基于Tensor核范数的高光谱视频序列气体羽流检测方法

0 下载量 158 浏览量 更新于2024-08-29 收藏 721KB PDF 举报
在遥感领域,高光谱视频序列(Hyperspectral Video Sequences, HVSs)的气体羽流检测(Gas Plume Detection, GPD)已经成为一个热门话题。传统的处理方法倾向于将视频数据重塑为二维矩阵,这可能导致空间结构和光谱特性被破坏。为了克服这一局限性,本文提出了一种创新的方法——多特征张量分解(Multi-feature Tensor Decomposition, MTD)。这种方法认识到提取的视频数据的三维(3-D)结构,将其视为一个三阶张量,从而能够有效地保留HVS中的空间和时间结构。 在MTD中,我们利用张量核范数(Tensor Nuclear Norm)来捕捉背景的低秩特性。张量核范数是一种推广了矩阵的奇异值分解(Singular Value Decomposition, SVD)的概念,对于多维数据具有良好的压缩和降维效果,有助于区分背景中的复杂信息和简单的低秩模式。通过这种方式,我们能够在保持图像细节的同时,抑制背景噪声的影响。 此外,论文还引入了张量稀疏范数(Tensor Sparsity Norm),以进一步增强对气体羽流的检测,这种范数能够有效限制气体羽流区域的非零元素,使得它们在张量表示中更加明显。这种结合低秩和稀疏性的处理策略,有利于提高对气体羽流检测的精度和鲁棒性。 考虑到实际应用中可能存在不同的气体类型和复杂的环境条件,作者们还可能考虑了场景自适应性和对不同尺度的气体羽流的敏感性,通过调整参数或采用自学习算法来优化模型性能。通过这种方式,MTD方法不仅在理论上具有理论价值,而且在实际的GPD任务中展现出显著的优势。 总结来说,本文提出了一种新颖的多特征张量分解方法,用于高光谱视频序列中的气体羽流检测。它通过利用张量核范数和稀疏范数,既保持了HVS的三维结构,又有效地捕获了背景的低秩和气体羽流的稀疏特性,为遥感领域的气体羽流监测提供了一个强有力的技术手段。这种方法有望在未来的环境监控、大气污染预警等领域发挥重要作用。