摘 要： 目標(biāo)檢測(cè)是高光譜遙感領(lǐng)域一個(gè)重要研究方向，其在礦物勘探和國(guó)防偵查等領(lǐng)域都有著廣泛的應(yīng)用。簡(jiǎn)明、系統(tǒng)地介紹了高光譜圖像目標(biāo)檢測(cè)中的一些關(guān)鍵算法及其在實(shí)際應(yīng)用中存在的問題，并對(duì)未來發(fā)展方向進(jìn)行了展望。
關(guān)鍵詞： 高光譜圖像；目標(biāo)檢測(cè)；背景模型
0 引言
高光譜遙感是近年來隨著遙感技術(shù)發(fā)展起來的一種信息獲取技術(shù)。成像光譜儀可以同時(shí)獲取可見光到近紅外區(qū)域內(nèi)數(shù)百個(gè)近乎連續(xù)的波段內(nèi)地物的反射信息，使得高光譜圖像在具有空間信息的同時(shí)也含有豐富的光譜信息，而光譜特征是不同物質(zhì)所固有的，利用圖像中的光譜信息可以有效地區(qū)分場(chǎng)景中的不同物質(zhì)。充分利用光譜信息和空間信息，可以更精確地檢測(cè)出場(chǎng)景中的目標(biāo)。隨著高光譜遙感技術(shù)的發(fā)展，高光譜圖像目標(biāo)檢測(cè)技術(shù)得到了廣泛的使用，并在礦物勘探、農(nóng)業(yè)、環(huán)境監(jiān)測(cè)以及國(guó)防情報(bào)等領(lǐng)域發(fā)揮著越來越重要的作用[1]。
從理論上講，高光譜圖像目標(biāo)檢測(cè)實(shí)際上是一個(gè)二分問題：將圖像中的像元標(biāo)記為目標(biāo)或背景。在給定目標(biāo)先驗(yàn)知識(shí)的情況下可以根據(jù)光譜信息和空間信息實(shí)現(xiàn)圖像中目標(biāo)的判別。經(jīng)過十多年的發(fā)展，高光譜圖像目標(biāo)檢測(cè)算法已經(jīng)由最初的僅僅利用單一信息檢測(cè)，逐漸向著空譜信息聯(lián)合利用的方向發(fā)展。本文從高光譜圖像信息的利用層次入手，系統(tǒng)回顧高光譜圖像目標(biāo)檢測(cè)中的關(guān)鍵算法，同時(shí)簡(jiǎn)要介紹和討論基于線性光譜信息的檢測(cè)算法、基于非線性光譜信息的檢測(cè)算法以及空譜信息聯(lián)合的檢測(cè)算法。
1 高光譜圖像目標(biāo)檢測(cè)算法
1.1 基于線性光譜信息的檢測(cè)算法
基于線性光譜信息的檢測(cè)算法主要是利用線性信號(hào)處理等方法對(duì)高光譜數(shù)據(jù)進(jìn)行處理，從復(fù)雜的背景中檢測(cè)出微弱的目標(biāo)信號(hào)。根據(jù)背景模型構(gòu)建方式，它又可分為基于概率統(tǒng)計(jì)模型的檢測(cè)方法和基于子空間模型的檢測(cè)方法。
?。?）基于概率統(tǒng)計(jì)模型的檢測(cè)方法
基于概率統(tǒng)計(jì)模型的檢測(cè)方法通過構(gòu)建高光譜數(shù)據(jù)概率統(tǒng)計(jì)模型，結(jié)合目標(biāo)的先驗(yàn)知識(shí)達(dá)到目標(biāo)檢測(cè)的效果。基于概率統(tǒng)計(jì)背景模型的檢測(cè)算法主要有光譜匹配濾波[2]（Spectral Matched Filter，SMF）算法、自適應(yīng)余弦估計(jì)[3]（Adaptive Cosine Estimator，ACE）算法以及約束能量最小化[4]（Constrained Energy Minimization，CEM）算法等。
SMF算法是一種基于廣義似然比的恒虛警率檢測(cè)算法，在簡(jiǎn)單的背景下具有較好的檢測(cè)效果。但對(duì)子像元目標(biāo)，需要已知目標(biāo)信號(hào)的豐度，在實(shí)際應(yīng)用中具有很大的限制。ROBEY F C等人在原有SMF算法的基礎(chǔ)上提出了未知目標(biāo)豐度的自適應(yīng)匹配濾波[5]（Adaptive Matched Filter，AMF）算法。KRAUT S等人對(duì)目標(biāo)噪聲和背景噪聲協(xié)方差矩陣加上不同的權(quán)重因子提出了ACE算法。
