受昆蟲視覺啟發(fā)的多光譜遙感影像小目標檢測

黃鳳辰，李敏，石愛業(yè)，湯敏，徐立中

（1.河海大學 計算機與信息學院，江蘇 南京 210098；2.河海大學 通信與信息系統(tǒng)工程研究所，江蘇 南京 210098）

1 引言

遙感影像目標檢測技術在稀有礦藏勘測、農業(yè)病蟲害監(jiān)測、軍事目標檢測、公共安全等領域具有重要的研究意義，是實現(xiàn)遙感影像自動解譯的關鍵技術之一。自20世紀80年代末Margalit A.等人[1]首次提出利用背景和目標光譜差異檢測目標以來，現(xiàn)已形成了基于背景建模和基于空間變換兩大類經典的目標檢測算法。

基于背景建模的目標檢測算法是在全局或局部背景區(qū)域服從多元正態(tài)分布的假設下，通過背景協(xié)方差矩陣的估計獲得背景光譜分布模型，然后將不同于背景分布的像素標記為目標。典型算法是1990年 Reed I.S.等人[2]提出的恒虛警率（CFAR,constant false alarm rate）目標檢測算法，該算法已被廣泛地應用于超光譜遙感影像[3]、SAR影像[4]和普通視頻圖像[5]的目標檢測中，并獲得了較為理想的檢測效果。然而背景協(xié)方差矩陣的估計往往受到局部背景地物種類數(shù)的影響，包含較多地物種類的復雜背景通常不服從正態(tài)分布的假設，從而導致檢測虛警率的提高，而構建新的背景模型又將增加計算復雜度。此外對于背景協(xié)方差矩陣的估計還存在著計算量大、計算復雜度高等問題。

基于空間變換的目標檢測算法是以像元光譜線性混合模型（LMM, linear spectral mixture model）為基礎，通過各種空間變換方法將背景和目標分離。例如：信號子空間映射（SSP, signal subspace projection）[6]算法，奇異值分解（SVD, singular value decomposition）算法等。然而以上采用線性變換的投影算法無法獲得高維特征信息。針對該問題，基于核函數(shù)的非線性空間變換算法不斷涌現(xiàn)，主要有基于核函數(shù)的正交子空間映射法（KOSP, kernel orthogonal subspace projection）[7]、基于核函數(shù)的主成分分析法（KPCA, kernel principal component analysis）以及基于支持向量機（SVDD, support vector data description）[8]的目標檢測算法等?；诳臻g變換的目標檢測算法無需估算背景分布模型，避免了背景復雜度對檢測結果的影響，成為目前研究的熱點。但是由于缺乏地物的光譜先驗知識和對背景抑制效果的評價標準，因此無法得到最優(yōu)的目標檢測結果。

國內關于遙感影像復雜背景下的小目標檢測算法的研究主要集中在空間變換方法上，例如，2007年，尋麗娜等人[9]提出的將PCA和地物端元提取相結合的目標檢測算法；2009年，劉德連等人[10]提出的利用期望最大化方法對復雜背景進行分類從而實現(xiàn)背景復雜度抑制的目標檢測算法；2010年，張文希等人[11]針對傳統(tǒng) PCA不考慮主成分信噪比的缺點，提出的結合基于噪聲調節(jié)的PCA和OSP算法提取影像端元的算法。

可見，基于機器視覺的目標檢測算法均受到背景復雜度、光譜先驗信息等條件的約束。復雜背景的出現(xiàn)和先驗信息的缺失將導致檢測虛警率的提高。另外，隨著傳感器技術的不斷進步，遙感影像空間分辨率和光譜分辨率的不斷提高，背景復雜度增高，光譜先驗信息匱乏等問題將日益嚴重。因此，研究獨立于背景建模和先驗信息的目標檢測算法不僅是解決現(xiàn)有算法存在問題的主要途徑，也是將來有效利用高質量遙感影像的關鍵。

