一種結(jié)合CEM的高光譜遙感影像目標(biāo)檢測算法

楊 磊，蘇令華，吳寶剛，王寶海，栗鐵樁

(1.陸軍工程大學(xué) 通信士官學(xué)校， 重慶 400035； 2.空軍工程大學(xué) 信息與導(dǎo)航學(xué)院，西安 710077；3.遼陽市社會問題研究所， 遼寧 遼陽 111000； 4.山東信遠(yuǎn)集團(tuán)有限公司， 山東 萊陽 265200)

一種結(jié)合CEM的高光譜遙感影像目標(biāo)檢測算法

楊 磊1，蘇令華2，吳寶剛3，王寶海4，栗鐵樁1

(1.陸軍工程大學(xué) 通信士官學(xué)校， 重慶 400035； 2.空軍工程大學(xué) 信息與導(dǎo)航學(xué)院，西安 710077；3.遼陽市社會問題研究所， 遼寧 遼陽 111000； 4.山東信遠(yuǎn)集團(tuán)有限公司， 山東 萊陽 265200)

提出了一種基于CEM(constrained energy minimum)的高光譜影像目標(biāo)檢測算法。利用虛擬維數(shù)實現(xiàn)高光譜影像端元數(shù)目的估計，進(jìn)而獲取目標(biāo)端元。利用基于最大噪聲分量算法對原始影像進(jìn)行降維，在虛擬維數(shù)的基礎(chǔ)上保留合理的主成分?jǐn)?shù)量。根據(jù)提取的目標(biāo)端元，利用一種改進(jìn)的CEM算子進(jìn)行目標(biāo)檢測。實驗結(jié)果表明：該算法能夠獲得較高質(zhì)量的目標(biāo)檢測效果。

高光譜影像；目標(biāo)檢測；CEM算子；虛擬維數(shù)

1 背景

高光譜遙感涵蓋了電磁波譜的紫外、可見光、近紅外和中紅外區(qū)域，在上述區(qū)域獲取許多非常窄且光譜連續(xù)的影像。高光譜遙感超高的光譜分辨率使得成像光譜儀獲取的影像能夠提供豐富的紋理和細(xì)節(jié)，在資源勘探、環(huán)境檢測、精細(xì)農(nóng)業(yè)以及氣候變遷等國民經(jīng)濟(jì)領(lǐng)域得到廣泛應(yīng)用。在高光譜影像的諸多應(yīng)用中，很多情況下需要從影像中提取感興趣的目標(biāo)，這就需要采用有效的目標(biāo)檢測技術(shù)做支撐。目前，目標(biāo)檢測技術(shù)已經(jīng)成為高光譜遙感的一個重要研究方向。不同于傳統(tǒng)的遙感影像目標(biāo)檢測，高光譜影像能夠提供地物的精細(xì)光譜信息，因而高光譜影像的目標(biāo)檢測必須充分考慮光譜信息，而傳統(tǒng)的目標(biāo)檢測算法忽略了這一點，難以有效發(fā)揮作用，因此有必要針對高光譜影像獨有的特點進(jìn)行研究。