CEM算法是設(shè)計(jì)一個(gè)在目標(biāo)信號(hào)約束下使得整體能量輸出最小的濾波器，突出目標(biāo)信息，抑制背景信息，實(shí)現(xiàn)目標(biāo)檢測(cè)效果。CEM對(duì)圖像中的小目標(biāo)有較好的檢測(cè)效果，但對(duì)大目標(biāo)檢測(cè)效果不佳。為此耿修瑞等人對(duì)CEM改進(jìn)得到了加權(quán)自相關(guān)矩陣的CEM[6]（Weighted Correlation Matrix CEM，WCM-CEM）算法。
為了克服場(chǎng)景復(fù)雜性差異、異常及目標(biāo)信號(hào)對(duì)背景模型參數(shù)估計(jì)的影響，研究人員在原有算法的基礎(chǔ)上進(jìn)行了許多改進(jìn)來提高算法的魯棒性。劉凱等人通過對(duì)高光譜圖像分割處理，將高光譜圖像分割成多個(gè)均質(zhì)背景子類，然后利用局部背景進(jìn)行背景參數(shù)估計(jì)進(jìn)而對(duì)目標(biāo)進(jìn)行檢測(cè)[7]。THEILER J等人提出一種基于目標(biāo)信號(hào)修正的協(xié)方差矩陣估計(jì)方法[8]。BASENER W F先將可能的異常像元去除，然后用余下的背景數(shù)據(jù)估計(jì)背景協(xié)方差矩陣[9]，從而提升參數(shù)估計(jì)的準(zhǔn)確性。THEILER J等人將稀疏矩陣變換（Sparse Matrix Transform，SMT）等[10]優(yōu)化的協(xié)方差矩陣求解辦法應(yīng)用到高光譜圖像目標(biāo)檢測(cè)中來，從而提升算法的魯棒性。
（2）基于子空間模型的檢測(cè)算法
基于子空間模型的高光譜圖像目標(biāo)檢測(cè)算法主要有Chang課題組的子空間投影算法和Manolakis課題組的子空間匹配算法。
正交子空間投影[11]（Orthogonal Subspace Projection，OSP）算法具有實(shí)現(xiàn)容易、計(jì)算代價(jià)小等優(yōu)點(diǎn)，但是目標(biāo)信號(hào)的豐度信息事先難以獲得。特征子空間投影[12]（Signature Subspace Projection，SSP）算法可以有效解決這個(gè)問題，通過向特征子空間方向投影得到目標(biāo)信號(hào)和背景的豐度信息，然后根據(jù)OSP原理實(shí)現(xiàn)目標(biāo)檢測(cè)效果。斜子空間投影[13]（Oblique Subspace Projection，OBSP）算法利用非正交背景和目標(biāo)子空間構(gòu)造投影算子，提升檢測(cè)精度。非監(jiān)督向量量化目標(biāo)子空間投影[14]（Unsupervised Vector Quantization-based Target Subspace Projection，UVQTSP）算法通過非監(jiān)督向量量化得到背景的特征光譜，不需要預(yù)先知道背景信息，使得算法的適用性增強(qiáng)。
Manolakis在線性混合模型的基礎(chǔ)上得到匹配子空間檢測(cè)器[15]（Matched Subspace Detector，MSD）。MSD以結(jié)構(gòu)化的背景模型為基礎(chǔ)，在噪聲未知的情況下，利用廣義似然比來構(gòu)造檢測(cè)器。HEINZ D C等人根據(jù)像元的線性解混分析方法構(gòu)造了基于約束最小二乘法的檢測(cè)方法[16]。杜博等人結(jié)合上述兩種算法的優(yōu)點(diǎn)，提出基于最小二乘分解的自適應(yīng)匹配子空間目標(biāo)檢測(cè)方法[17]，在自適應(yīng)子空間檢測(cè)的基礎(chǔ)上結(jié)合具有實(shí)際物理意義的豐度信息實(shí)現(xiàn)目標(biāo)檢測(cè)。
1.2 基于非線性光譜信息的檢測(cè)算法
