气体云识别于红外高光谱图像中的改进背景估计

长波段红外（LWIR）高光谱成像可用于遥感中的许多任务，包括通过 LWIR 传感器在航空平台上检测和识别 effluent 气体。一旦检测到潜在的气体云，就需要对其进行识别以确定气体云中包含的具体气体或气体。在识别过程中，需要估计并移除气体云下方的背景，以揭示感兴趣气体的光谱特征。当前的标准做法是使用“全局”背景估计，即使用所有非气体云像素的平均值来估计气体云中每个像素的背景。如果这种全局背景估计未能良好地建模气体云下方的真实背景，则结果信号可能难以正确识别。正确的背景估计的重要性在处理弱信号、大型感兴趣气体库以及不寻常或异构背景时更为重要。本文提出了两种背景估计方法，除三种现有方法外，并将每种方法与全局背景估计进行比较，以确定哪种方法在估计气体云下方的真实背景 radiance 方面效果最佳，并提高使用神经网络分类模型的识别置信度。我们使用 640 个模拟气体云进行比较。我们发现 PCA 在估计气体云下方的真实背景方面最佳，其 MSE 相对于全局背景估计的中位数降低了 18000 倍。我们提出的 K-最近段算法将中位数神经网络识别置信度提高了 53.2%。