高光譜影像目標(biāo)檢測算法基本可分為非監(jiān)督目標(biāo)檢測與監(jiān)督目標(biāo)檢測兩大類。其中，第一類是在無任何先驗信息的條件下，根據(jù)目標(biāo)與背景光譜的不同統(tǒng)計特性進(jìn)行檢測，其原理是：若某像素與周圍像素存在較大的光譜差異，則認(rèn)為該像素為目標(biāo)像素，這一類也通常劃為異常檢測的范疇，典型的算法包括RX(Reed Xiao)及其改進(jìn)算子[1-2]；第二類是在給定目標(biāo)光譜的前提條件下，在影像中尋找與目標(biāo)光譜相近的像元，這類問題可歸結(jié)為光譜匹配的范疇，典型算法包括CEM(constrained energy minimum)[3-4]。文獻(xiàn)[5]提出了基于端元提取的高光譜影像目標(biāo)檢測算法，在主成分分析的基礎(chǔ)上利用加權(quán)CEM進(jìn)行目標(biāo)檢測，但算法中未給出端元數(shù)量的具體選取方法。文獻(xiàn)[6]提出了一種基于非線性主成分分析的高光譜影像目標(biāo)檢測算法，利用神經(jīng)網(wǎng)絡(luò)將高光譜影像進(jìn)行非線性降維，使得數(shù)據(jù)中目標(biāo)與背景線性可分，然后使用CEM進(jìn)行目標(biāo)檢測，但該方法計算復(fù)雜度較高。文獻(xiàn)[7]提出了基于快速主成分分析的高光譜影像目標(biāo)分割方法，該方法結(jié)合了虛擬維數(shù)估計、端元提取以及形態(tài)學(xué)處理等，較好地分割出了影像中的感興趣目標(biāo)。文獻(xiàn)[8]提出了基于數(shù)學(xué)形態(tài)學(xué)的高光譜影像組合核目標(biāo)檢測，充分利用了高光譜影像的光譜和空間信息。此外，基于稀疏表示的方法被逐漸應(yīng)用于高光譜圖像的目標(biāo)檢測[9-10]，使計算速度有了一定的提升。鄧賢明等[11]引入目標(biāo)的空間尺寸信息，通過形態(tài)學(xué)開運算過濾掉可能存在的目標(biāo)，以此構(gòu)造一個精確的背景，使用CEM進(jìn)行目標(biāo)檢測。劉翔等[12]對復(fù)雜背景紅外多光譜目標(biāo)檢測算法進(jìn)行了研究，重點解決了低信噪比下的小目標(biāo)檢測與跟蹤難題。由于實際中獲取的高光譜影像很難取得關(guān)于影像的任何先驗信息，這給高光譜影像的目標(biāo)檢測帶來困難。因此，針對該情況下的目標(biāo)檢測，在已報道的算法基礎(chǔ)上，本文提出了一種完備的目標(biāo)檢測算法。首先，利用虛擬維數(shù)算法估計影像中可能的端元數(shù)目；然后，利用特定的端元提取算法提取出影像中的相關(guān)端元，在此基礎(chǔ)上，利用MNF(maximum noise fraction，最大噪聲分離)對影像數(shù)據(jù)進(jìn)行降維，根據(jù)虛擬維數(shù)的估計結(jié)果保留合理的主分量；最后，利用改進(jìn)的CEM對主分量直接進(jìn)行目標(biāo)檢測，從而獲得感興趣目標(biāo)的檢測影像，實驗結(jié)果驗證了算法的有效性。

2 CEM算子及其改進(jìn)形式

耿修瑞等在文獻(xiàn)[4]中介紹了CEM算子，這里簡要介紹CEM及其改進(jìn)算子。若S={r1,r2,…,rN}為觀測到的譜向矢量集，其中ri=(ri1,ri2,…,riL)T為第i個像元矢量(i=1,2,…,N)，N為像元個數(shù)，L為波段數(shù)量。如果d為感興趣的目標(biāo)，則CEM算子可表示為[4]

(1)

將w*作用于影像中的每一個像元矢量，得到目標(biāo)d在影像中的分布情況，從而實現(xiàn)對目標(biāo)d的檢測。在CEM算子的基礎(chǔ)上，文獻(xiàn)[5]提出了基于加權(quán)樣本自相關(guān)陣的目標(biāo)檢測方法，改善了CEM的性能?？疾炀仃嘡的估計方法:

(2)

可以認(rèn)為R由所有像元ri(i=1,2,…,N)的自相關(guān)矩陣等權(quán)值加權(quán)平均組成，R在算法中的作用是抑制背景，如果能在R的計算過程中盡量減小d的影響，而與d差別較大的信號對R的影響盡可能增大，就能起到改善CEM檢測性能的作用?；谝陨戏治?，引入了加權(quán)自相關(guān)陣[4]

(3)

其中：f(x)為單調(diào)遞增函數(shù)；c為常數(shù)；g(x,y)用于衡量x和y的相似度?；诩訖?quán)自相關(guān)陣的CEM算子可以表示為

(4)

在文獻(xiàn)[5]中給出了多種加權(quán)取法。結(jié)合本文算法的實際應(yīng)用，選取式(5)作為自相關(guān)矩陣

(5)

3 基于CEM的目標(biāo)檢測技術(shù)

