(1):82-88.

CHENG Bao-zhi,ZHAO Chun-hui,WANG Yu-lei.SVDD algorithm with spectral unmixing for anomaly detection in hyperspectral images[J].Journal of Applied Sciences,2012,30(1):82-88. (in Chinese)

[10] 尹繼豪,王艷,王義松.一種改進(jìn)的高光譜圖像中多小目標(biāo)檢測(cè)算法[J].電子學(xué)報(bào),2010,38(9):1975-1978.

YIN Ji-hao,WANG Yan,WANG Yi-song.A revised multi-target detection approach in hyperspectral image[J].Acta Electronica Sinica,2010,38(9):1975-1978.(in Chinese)

[11] 賀霖,潘泉,邸韚,等.高光譜圖像目標(biāo)檢測(cè)研究進(jìn)展[J].電子學(xué)報(bào),2009,37(9):2016-2024.

HE Lin,PAN Quan,DI Ge,et al.Research advance on targetdetection for hyperspectral imagery[J].Acta Electronica Sinica, 2009,37(9):2016-2024.(in Chinese)

[12] 趙春暉,胡春梅,石紅.采用選擇性分段PCA算法的高光譜圖像異常檢測(cè)[J].哈爾濱工程大學(xué)學(xué)報(bào),2011,32(1):109-113.

ZHAO Chun-hui,HU Chun-mei,SHI Hong.Anomaly detection for a hyperspectral image by using a selective section principal component analysis algorithm[J].Journal of Harbin Engineering University,2011,32(1):109-113.(in Chinese)

[13] 趙春暉,李杰,梅峰.核加權(quán)RX高光譜圖像異常檢測(cè)算法[J].紅外與毫米波學(xué)報(bào),2010,29(5):378-382.

ZHAO Chun-hui,LI Jie,MEI Feng.A kernel weighted RX algorithm for anomaly detection in hyperspectral imagery[J].Journal of Infrared Millimeter Waves,2010,29(5):378-382.(in Chinese)

[14] Chen Y,Nastabadi N M,Tran T D.Simultaneous joint sparsity model for target detection in hyperspectral imagery[J].IEEE Geoscience and Remote Sensing Letters,2011,8(4):676-680.

[15] 趙春暉,李曉慧,朱海峰.空間4-鄰域稀疏表示的高光譜圖像目標(biāo)檢測(cè)[J].哈爾濱工程大學(xué)學(xué)報(bào),2013,34(9):1171-1178.

ZHAO Chun-hui,LI Xiao-hui,ZHU Hai-feng.Hyperspectral imaging target detection algorithm based on spatial 4 neighborhoods for sparse representation[J].Journal of Harbin Engineering University,2013,34(9):1171-1178.(in Chinese)

[16] Zhao Chunhui,Li Xiaohui,Ren Jinchang,et al.Improved sparse representation using adaptive spatial support for effective target detection in hyperspectral imagery[J].International Journal of Remote Sensing,2013,34(24):8669-8684.

[17] Boyd S,Parikh N,Chu E,et al.Distributed optimization and statistical learning via the alternating direction method of multipliers[J].Foundations and Trends in Machine Learning,2011, 3(1):1-122.

[18] Wright S,Nowak R,Figueiredo M.Sparse reconstruction by separable approximation[J].IEEE Transactions Signal Processing,2009,57(7):2479-2493.

[19] Jin X Y,Paswater S,Cline H.A comparative study of target detection algorithms for hyperspectral imagery[J].Algorithms and Technologies for Multispectral,Hyperspectral,and Ultraspectral Imagery XV,SPIE,2009,7334:73341W1-73341W12.

[20] Qian D,Hsuan R,and Chein-I Cheng.A comparative study of orthogonal subspace projection and constrained energy minimization[J].IEEE Tansactions on Geoscience and Remote Sensing, 2003,41(6):1525-1529.

[21] Ayou B T F,Hainovich A R.Modified GLRT signal detection algorithm[J].IEEE Transactions on Aerospace and Electronic Systems,2000,36(3):810-818.

[22] Broadwater J,Chellappa R.Hybrid detectors for subpixel targets [J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2007,29(11):1891-1903.

[23] Broadwater J,Meth R,Chellappa R.A hybrid algorithms for subpixel detection in hyperspectral imagery[J].IEEE International Geoscience and Remote Sensing Symposium IGARSS, 2004,3:1601-1604.

A Novel Spectral-spatial Sparse Method for Hyperspectral Target Detection

SONG Yi-gang1,WU Ze-bin1,2,3,SUN Le1,LIU Jian-jun1,WEI Zhi-hui1,3
(1.School of Computer Science and Engineering,Nanjing University of Science and Technology,Nanjing 210094,Jiangsu,China; 2.Lianyungang Research Institute of Nanjing University of Science and Technology,Lianyungang 222006,Jiangsu,China; 3.Jiangsu Key Lab of Spectral Imaging and Intelligent Sensing,Nanjing 210094,Jiangsu,China)

Target detection is one of the most important applications of hyperspectral imagery(HSI).The traditional target detection techniques usually discard the spatial information of the target,resulting in a lower accuracy of detection.A novel simultaneous sparse representation model is proposed for HSI target detection.The proposed approach applies the theory and algorithm of mixed-norm to the hyperspectral target detection.By considering the combination of spectral information and spatial context of HSI,a model with a mixed-norm regularizaton based on the simultaneous sparse representation is proposed.And this model is finally solved via alternating direction mehtod of multipliers(ADMM)efficiently.The effectiveness and accuracy of the proposed simultaneous sparse representation model and algorithm are demonstrated by experimental results on a real hyperspectral images.

information processing;hyperspectral imagery;target detection;mixed norm;simultaneous sparsity;altermation direetion mehtod of multipciers?

TG156

A

1000-1093(2014)06-0834-08

10.3969/j.issn.1000-1093.2014.06.013

2013-11-07

國(guó)家自然科學(xué)基金項(xiàng)目(61101194);江蘇省自然科學(xué)基金項(xiàng)目(BK2011701);江蘇省“六大人才高峰”項(xiàng)目(WLW-011);高等學(xué)校博士學(xué)科點(diǎn)專項(xiàng)科研基金項(xiàng)目(20113219120024);中國(guó)空間技術(shù)研究院創(chuàng)新基金項(xiàng)目(CAST201227);中國(guó)地質(zhì)調(diào)查局工作項(xiàng)目(1212011120227)

宋義剛(1967—),男,博士研究生。E-mail:songyigang@sina.com;

吳澤彬(1981—),男,副教授,博士。E-mail:wuzb@njust.edu.cn