前面介紹的檢測(cè)算法只利用了高光譜圖像數(shù)據(jù)的二階統(tǒng)計(jì)特征，完全忽略了對(duì)判別也至關(guān)重要的大量非線性信息。為了更好地描述高光譜圖像的復(fù)雜特征，核方法和流形學(xué)習(xí)等非線性方法被用到了高光譜圖像目標(biāo)檢測(cè)中。通過更加復(fù)雜的模型構(gòu)建，充分利用圖像中的非線性信息，從而更好地分離背景與目標(biāo)信息，提高目標(biāo)的檢測(cè)精度。
KWON H等人將現(xiàn)有的SMF、MSD、SSP等線性檢測(cè)算法通過核方法擴(kuò)展到它們對(duì)應(yīng)的非線性版本[18-20]，充分利用高光譜圖像數(shù)據(jù)中非線性信息提高檢測(cè)效果。參考文獻(xiàn)[18]詳細(xì)介紹了基于核空間的高光譜圖像目標(biāo)檢測(cè)算法，并將其性能與傳統(tǒng)目標(biāo)檢測(cè)算法進(jìn)行了比較。相對(duì)于傳統(tǒng)算法，核化的檢測(cè)算法在檢測(cè)性能上有了顯著的提升。然而，目前核方法中普遍使用高斯徑向基核函數(shù)，沒有一個(gè)指導(dǎo)性的核函數(shù)選取規(guī)則。Zhang Lefei等人將流行學(xué)習(xí)的方法應(yīng)用到高光譜目標(biāo)檢測(cè)中[21]，利用監(jiān)督的稀疏變換流形嵌入框架實(shí)現(xiàn)高光譜圖像的降維，再在降維后的空間中通過計(jì)算目標(biāo)特征向量的最近鄰實(shí)現(xiàn)目標(biāo)檢測(cè)。
1.3 空譜信息聯(lián)合的目標(biāo)檢測(cè)算法
目前國(guó)內(nèi)外學(xué)者對(duì)高光譜圖像目標(biāo)檢測(cè)的研究重點(diǎn)主要集中在上文所介紹的基于圖像光譜特征信息的目標(biāo)檢測(cè)方法上，沒有利用高光譜圖像中的空間結(jié)構(gòu)信息。充分利用高光譜圖像中的空間信息和光譜信息，將二者的優(yōu)點(diǎn)結(jié)合起來進(jìn)行目標(biāo)檢測(cè)是需要重視的問題[22]。
CAPOBIANCO L等人提出了一種基于組合核函數(shù)的上下文信息結(jié)合的KOSP（Kernel-OSP）方法[23]，將像元空間鄰域信息應(yīng)用到目標(biāo)檢測(cè)中來。趙遼英等人提出了一種基于形態(tài)學(xué)的組合核正交投影算法[24]，將空間信息和光譜信息構(gòu)造組合核實(shí)現(xiàn)高維特征空間的特征子空間投影算法。趙春暉等人構(gòu)造待測(cè)像元及其4-鄰域像元的平滑稀疏表示和聯(lián)合稀疏表示模型實(shí)現(xiàn)檢測(cè)的效果[25]。Zhang Lefei等人提出了一種基于張量學(xué)習(xí)機(jī)的高光譜圖像目標(biāo)檢測(cè)方法[26]，將以向量作為輸入的監(jiān)督學(xué)習(xí)方法SVM擴(kuò)展成為以向張量作為輸入的張量學(xué)習(xí)機(jī)，取得了較好的目標(biāo)探測(cè)效果。
2 問題分析與展望
為了從高光譜圖像復(fù)雜的背景中檢測(cè)出微弱的目標(biāo)信號(hào)，許多統(tǒng)計(jì)信號(hào)處理以及機(jī)器學(xué)習(xí)領(lǐng)域的新技術(shù)被用到了高光譜圖像目標(biāo)檢測(cè)中，通過更加復(fù)雜準(zhǔn)確的背景描述來提高目標(biāo)的檢測(cè)效果。然而，由于高光譜圖像數(shù)據(jù)比較大，訓(xùn)練數(shù)據(jù)量較少以及光譜差異性等因素的影響，高光譜目標(biāo)檢測(cè)在實(shí)際應(yīng)用時(shí)仍存在許多問題。
?。?）目標(biāo)光譜信息通常是從光譜庫(kù)中獲得，這些光譜信息都是直接在實(shí)驗(yàn)室中采集的。高光譜圖像在成像過程中受到大氣、光照以及周圍環(huán)境等復(fù)雜外界因素的影響，會(huì)導(dǎo)致圖像中的目標(biāo)信號(hào)和光譜庫(kù)中的目標(biāo)信號(hào)存在一定的差異。如何準(zhǔn)確地分析高光譜圖像采集時(shí)外界因素的影響，將目標(biāo)光譜信息和圖像中的光譜信息轉(zhuǎn)換到同等條件下是檢測(cè)結(jié)果準(zhǔn)確性的關(guān)鍵。