3.1 端元數(shù)量估計

高光譜影像中具有相對固定光譜的特征地物類型稱為端元。在滿足線性混合的條件下，影像中的每個像元都可以由其中的所有端元線性混合而成。對于高光譜影像，通常情況下無法獲取足夠的先驗信息，在此情形下進(jìn)行目標(biāo)檢測，首先需要估計出影像中目標(biāo)端元的個數(shù)，進(jìn)而利用特定的端元提取算法進(jìn)行提取。多光譜影像由于波段數(shù)較少，主成分分析方法基本可以解決維數(shù)的計算問題。高光譜影像光譜分辨率極高，許多尚未定性的未知信號會出現(xiàn)在數(shù)據(jù)中，這些信號的譜向特征都無法用已知的特征來定義。同時，干擾信號出現(xiàn)的概率增加，給維數(shù)的界定增加了難度。針對目標(biāo)檢測與分類應(yīng)用方向，文獻(xiàn)[13]提出了虛擬維數(shù)，它依據(jù)影像的可分譜向特征數(shù)目對數(shù)據(jù)維數(shù)進(jìn)行界定。HFC(harsanyi、farrand and chang)是一種基于奈曼-皮爾遜檢測理論特征分析的虛擬維數(shù)計算方法，已被證明簡單有效。

3.2 端元提取

通常情況下，高光譜影像中的每個像元都對應(yīng)特定的地物類型，由于高光譜傳感器空間分辨率的限制，大部分像元往往包含了多種地物類型，即代表不同地物的光譜像元發(fā)生了混合，這些像元被稱為混合像元。光譜混合的形式可分為線性混合模型與非線性混合模型。線性混合模型在實際中具有較好的可操作性，因而獲得了廣泛應(yīng)用。對于線性混合模型，高光譜影像中的每個像元都可近似看作是影像中各個端元的線性混合像元，如式(6)所示：

r=Mα+n

(6)

3.3 高光譜影像降維預(yù)處理

高光譜影像不但數(shù)據(jù)量大，而且影像中會包含一定量的噪聲，這將對最終的目標(biāo)檢測效果產(chǎn)生不利影響。為了提高目標(biāo)檢測效果，同時降低算法的運算量，需要對原始高光譜影像進(jìn)行降維處理?，F(xiàn)有的降維方法較多，例如PCA，MNF與KPCA(Kernel PCA，核主成分分析)等。PCA按照分量的能量大小進(jìn)行排序，但能量較大的主成分有可能是噪聲分量，保留該主成分會使得檢測性能下降；KPCA雖然適合處理高光譜影像這種非線性模型，但其復(fù)雜度高，實際應(yīng)用受到限制。因此，本文采用MNF進(jìn)行降維預(yù)處理[16]，然后對降維后的數(shù)據(jù)進(jìn)行目標(biāo)檢測。HFC算法已經(jīng)被廣泛應(yīng)用于高光譜影像的端元數(shù)目估計[7,17]。針對MNF應(yīng)用過程中如何確定所需保留的主成分?jǐn)?shù)量的問題，文獻(xiàn)[18]在VD估計基礎(chǔ)上提出保留特征值較大的前p個PC進(jìn)行后續(xù)處理，但由于數(shù)據(jù)中噪聲的影響，高光譜影像的端元無法嚴(yán)格對應(yīng)前p個PC。針對這種情況，文獻(xiàn)[19]給出了一種主分量數(shù)量的選取方法，該方法利用VD算法的計算結(jié)果進(jìn)行選取，具體方法是確定最后一個被判斷為可能存在端元的波段序號，然后保留該波段以及它之前的所有波段。本文采用該波段選取方法用于確定MNF變換后所需保留的波段數(shù)量，其值設(shè)為q。

4 實驗結(jié)果

本文對某機場數(shù)據(jù)進(jìn)行仿真實驗，如圖1所示。該數(shù)據(jù)覆蓋波長范圍為0.4～2.5 μm，空間分辨率為3.5 m，實驗波段數(shù)為190，每個波段大小為128×128，該數(shù)據(jù)在相關(guān)的ENVI書籍中可以獲得。

圖1 實驗影像

對高光譜原始影像數(shù)據(jù)進(jìn)行VD估計，表1所示為幾種虛警概率PF條件下的VD估計結(jié)果。本文采用PF=10-2時得到的VD估計結(jié)果，即端元數(shù)m=15，需要保留的主成分?jǐn)?shù)量為n=71。