1985年，Egelhaaf M.等人[12]研究發(fā)現(xiàn)，昆蟲視覺系統(tǒng)的小葉板上存在一種高階神經元——小目標運動檢測（STMD, small target motion detection）神經元，并指出該神經元具有高度的非線性濾波特性，對突變信號具有高度敏感性。2008年，Wiederman S.D.等人[13]根據(jù)前人的研究成果構建了小目標檢測神經元模型。該模型中的非線性自適應機理、中心側抑制機理和相反極性相關機理可以增強目標特征，同時抑制背景紋理。

在小目標檢測神經元的啟發(fā)下，本文跳出傳統(tǒng)算法的研究思路，針對現(xiàn)有的中低分辨率水平多光譜遙感影像，提出基于局部數(shù)據(jù)分析的多光譜遙感影像小目標仿生檢測模型以及相應的目標檢測方法。該方法利用神經元的高度非線性濾波特性在抑制背景紋理特征的同時增強目標特征，無需背景建模和先驗信息實現(xiàn)目標檢測。實驗通過與多種經典目標檢測算法的比較證明，本文提出方法的自適應處理機制較好地平衡了背景復雜度與目標分辨率之間的矛盾關系，獲得了獨立于背景復雜度、低虛警率的檢測效果。

2 多光譜遙感影像小目標仿生檢測模型

2.1 小目標仿生檢測模型的基本思想

受小目標檢測神經元模型的啟發(fā)，本文提出針對多光譜遙感影像的小目標仿生檢測模型如圖1所示。該模型主要由非線性自適應、局部側抑制、相反極性通道相關等機理組成。小目標具有對比度極性相反的一對邊緣，同時出現(xiàn)概率較低。非線性自適應可以增強突變信號的幅度，即小目標的邊緣特征；而局部側抑制是對增強的突變信號進行挑選，將出現(xiàn)概率較低的突變信號保留，概率較高的紋理信號抑制；相反極性通道相關利用目標的一對相反極性邊緣相乘獲得目標檢測結果。

圖1 多光譜遙感影像小目標仿生檢測模型

2.1.1 非線性自適應機理

非線性自適應機理將出現(xiàn)概率較低、變化幅度較大的突變信號進行增強；將出現(xiàn)頻率較高、變化幅度較低的紋理信息進行抑制。以水平方向為例（垂直方向同理），對于輸入信號，其自適應機理的離散形式表示為

2.1.2 中心側抑制機理

中心側抑制機理可以增強信號之間的對比度，在非線性自適應處理之后，背景的特征信息得到抑制，而目標的特征信息則被保留。此時利用中心側抑制機理可以將保留的目標特征進行增強，從而降低檢測結果的虛警率。以 on通道為例，在領域半徑為r的局部區(qū)域中，第個像元進行處理后的on通道輸出為

考慮到小目標尺寸在水平方向或垂直方向上應在 1～2個像元范圍內，則局部區(qū)域的半徑為12r≤≤。其中ε為常數(shù)，off通道同理。

2.1.3 相反極性通道相關

高階神經元on通道和off通道分別對應了小目標的2個邊緣，將相反極性通道平移后相關即可獲得小目標的檢測結果。根據(jù)SPIE關于小目標的定義可知，小目標左右邊緣相隔 1～2個像元。對于不同類型的目標（亮目標或暗目標），選擇平移的通道極性不同。多光譜遙感影像中小目標通常具有光譜強度較高、出現(xiàn)概率較低且可近似為亮目標的特點，即，因此水平方向上信號的極性從左到右依次為on通道（亮度增加）和off通道（亮度降低）。那么，遙感影像的通道相關處理為

2.2 小目標仿生檢測模型的處理流程

小目標仿生檢測模型的信息處理流程如圖3所示。基于該模型流程，本文采用數(shù)字信號處理算法模擬3種生物學機理進行目標檢測。該模型處理流程的偽代碼如下：

圖3 多光譜遙感影像小目標仿生檢測模型處理流程

圖3中?表示2個通道的相關計算。該模型首先將同一個空間位置上不同時刻出現(xiàn)的信號按照其變化極性的不同流入不同的通道——on通道和off通道；然后利用每個通道的非線性自適應機制和中心側抑制機制實現(xiàn)背景紋理特征抑制和目標特征增強；最后將2個極性通道相乘獲得目標檢測結果。

