一種基于RGB比值特征統(tǒng)計(jì)模型的高亮點(diǎn)檢測(cè)算法

劉志剛，劉 翔，廖佳俊，蔡 尚

?

一種基于RGB比值特征統(tǒng)計(jì)模型的高亮點(diǎn)檢測(cè)算法

劉志剛，劉 翔，廖佳俊，蔡 尚

（第二炮兵工程大學(xué)，陜西 西安 710025）

高光譜圖像反射率反演問題，已成為制約高光譜圖像走向應(yīng)用的重要障礙之一。常用的平場(chǎng)域法關(guān)鍵在于高亮點(diǎn)的正確選取，而目前的人工方法和自動(dòng)方法均存在選點(diǎn)不準(zhǔn)確和效率較低的缺陷。在進(jìn)行大量的高光譜圖像采集實(shí)驗(yàn)的基礎(chǔ)上，以標(biāo)準(zhǔn)白板圖像為基準(zhǔn)，對(duì)理想白色區(qū)域的R、G、B三個(gè)譜段的DN值進(jìn)行了統(tǒng)計(jì)分析，用高斯分布擬合了R、G、B的比值特征，以此模型為依據(jù)，給出了一種基于R、G、B譜段DN值分析的自動(dòng)高亮點(diǎn)搜索方法。實(shí)驗(yàn)表明，本算法可有效提高高光譜圖像反射率反演的準(zhǔn)確性。

高光譜；反射率反演；平場(chǎng)域法；高亮點(diǎn)檢測(cè)

0 引言

高光譜遙感技術(shù)在軍事偽裝目標(biāo)探測(cè)與識(shí)別領(lǐng)域正越來越受到重視。目前，基于高光譜圖像的目標(biāo)探測(cè)與識(shí)別，主流的方法還是基于光譜匹配的思想。但由于高光譜成像過程中受目標(biāo)狀態(tài)、環(huán)境、儀器及采集尺度等因素的影響，常出現(xiàn)“同物異譜”和“同譜異物”現(xiàn)象，使光譜匹配無法進(jìn)行下去。一種普遍的解決方案是，在進(jìn)行光譜匹配之前，先對(duì)高光譜圖像進(jìn)行預(yù)處理，將每個(gè)像元的DN值（輻射能量）波譜曲線換算成地物的光譜反射率曲線，使數(shù)據(jù)具有一定的穩(wěn)定性，這就是所謂的反射率反演問題。但嚴(yán)格意義上的地物波譜反射率反演非常困難，它已經(jīng)成為制約高光譜圖像走向應(yīng)用的重大障礙之一。

高光譜反射率反演[1-2]方法主要有3類：基于大氣輻射傳輸方程的反射率反演[3]、借助特殊地物的反射率反演和基于圖像數(shù)據(jù)本身的反射率反演。第1類方法需要用到較為苛刻的環(huán)境參數(shù)，第2類方法要求在視場(chǎng)內(nèi)有特殊地物，這兩類方法在實(shí)際應(yīng)用中均受到很大的限制，因而第3類方法常常被作為首選方法?；趫D像本身的反射率反演[4]方法又有3種：對(duì)數(shù)殘差法[5]、內(nèi)部平均法[6]和平場(chǎng)域法[7]。其中，對(duì)數(shù)殘差法需要利用圖像的全體像元數(shù)據(jù)，其計(jì)算結(jié)果受噪聲的影響非常嚴(yán)重，同時(shí)存在對(duì)同種物質(zhì)光譜的微小差別進(jìn)行過分放大的缺陷[4]。內(nèi)部平均法則在很多情況下（如圖像中某一種地物所占比例高達(dá)90%）完全失效。平場(chǎng)域法是最常用的一種方法，其關(guān)鍵之處在于如何準(zhǔn)確、高效地選取高亮區(qū)域。通常的做法是人工選取高亮區(qū)。由于人眼對(duì)色彩與亮度的判斷并不客觀，甚至還會(huì)出現(xiàn)視覺錯(cuò)覺現(xiàn)象，因此常常會(huì)選入錯(cuò)誤的像元[4]。當(dāng)圖像中本身就不存在連續(xù)的高亮區(qū)域時(shí)，這種錯(cuò)誤就更難以避免。