表1 虛擬維數(shù)計算結(jié)果

圖2給出了原始高光譜影像經(jīng)過MNF變換后的前6個主成分。從圖2可以看出：各個主成分中仍是多個目標(biāo)的疊加，但各個目標(biāo)都得到了一定程度的凸顯，具備了一定的目標(biāo)可分性。在此基礎(chǔ)上，利用目標(biāo)檢測算子能進(jìn)一步實現(xiàn)對各個目標(biāo)的檢測。

本文算法主要針對影像中的重要目標(biāo)的提取，例如影像中的飛機目標(biāo)。為了驗證算法的有效性，將本文算法與原始CEM算子對影像中的飛機目標(biāo)的檢測結(jié)果進(jìn)行比較，如圖3所示。從圖3(a)可以看出：原始數(shù)據(jù)由于噪聲的影響，直接利用CEM進(jìn)行目標(biāo)檢測時，目標(biāo)的檢測效果并不理想，目標(biāo)不夠突出，噪聲影響較為明顯。圖3(b)給出了利用本文算法的目標(biāo)檢測結(jié)果，顯然，與圖3(a)相比，該結(jié)果進(jìn)一步突出了目標(biāo)，抑制了背景，驗證了算法的有效性。

圖2 MNF變換后的前6個主分量

圖3 目標(biāo)檢測結(jié)果對比

5 結(jié)束語

高光譜影像目標(biāo)檢測技術(shù)已經(jīng)受到了國內(nèi)外的廣泛關(guān)注。本文針對這一問題開展研究，提出了一種基于CEM的高光譜影像目標(biāo)檢測算法。該算法利用虛擬維數(shù)算法估計影像中可能的端元數(shù)量，采用基于非監(jiān)督正交子空間投影的端元提取算法提取影像中相應(yīng)數(shù)量的端元矢量，在MNF降維的基礎(chǔ)上，結(jié)合提取的端元，利用加權(quán)CEM對影像中的目標(biāo)進(jìn)行檢測，實驗結(jié)果驗證了該算法在突出目標(biāo)并壓制背景方面的有效性。在實際應(yīng)用中，通常難以獲得高光譜影像的先驗知識，這給目標(biāo)檢測帶來了不利影響。而本文算法能夠在缺乏先驗知識的條件下實現(xiàn)高光譜影像的目標(biāo)檢測，針對高光譜影像的軍事應(yīng)用背景，無論目標(biāo)大小，本文算法都能夠提供較為穩(wěn)定的檢測效果。此外，對于缺乏先驗信息的高光譜影像，如何對檢測結(jié)果進(jìn)行有效判讀是需要進(jìn)一步研究的工作。

[1] REED I S，YU X L.Adaptive multiple-band CFAR detection of an optical pattern with unknown spectral distribution[J].IEEE Transactions on Acoustic,Speech and Signal Processing,1990,38(10):1760-1770．

[2] YU X L，REED I S，STOCKER A D.Comparative performance analysis of adaptive multispectral detectors[J].IEEE Transactions on Signal Processing,1993,41(8):2639-2656．

[3] HARSANYI J C． Detection and classification of subpixel spectral signatures in hyperspectral image sequences[D]． Maryland:University of Maryland，1993．

[4] 耿修瑞，趙永超．高光譜遙感圖像小目標(biāo)探測的基本原理[J].中國科學(xué)，2007,37(8):1081-1087．

[5] 張文希，鄭茂，李綱.基于端元提取的超光譜圖像目標(biāo)檢測算法[J].電光與控制，2010,17(8):45-48.

[6] 孫康，耿修瑞，唐海蓉，等.一種基于非線性主成分分析的高光譜圖像目標(biāo)檢測方法[J].測繪通報，2015(1):105-108.

[7] 粘永健，張志，王力寶，等．基于FastICA的高光譜圖像目標(biāo)分割[J]．光子學(xué)報，2010，39(6)：1003-1009．

[8] 趙遼英，沈銀河，厲小潤，等.基于數(shù)學(xué)形態(tài)學(xué)的高光譜圖像組合核目標(biāo)檢測[J].光學(xué)學(xué)報，2011,31(12):1-6.