3 實驗結果與分析

實驗1選擇2000年4月美國路易斯安那州新奧爾良地區(qū) Landsat7 ETM+遙感數(shù)據(jù)和 2008年 9月南京市玄武區(qū)Landsat5 ETM遙感數(shù)據(jù)作為研究對象，分別采用CFAR算法、基于SVD分解、基于PCA變換3種經典檢測算法與本文方法進行比較，檢測結果的虛警率采用感受性（ROC, receiver operating characteristic）曲線進行比較。實驗2仍選擇2008年9月南京玄武地區(qū)多光譜遙感影像作為研究對象，針對亞像元級目標采用本文提出的仿生復眼處理方法在不同空間分辨率下進行檢測，并通過檢測結果的 ROC曲線比較證明該算法對于亞像元級目標的敏感性。

3.1 實驗1

3.1.1 美國路易斯安那州新奧爾良地區(qū)實驗

本實驗截取美國路易斯安那州新奧爾良地區(qū)Landsat 7 ETM+遙感數(shù)據(jù)第 3波段上大小為200200×的區(qū)域如圖4(a)所示。該區(qū)域中主要是新奧爾良軍用機場附近一些建筑物和停車場。由于建筑物材料具有強反射特性，使得該區(qū)域中存在大量不同種類的光譜異常目標。為了比較不同空間分辨率下各種檢測算法的虛警率，本文采用基于最大后驗概率（MAP, maximum a posteriori）的超分辨率重構技術對多光譜遙感影像進行空間分辨率的增強。圖4為不同分辨率下的單波段影像。

圖4 新奧爾良軍用機場地區(qū)不同分辨率下多光譜遙感影像

圖5 新奧爾良軍用機場地區(qū)目標檢測結果

在不同的分辨率水平下，4種算法的檢測結果如圖 5所示。圖 5(a)～圖 5(d)為空間分辨率為200200×時，采用CFAR算法、SVD分解、PCA變換以及本文檢測方法獲得的檢測結果。圖5(e)～圖5(h)為分辨率是400400×時4種算法的檢測結果。圖5(i)～ 圖5(l)為分辨率是800 800×時4種算法的檢測結果。表1對4種算法的漏檢率進行比較。其中，CFAR和SVD算法的漏檢率隨著空間分辨率的提高而提高，CFAR算法的漏檢率從 15%提高到25%；SVD的漏檢率從30%提高到40%。PCA保持在 50%左右的漏檢率，而本文算法則保持在20%～25%之間較低的漏檢率。

表1 不同空間分辨率下4種算法漏檢率比較

圖6為該區(qū)域在不同空間分辨率下的光譜分布直方圖。由圖6可知，該地區(qū)背景光譜值的直方圖呈單調下降的偏態(tài)，大部分像元屬于低亮度區(qū)域，并且在灰度值為80左右處亮度分布出現(xiàn)高狹峰，因此該場景的背景光譜值明顯不服從高斯分布?；诖耍愿咚狗植寄Ｐ蜑榛A的 CFAR算法會在空間分辨率提高的情況下，背景復雜度增加，算法漏檢率相應提高。而PCA算法和SVD算法則需要進行場景成分分析來抑制背景特征，從而實現(xiàn)目標檢測。由于該地區(qū)的光譜分布較為均勻，在背景成分抑制中目標與背景混淆嚴重、不宜分離導致了高漏檢率的發(fā)生。

圖6 新奧爾良軍用機場地區(qū)B5波段影像直方圖

可見傳統(tǒng)的目標檢測算法對于背景分布特性的依賴性較大，在背景復雜度較高的條件下無法保證檢測結果的虛警率。而本文提出的仿生小目標檢測模型是一種基于局部數(shù)據(jù)分析的目標檢測算法，非線性自適應處理機制具有平衡空間分辨率和背景復雜度之間矛盾關系、自適應抑制背景紋理結構特征的效果。在抑制復雜背景干擾的同時獲得了低漏檢率的目標檢測效果。