針對(duì)上述問題，本文在進(jìn)行大量的高光譜成像實(shí)驗(yàn)的基礎(chǔ)上，對(duì)白板的R、G、B三個(gè)譜段的DN值進(jìn)行統(tǒng)計(jì)建模，以此為基礎(chǔ)，提出了一種只用到3個(gè)譜段數(shù)據(jù)的快速高效的自動(dòng)高亮點(diǎn)檢測(cè)算法，實(shí)驗(yàn)表明，該方法用于高光譜圖像的反射率反演與波譜匹配中，可取得很好的效果。

1 基本思路

平場(chǎng)域法的本質(zhì)是要找出視場(chǎng)中的“標(biāo)準(zhǔn)白板”來，由于“標(biāo)準(zhǔn)白板”的反射率處處為1，該處的DN值曲線就可看作是入射光的光譜。當(dāng)然，這樣的“標(biāo)準(zhǔn)白板”并不存在，即使存在，也不見得在每幅圖像中都存在。盡管如此，很多時(shí)候找到一些接近“標(biāo)準(zhǔn)白板”的點(diǎn)或區(qū)域還是可以的。

傳統(tǒng)的人工選取平場(chǎng)域法以R、G、B譜段合成的彩色圖像為依據(jù)，雖然準(zhǔn)確性上存在問題，但至少說明高亮區(qū)域與R、G、B三個(gè)譜段的DN值存在著某種關(guān)聯(lián)。因?yàn)镽、G、B三個(gè)譜段是與人眼視覺特性密切相關(guān)的3個(gè)譜段，而幾乎沒有人認(rèn)為太陽光在正午時(shí)刻是偏色的，這就是說，根據(jù)經(jīng)驗(yàn)，利用R、G、B這3個(gè)譜段是可以很好地檢測(cè)出“白色”的太陽光的。不過，太陽光在一天之中會(huì)發(fā)生強(qiáng)弱和角度的變化，再加上儀器的感光參數(shù)也會(huì)隨之發(fā)生變化，所以高亮區(qū)對(duì)應(yīng)的R、G、B譜段的DN值肯定也會(huì)發(fā)生變化。如果只考慮光線強(qiáng)弱和儀器增益的變化的話，高亮區(qū)的R、G、B譜段DN值之比應(yīng)基本不變。基于這一思路，本文對(duì)包含白板（高亮區(qū)）的同一目標(biāo)，在不同時(shí)段采集了大量的高光譜圖像，然后對(duì)白板區(qū)的R、G、B三個(gè)譜段DN值的比值進(jìn)行統(tǒng)計(jì)分析，進(jìn)而建立其概率分布模型。根據(jù)這一模型，通過對(duì)待處理的高光譜圖像每個(gè)象素的R、G、B三個(gè)譜段之DN值進(jìn)行自動(dòng)分析與篩選，可以很快從中找出符合要求的高亮點(diǎn)來。

2 基于實(shí)驗(yàn)的白板R、G、B譜段關(guān)系模型

2.1 白板高光譜數(shù)據(jù)采集實(shí)驗(yàn)

使用地面MSHyperSIS成像光譜儀對(duì)由高光譜儀器原廠配送的標(biāo)準(zhǔn)參考白板進(jìn)行光譜數(shù)據(jù)采集?？紤]到地物光譜數(shù)據(jù)在采集過程中，受到空氣中水分、光照角、尺度、光照強(qiáng)度等多種因素的影響，為提高結(jié)果的準(zhǔn)確性，選擇兩個(gè)晴朗無云且光照充足的夏季白天進(jìn)行采集，采集時(shí)間為早11:00至晚17:00，每間隔半小時(shí)，采集一幅圖像，總共采集20幅標(biāo)準(zhǔn)參考白板的高光譜圖像數(shù)據(jù)，其中部分實(shí)驗(yàn)數(shù)據(jù)如圖1所示，圖1(a)～(c)分別為11:00、14:00、17:00采集到的圖像數(shù)據(jù)。

2.2 白板R、G、B三個(gè)譜段DN值數(shù)據(jù)分析

根據(jù)高光譜圖像中標(biāo)準(zhǔn)參考白板在可見光譜段（400～760nm）上R譜段（700nm）、G譜段（540nm）以及B譜段（430nm）所呈現(xiàn)出的特征，定義RGB比例特征1、2如下：

1＝DNR/DNB(1)

2＝DNG/DNB(2)