?。?）高光譜圖像既包括空間信息又包括光譜信息，然而目前的檢測(cè)方法大多數(shù)都只利用光譜信息，對(duì)圖像的空間信息利用很少。充分利用高光譜圖像中包含的各種信息，實(shí)現(xiàn)空間信息和光譜信息聯(lián)合處理的目標(biāo)檢測(cè)方法也應(yīng)是一個(gè)需要重視的問題。
（3）高光譜圖像的數(shù)據(jù)量比較大，數(shù)據(jù)處理的壓力比較大。在實(shí)際應(yīng)用中對(duì)檢測(cè)結(jié)果的實(shí)時(shí)性要求比較高，如何利用算法優(yōu)化、并行計(jì)算、硬件加速等方法實(shí)現(xiàn)實(shí)時(shí)的檢測(cè)結(jié)果也是非常重要的。
3 結(jié)論
本文從高光譜圖像信息利用層次方面對(duì)高光譜圖像目標(biāo)檢測(cè)算法進(jìn)行了簡(jiǎn)要的介紹。針對(duì)大量的高光譜圖像目標(biāo)檢測(cè)應(yīng)用場(chǎng)景，研究學(xué)者采用線性概率分布和子空間、非線性核方法和流形學(xué)習(xí)以及空間和光譜聯(lián)合表示等背景模型構(gòu)建方法提出了各種各樣的檢測(cè)方法。然而，實(shí)際高光譜圖像數(shù)據(jù)是非常復(fù)雜的，自然結(jié)構(gòu)和人造結(jié)構(gòu)相互組合使得高光譜圖像高度不平滑。各種背景模型在描述實(shí)際背景時(shí)都會(huì)存在一定的偏差。盡管已有算法在理論實(shí)驗(yàn)中都有較好的檢測(cè)效果，但是并沒有一種算法對(duì)任何場(chǎng)景都可以得到滿意的檢測(cè)結(jié)果，每種算法都有一定的使用限制。所以探索更加高效的、魯棒性強(qiáng)的檢測(cè)算法，形成成熟的目標(biāo)檢測(cè)體系仍是研究的重點(diǎn)。
參考文獻(xiàn)
[1] MANOLAKIS D， TRUSLOW E， PIEPER M， et al. Detection algorithms in hyperspectral imaging systems： an overview of practical algorithms[J]. Signal Processing Magazine， IEEE， 2014，31（1）：24-33.
[2] MANOLAKIS D G， SHAW G A， KESHAVA N. Comparative analysis of hyperspectral adaptive matched filter detectors[C]. AeroSense 2000， International Society for Optics and Photonics， 2000：2-17.
[3] KRAUT S， SCHARF L L， BUTLER R W. The adaptive coherence estimator： a uniformly most-powerful-invariant adaptive detection statistic[J]. IEEE Transactions on Signal Processing， 2005，53（2）：427-438.
[4] HARSANYI J C. Detection and classification of subpixel spectral signatures in hyperspectral image sequences[D]. University of Maryland Baltimore County， 1993.
[5] ROBEY F C， FUHRMANN D R， KELLY E J， et al. A CFAR adaptive matched filter detector[J]. IEEE Transactions on Aerospace and Electronic Systems， 1992，28（1）： 208-216.