3.1.2 南京玄武區(qū)實驗

截取南京玄武區(qū)多光譜遙感影像第3波段上大小為6060×的區(qū)域作為研究對象。該區(qū)域為城市的商業(yè)街區(qū)，大量的建筑物為混凝土結構，光譜吸收能力極差，反射能力極強，在遙感影像中表現(xiàn)為亮目標。但由于該區(qū)域建筑物較為密集，地物種類較少，可以滿足正態(tài)分布模型。圖7(a)為Google Earth上截取對應區(qū)域的衛(wèi)星影像作為目標位置的參照，圖7(b)～圖7(d)為不同空間分辨率下的遙感影像，圖7(e)為 3種空間分辨率下圖像的光譜分布直方圖?？梢娫搮^(qū)域影像的光譜分布存在雙峰，在亮度較低區(qū)域的單峰能量較少，亮度較高區(qū)域出現(xiàn)的單峰則近似于高斯分布模型，同時包含能量較大。

圖7 南京玄武區(qū)多光譜遙感影像

圖8為不同空間分辨率條件下各種檢測算法獲得結果的ROC曲線。如圖8所示，通過3種空間分辨率下虛警率的比較可知，CFAR算法始終保持較低水平的虛警率，而 SVD、PCA以及本文算法的虛警率則相差不大。結合該地區(qū)的光譜分布直方圖可以看出，背景光譜分布近似于高斯分布，符合CFAR算法的理論基礎，因此可以獲得較低虛警率的檢測效果。隨著空間分辨率的提高，PCA、SVD與本文算法的虛警率均有所下降，其中本文方法的虛警率下降速度最快。可見盡管目前本文算法的檢測虛警率仍高于CFAR算法，但隨著影像空間分辨率的不斷提高，背景復雜化加劇，其自適應處理優(yōu)勢將得到充分的體現(xiàn)。因此針對目前中低分辨率水平遙感影像的目標檢測，算法虛警率的降低仍有進一步研究的空間。而對于高復雜度背景條件下的目標檢測問題，本文算法具有背景自適應抑制的優(yōu)勢。

3.2 實驗2

實驗1結果表明本文提出的小目標仿生檢測模型可以獨立于背景復雜度，獲得較為穩(wěn)定的低虛警率檢測效果。考慮到空間分辨率的提高將有利于增強亞像元級目標的可識別性，實驗2將通過不同空間分辨率下亞像元級目標檢測效果的比較證明本文算法的有效性。同樣選擇南京玄武區(qū)的單波段數(shù)據(jù)作為研究對象，利用本文檢測方法在3種空間分辨率下獲得的檢測結果如圖9所示。圖9為3種空間分辨率下本文算法的檢測結果，比較3種空間分辨率下檢測結果的ROC曲線，結果如圖10所示。

圖8 南京玄武區(qū)不同空間分辨率下4種算法的虛警率比較

圖9 不同空間分辨率下亞像元級目標檢測結果

圖10 3種空間分辨率下檢測結果的ROC曲線

比較圖10，可見隨著空間分辨率的提高，檢測結果的虛警率獲得了明顯的降低。本文算法較好地利用了高空間分辨率下目標特征的可識別性，同時克服了由于分辨率的提高所產生的復雜背景問題。有利于高空間分辨率遙感影像的亞像元級目標檢測。圖10(a)中檢測窗口為10Δ=時虛警率最低；圖10(b)中檢測窗口為12Δ=時虛警率最低；圖10(c)中檢測窗口為24Δ=時虛警率最低。本文僅按照小目標尺寸的定義結合空間分辨率的提高倍數(shù)選擇窗口尺寸，不同的窗口對應著不同的虛警率?？梢娫谔囟臻g分辨率條件下，局部窗口尺寸也是影響虛警率的關鍵參數(shù)之一。