式中：DNR、DNG、DNB分別為R、G、B譜段上的DN值。

利用ENVI軟件中的裁剪功能，將圖像數(shù)據(jù)中的白板裁剪下來，每張圖像數(shù)據(jù)根據(jù)裁剪大小的不同，有4000～6000個(gè)像元點(diǎn)不等，裁剪下來的圖像數(shù)據(jù)仍然保留白板上每個(gè)像元的光譜曲線。對(duì)20幅圖像數(shù)據(jù)中白板像元的1、2分別計(jì)算概率分布(1)、(2)（直方圖包絡(luò)線），如圖2(a)和圖2(b)所示。

圖1 不同時(shí)刻采集到的白板實(shí)驗(yàn)數(shù)據(jù)示意圖

圖2 20幅白板各自的k1、k2分布擬合示意圖

觀察圖2發(fā)現(xiàn)，1、2在各個(gè)時(shí)段均近似滿足高斯分布，其中，1在不同時(shí)段的分布特性基本一致，2則表現(xiàn)出隨時(shí)間變化而出現(xiàn)漂移的現(xiàn)象。分析認(rèn)為，2的漂移主要表現(xiàn)在早晚，由于大氣折射而出現(xiàn)入射光偏紅引起。由于漂移不大，我們對(duì)不同時(shí)段采集到的全部1、2特征數(shù)據(jù)進(jìn)行疊加，得到關(guān)于1、2的總體概率分布，如圖3所示。

圖3顯示，不同時(shí)段的RGB比例特征仍能夠近似地滿足高斯分布，可近似表示為：

式中：、分別為比例特征k的均值和方差。

根據(jù)參數(shù)估計(jì)理論，可利用測(cè)量數(shù)據(jù)估計(jì)出和：

式中：k()（＝1,2，＝1,2,…）為k的第個(gè)樣本；為樣本總量。

圖3 20幅白板所有像元點(diǎn)的k1、k2分布擬合示意圖

在獨(dú)立高斯概率模型基礎(chǔ)上，可進(jìn)一步將RGB比例特征作為特征矢量定義如下：

＝[1,2]T(6)

則可得特征矢量的聯(lián)合高斯分布密度模型為：

式中：為特征矢量均值＝[1,2]T，可根據(jù)式(4)計(jì)算得到。為特征矢量的協(xié)方差矩陣，即：

式中：

且的對(duì)角線元素（＝1,2）可由式(5)得出。

3 基于RGB比值特征統(tǒng)計(jì)模型的高亮點(diǎn)檢測(cè)算法

綜上可知，僅根據(jù)采集到的光譜數(shù)據(jù)樣本即可求得概率模型參數(shù){,}，在此基礎(chǔ)上，可在任意光譜圖像中利用概率模型搜索滿足高亮點(diǎn)（白板）統(tǒng)計(jì)特性的光譜圖像像元點(diǎn)作為反射率反演的參考像元點(diǎn)。

為在概率模型式(7)基礎(chǔ)上建立搜索準(zhǔn)則，將一維高斯分布的歸一化置信區(qū)間定義推廣到多維高斯分布情形，此時(shí)多維歸一化置信區(qū)間可由馬氏距離（）定義如下，即對(duì)于任意光譜圖像的第個(gè)像元點(diǎn)提取的特征矢量(j)，有馬氏距離M((j))如下：

設(shè)M((j))＝，則距離＝1,2,3,…，即對(duì)應(yīng)于一維標(biāo)準(zhǔn)高斯分布的-置信區(qū)間。因此可作為搜索相似度閾值參數(shù)，本文中?。?，即：若某個(gè)像元點(diǎn)(j)的M((j))≤2，則認(rèn)為該像元點(diǎn)是與高亮點(diǎn)（白板）相似的。

4 實(shí)驗(yàn)與分析

我們以綠草和假草的光譜曲線作為研究對(duì)象，針對(duì)不同實(shí)驗(yàn)數(shù)據(jù)，采用本文方法和傳統(tǒng)方法計(jì)算綠草和假草的相對(duì)反射率光譜曲線，并對(duì)結(jié)果進(jìn)行比較分析。綠草的光譜反射特性主要是由植物單葉的光譜反射特性決定的，在450～1000nm光譜曲線上，550nm處有一個(gè)反射峰，680nm處有一個(gè)吸收峰，700～740nm譜段反射率急劇增大，幾乎達(dá)到最大值，740nm以后反射率增長(zhǎng)緩慢。假草的光譜反射特性根據(jù)材質(zhì)的不同有所區(qū)別，本文采集的圖像中假草在550nm處有一個(gè)反射峰，在690nm和750nm處還有2個(gè)反射峰。

4.1 實(shí)驗(yàn)數(shù)據(jù)