[6] 耿修瑞，趙永超.高光譜遙感圖像小目標(biāo)探測(cè)的基本原理[J].中國(guó)科學(xué)（D輯），2007，37（8）：1081-1087.
[7] 劉凱，張立福，楊杭，等.面向?qū)ο蠓治龅姆墙Y(jié)構(gòu)化背景目標(biāo)高光譜探測(cè)方法研究[J].光譜學(xué)與光譜分析，2013，33（6）：1653-1657.
[8] THEILER J， FOY B R. Effect of signal contamination in matched-filter detection of the signal on a cluttered background[J]. Geoscience and Remote Sensing Letters， IEEE， 2006，3（1）：98-102.
[9] BASENER W F. Clutter and anomaly removal for enhanced target detection[C]. SPIE Defense， Security， and Sensing， International Society for Optics and Photonics， 2010， 769525.
[10] THEILER J， CAO G， BACHEGA L R， et al. Sparse matrix transform for hyperspectral image processing[J]. IEEE Journal of Selected Topics in Signal Processing， 2011， 5（3）：424-437.
[11] REN H， CHANG C I. Automatic spectral target recognition in hyperspectral imagery[J]. IEEE Transactions on Aerospace and Electronic Systems，2003，39（4）：1232-1249.
[12] TU T M， CHEN C H， CHANG C I. A least squares orthogonal subspace projection approach to desired signature extraction and detection[J]. IEEE Transactions on Geoscience and Remote Sensing， 1997，35（1）：127-139.
[13] TU T M， SHYU H C， LEE C H， et al. An oblique subspace projection approach for mixed pixel classification in hyperspectral images[J]. Pattern Recognition， 1999，32（8）：1399-1408.
[14] BRUMBLEY C， CHANG C I. An unsupervised vector quantization-based target subspace projection approach to mixed pixel detection and classification in unknown background for remotely sensed imagery[J]. Pattern Recognition， 1999，32（7）：1161-1174.
[15] SCHARF L L， FRIEDLANDER B. Matched subspace detectors[J]. IEEE Transactions on Signal Processing， 1994， 42（8）： 2146-2157.
[16] HEINZ D C， CHANG C I. Fully constrained least squares linear spectral mixture analysis method for material quantification in hyperspectral imagery[J]. IEEE Transactions on Geoscience and Remote Sensing， 2001，39（3）：529-545.
[17] 杜博，鐘燕飛，張良培，等.一種自適應(yīng)匹配子空間亞像元目標(biāo)探測(cè)方法[J].遙感學(xué)報(bào)，2009，13（4）：597-603.
[18] KWON H， NASRABADI N M. A comparative analysis of kernel subspace target detectors for hyperspectral imagery[J]. EURASIP Journal on Advances in Signal Processing， 2007， 29250.
[19] KWON H， NASRABADI N M. Kernel spectral matched filter for hyperspectral imagery[J]. International Journal of Computer Vision， 2007，71（2）：127-141.
[20] 趙遼英，張凱，厲小潤(rùn).高光譜圖像目標(biāo)檢測(cè)的核信號(hào)空間正交投影法[J].遙感學(xué)報(bào)，2011，15（1）：13-28.
[21] Zhang Lefei， ZHANG L， TAO D， et al. Sparse transfer manifold embedding for hyperspectral target detection[J]. IEEE Transactions on Geoscience and Remote Sensing， 2014，52（2）：1030-1043.
[22] 孫林，鮑金河，劉一超.高光譜圖像目標(biāo)檢測(cè)算法分析[J].測(cè)繪科學(xué)，2012，37（001）：131-132.
[23] CAPOBIANCO L， CAMPS-VALLS G. Target detection with a contextual kernel orthogonal subspace projection[C]. SPIE Defense， Security， and Sensing， International Society for Optics and Photonics， 2008： 71090D.
[24] 趙遼英，沈銀河，厲小潤(rùn)，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(cè)[J].光學(xué)學(xué)報(bào)，2012，31（12）：269-274.
[25] 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.
[26] Zhang Lefei， ZHANG L， TAO D. Tensor-based learning machine for remotely sensed image target detection[J]. Journal of Remote Sensing， 2010，14（3）：519-533.