4 結束語

本文在昆蟲視覺系統(tǒng)中小目標神經元非線性濾波特性的啟發(fā)下，提出了針對多光譜遙感影像的小目標仿生檢測模型以及相應的目標檢測方法。相比傳統(tǒng)的目標檢測算法，本文提出的方法可以獨立于背景復雜度和先驗信息，自適應地抑制背景紋理特征并增強目標的邊緣特征，獲得低虛警率的目標檢測效果。另外實驗中采用多種空間分辨率的場景檢測結果進行比較，證明了該算法可以較好地平衡空間分辨率與背景復雜度之間的矛盾關系。本文方法具有檢測原理簡單，易于實現(xiàn)等特點。但是由于空間分辨率的增強與局部檢測窗口尺寸選擇有關，因此探討如何選擇合適的檢測窗口獲得低虛警率檢測效果是下一步研究的重點。

[1]MARGALIT A, REED I S, GAGLIARDI R M.Adaptive optical target detection using correlated images[A].IEEE Transactions on Aerospace and Electronic Systems[C].1985.394-405.

[2]REED I S, YU X.Adaptive multiple-band CFAR detection of anoptical pattern with unknown spectral distribution[J].IEEE Transaction on Acoustics, Speech and Signal Processing, 1990,38(10): 1760-1770.

[3]HUCK A, GUILLAUME M.Asymptotically CFAR-unsupervised target detection and discrimination in hyperspectral images with anomalous-component pursuit[J].IEEE Transactions on Geoscience and Remote Sensing, 2010, 48(11): 3980-3992.

[4]GAO G, LIU L, ZHAO L,et al.An adaptive and fast CFAR algorithm based on automatic censoring for target detection in high-resolution SAR images[J].IEEE Transactions on Geoscience and Remote Sensing, 2009, 47(6):1685-1697.

[5]王博, 劉德連, 張建奇.基于背景移除的時域目標檢測[J].通信學報, 2009, 30(7):67-72.WANG B, LIU D L, ZHANG J Q.Temporal filtering for target detection algorithm based on static background elimination[J].Journal on Communications, 2009, 30(7): 67-72.

[6]ACITO N, DIANI M, CORSINI G A.New algorithm for robust estimation of the signal subspace in hyperspectral images in the presence of rare signal components[J].IEEE Transactions on Geoscience and Remote Sensing, 2009, 47(11):3844-3856.

[7]CAPOBIANCO L, GARZELLI A, CAMPS-VALLS G.Target detection with semisupervised kernel orthogonal subspace projection[J].IEEE Transactions on Geoscience and Remote Sensing, 2009, 47:3822-3833.

[8]VASILIS A, PETER W, MICHAEL G.Anomaly detection through a bayesian support vector machine[J].IEEE Transactions on Geoscience and Remote Sensing, 2010, 59(2):277-287.

[9]尋麗娜, 方勇華, 李新.高光譜圖像中基于端元提取的小目標檢測算法[J].光學學報, 2007, 27(7):1178-1182.XUN L N, FANG Y H, LI C.A small target detection approach based on endmember extraction in hyperspectral image[J].Acta Optica Sinica, 2007, 27(7):1178-1182.

[10]劉德連, 王博, 張建奇.期望最大化聚類的高光譜亞像素目標檢測[J].西安電子科技大學學報, 2009, 36(3): 512-516.LIU D L, WANG B, ZHANG J Q.Hyperspectral subpixel target detection approach based on expectation-maximization cluster[J].Journal of Xidian University, 2009, 36(3): 512-516.

[11]張文希, 鄭茂, 李綱.基于端元提取的超光譜圖像目標檢測算法[J].電光與控制, 2010, 17(8):45-49.ZHANG W X, ZHENG M, LI G.An endmember extraction based target detection algorithm for hyperspectral image[J].Electronics Optics& Control, 2010, 17(8):45-49.

[12]EGELHAAF M.On the neuronal basis of figure-ground discrimination by relative motion in the visual system of the fly II Figure-detection cells, a new class of visual interneurones[J].Biol Cybern,1985, 52: 195-209.

[13]WIEDERMAN S D, SHOEMAKER P A, O'CARROLL D C.A model for the detection of moving targets in visual clutter inspired by insect physiology[J].PLoS One, 2008, 3(7): 2784.