實(shí)驗(yàn)中使用了3幅高光譜圖像作為驗(yàn)證傳統(tǒng)算法與本文算法的實(shí)驗(yàn)數(shù)據(jù)。圖像數(shù)據(jù)全部是用地面MSHyperSIS成像光譜儀獲取的陜西省西安市某地的高光譜圖像，實(shí)驗(yàn)選在夏季，拍攝角度為水平向下15°，視場(chǎng)域中的主要地物為綠草和人工假草，圖4(a)～(c)分別為11:40、12:50、14:15采集到的圖像數(shù)據(jù)，圖像數(shù)據(jù)的光譜范圍均為450～1000nm，共256個(gè)譜段，剔除其中的無效譜段（噪聲），保留譜段231個(gè)。3幅圖為各自個(gè)圖像數(shù)據(jù)中第37、76、114譜段（分別為B譜段（430nm處）、G譜段（540nm處）、R譜段（700nm處））合成的RGB彩色圖像。圖像中位于圖片下方的草地為綠草，位于圖片上方的草地為人工假草。

在匹配標(biāo)準(zhǔn)（對(duì)比標(biāo)準(zhǔn)）的選取問題[8]上，考慮到不同時(shí)段的空氣水分、光照角度等因素影響，由MSHyperSIS成像光譜儀采集一組圖像數(shù)據(jù)中存在符合當(dāng)時(shí)天氣狀況的標(biāo)準(zhǔn)白板的實(shí)驗(yàn)數(shù)據(jù)，利用視場(chǎng)內(nèi)白板(圖中右下角)的DN值對(duì)綠草及假草進(jìn)行反射率反演，選取兩天中不同時(shí)段的20個(gè)反演結(jié)果的平均值作為最后的參考基準(zhǔn)，即綠草和假草的標(biāo)準(zhǔn)相對(duì)反射率(相對(duì)于標(biāo)準(zhǔn)白板)，其中部分實(shí)驗(yàn)數(shù)據(jù)如圖5所示，圖5(a)～(c)分別為14:00、16:00、17:30采集到的圖像數(shù)據(jù)。

4.2 實(shí)驗(yàn)結(jié)果

依據(jù)本文算法針對(duì)圖4數(shù)據(jù)進(jìn)行高亮像元提取的實(shí)驗(yàn)結(jié)果如圖6所示。

分別利用內(nèi)部平均法、人工選點(diǎn)的平場(chǎng)域法、本文方法對(duì)圖4所示3幅圖像數(shù)據(jù)中綠草和假草的光譜曲線進(jìn)行反射率反演，得到各自的結(jié)果。綠草和假草的結(jié)果分別如圖7、圖8所示。

4.3 實(shí)驗(yàn)分析

在分析討論實(shí)驗(yàn)結(jié)果前，我們先通過光譜角匹配[9]（SAM）與光譜相似度[10]（SCF）定量地評(píng)估所有結(jié)果與標(biāo)準(zhǔn)綠草曲線及標(biāo)準(zhǔn)假草曲線的匹配結(jié)果。

通過匹配的結(jié)果可以看出，本文方法在利用3幅圖像數(shù)據(jù)進(jìn)行反射率反演的情況下，所得結(jié)果的匹配率上都優(yōu)于傳統(tǒng)方法。