[9] 凌強，黃樹彩，韋道知，等.聯(lián)合表示求解二元假設(shè)模型的高光譜目標(biāo)檢測[J].電子學(xué)報，2016,44(11):2633-2638.

[10] 廖佳俊，劉志剛，姜江軍,等.基于稀疏表示分步重構(gòu)算法的高光譜目標(biāo)檢測[J].紅外技術(shù)，2016,38(8):699-704.

[11] 鄧賢明，苗放，翟涌光，等.基于形態(tài)學(xué)的兩種高光譜目標(biāo)探測改進(jìn)算法[J].中山大學(xué)學(xué)報(自然科學(xué)版)，2017,56(1):151-160.

[12] 劉翔，張曉杰，鄭翰，等.復(fù)雜背景中紅外多光譜目標(biāo)檢測算法研究[J].上海航天，2016,33(4):56-62.

[13] CHANG C I,DU Q.Estimation of number of spectrally distinct signal sources in hyperspectral imagery[J].IEEE Transactions on Geoscience and Remote Sensing,2004,42(3):608-619.

[14] 吳波，張良培，李平湘.非監(jiān)督正交子空間投影的高光譜混合像元自動分解[J].中國影像圖形學(xué)報,2004,9(11):1392-1396.

[15] 耿修瑞．高光譜遙感圖像目標(biāo)檢測與分類技術(shù)研究[D]．北京：中國科學(xué)院遙感應(yīng)用研究所，2005．

[16] DU Q,SZU H.Interference and noise adjusted principal components analysis for hyperspectral remote sensing image compression[C]//Proceedings of SPIE.Orlando,USA:[s.n.],2006.

[17] 蘇令華，李綱，衣同勝，等.一種穩(wěn)健的高光譜圖像壓縮方法[J].光學(xué)精密工程，2007,15(10):1609-1613.

[18] RAMAKRISHNA B,WANG J,CHANG C I,et al.Spectral/spatial hyperspectral image compression in conjunction with virtual dimensionality[C]//Proceedings of the SPIE.Boston,USA:[s.n.],2005,5806:772-781.

[19] 粘永健，王展，萬建偉.面向異常檢測的高光譜圖像壓縮技術(shù)[J].國防科技大學(xué)學(xué)報，2009,31(3):48-52.

TargetDetectionAlgorithmofHyperspectralRemoteSensingImageryCombinedwithCEM

YANG Lei1, SU Linghua2, WU Baogang3, WANG Baohai4, LI Tiezhuang1

(1.Communication Sergeant School, Army Engineering University, Chongqing 400035, China; 2.Institute of Information and Navigation, Airforce Engineering University, Xi’an 710077, China; 3.Liaoyang Institute of Social Problems, Liaoyang 111000, China; 4.Shandong Xinyuan Group Limited Company, Laiyang 265200, China)

A target detection algorithm based on CEM (Constrained Energy Minimum) is proposed. The virtual dimensionality algorithm is employed to effectively estimate the number of endmembers, and the interested endmembers are extracted from hyperspectral images. MNF (Maximum Noise Fraction) is introduced for the dimensionality reduction of original images. Based on the results of virtual dimensionality, the reasonable number of principle component is selected. According to the target endmembers, an improved CEM detector is used for target detection. Experimental results show that the proposed algorithm provides better performance of target detection for hyperspectral images.

hyperspectral imagery; target detection; CEM detector; virtual dimensionality

2017-06-19

陜西省自然科學(xué)基金資助項目(2016JM4008)

楊磊(1982—)，男，碩士，講師，主要從事現(xiàn)代信號處理方面研究，E-mail:yangleicqcc@126.com。

楊磊，蘇令華，吳寶剛，等.一種結(jié)合CEM的高光譜遙感影像目標(biāo)檢測算法[J].重慶理工大學(xué)學(xué)報(自然科學(xué))，2017(12):146-150,172.

formatYANG Lei, SU Linghua, WU Baogang,et al.Target Detection Algorithm of Hyperspectral Remote Sensing Imagery Combined with CEM[J].Journal of Chongqing University of Technology(Natural Science)，2017(12):146-150,172.

10.3969/j.issn.1674-8425(z).2017.12.025

TP751.1

A

1674-8425(2017)12-0146-05

(責(zé)任編輯楊黎麗)