圖4 不同時(shí)刻采集到的實(shí)驗(yàn)數(shù)據(jù)示意圖

圖5 提取標(biāo)準(zhǔn)相對(duì)反射率的實(shí)驗(yàn)數(shù)據(jù)示意圖

圖6 本文算法提取出的高亮像元示意圖

圖7 綠草的標(biāo)準(zhǔn)相對(duì)反射率與針對(duì)3幅數(shù)據(jù)使用3種方法的結(jié)果對(duì)比

圖8 假草的標(biāo)準(zhǔn)相對(duì)反射率與針對(duì)3幅數(shù)據(jù)使用3種方法的結(jié)果對(duì)比

表1 綠草相對(duì)反射率與參考反射率的匹配結(jié)果

表2 假草相對(duì)反射率與參考反射率的匹配結(jié)果

5 結(jié)論

以平場(chǎng)域法的2個(gè)局限性為切入點(diǎn)，通過實(shí)驗(yàn)統(tǒng)計(jì)白板的譜段特征，設(shè)計(jì)了基于R、G、B譜段關(guān)系的概率模型，對(duì)圖像數(shù)據(jù)中的高亮像元進(jìn)行自動(dòng)搜索，實(shí)現(xiàn)了基于高光譜圖像本身數(shù)據(jù)的自動(dòng)反射率反演?？偟膩碚f，本文算法有效地克服了高亮區(qū)域主觀選擇的隨機(jī)性，可有效解決圖像數(shù)據(jù)中沒有連續(xù)高亮區(qū)域的問題，提高了反射率反演的準(zhǔn)確性，對(duì)進(jìn)一步實(shí)現(xiàn)基于光譜匹配的目標(biāo)檢測(cè)有重要意義。另一方面，在研究過程中，根據(jù)高光譜儀器的敏感性及不同地區(qū)光照角度不同，我們發(fā)現(xiàn)本文算法尚且存在一定不足，如不同地區(qū)或不同時(shí)段，統(tǒng)計(jì)模型可能會(huì)出現(xiàn)參數(shù)變化，這也是我們下一步的研究方向。

[1] Philpot W. The derivative ration algorithm: Avoiding atmospheric effects in remote sensing[J]., 1991, 29(3):350-357.

[2] Farrand W H, Singer R B, Merengi E. Retrieval of apparent surface reflectance from AVIRIS data: A comparison of empirical line, radiative transfer, and spectral Mixing methods[J]., 1994, 47:311-321.

[3] Gao B C, Goetz F H. Colmun atmospheric water vapor and vegetation liquid water retrieval from airborne imaging spectrometer data[J]., 1990, 95(D4): 3549-3563.

[4] 張兵. 時(shí)空信息輔助下的高光譜數(shù)據(jù)挖掘[D]. 中國科學(xué)院, 2002. Zhang Bing. Hyperspectral data mining supported by temporal and spatial information[D]. Chinese Academy of Sciences. 2002.

[5] Green A A, Craig M D. Analysis of aircraft spectrometer data with logarithmic residuals[C]//, JPLPublication, 1985: 111-119.

[6] Goetz A F H, Srivastava V. Mineralogical mapping in the Cuprite mining district, Nevada[C]//(), JPL Publication, 1985: 22-31.

[7] Conel J E. Calibration of data using ground-based spectral reflectance measurements[C]//, JPL Publication 85-41, 1985: 184-185.

[8] 張翔. 基于光譜特征增強(qiáng)的高光譜圖像地物目標(biāo)識(shí)別[J]. 紅外技術(shù), 2010, 32(12): 717-722.

ZHANG Xiang. Target recognition of hyperspectral image based on enhanced spectral characteristics[J]., 2010, 32(12): 717-722.

[9] Kruse F A, Lefkoff A B, Boardman J W, et a1. The spectral image processing system (SIPS)-software for integrated analysis of AVIRIS data[C]//4. JPL Publication, 1992: 23-25.

[10] 許衛(wèi)東, 尹球, 匡定波. 地物光譜匹配模型比較研究[J]. 紅外與毫米學(xué)報(bào), 2005, 4(4): 296-300.XU Weidong, YIN Qiu, KUANG Dingbo. Comparison of different spectral match models[J]., 2005, 4(4): 296-300.

A Highlight Pixel Detection Algorithm Based on Statistical Model of RGB Ratio Feature

LIU Zhigang，LIU Xiang，LIAO Jiajun，CAI Shang

(，710025，)

The difficulty of reflectivity inversion for hyperspectral images is of the main obstacle to the application of hyperspectral images. The performance of the commonly used Flat Field method heavily rely on the correct selection of highlight field, unfortunately neither the manual nor automatic selections method performs well in the perspective of accuracy and efficiency. On the basis of extensive experimental collections for hyperspectral images, with the standard referential white board served as ideal white region, the three band in spectrum, i.e. Red, Green and Blue band are chosen in order to exact the ratio characteristics among them. The ratio characteristics are statistically analyzed and demonstrated to be nearly Gaussion distribution, a Gausssion density is thus used to model these characteristics. Subsequently an automatic referential white pixel search method is proposed based on the established Gaussian statistical model, the resultant white pixels lay the foundation of reflectivity inversion for hyperspectral images. Experimental results suggest that the proposed method can effectively improve the accuracy of reflectivity inversion.

hyperspectral，reflectivity inversion，flat field，highlight pixel detection

TP75

A

1001-8891(2016)06-0461-06

2015-09-06；

2015-10-09.

劉志剛（1975-），男，博士，副教授，研究方向：信號(hào)與信息處理。

國家自然科學(xué)基金項(xiàng)目（41174093）；陜西省自然科學(xué)基金（2013JM5012）。