一種新的空譜聯合稀疏高光譜目標檢測方法

宋義剛,吳澤彬,2,3,孫樂,劉建軍,韋志輝,3

(1.南京理工大學計算機科學與工程學院,江蘇 南京 210094;2.南京理工大學連云港研究院,江蘇 連云港 222006; 3.江蘇省光譜成像與智能感知重點實驗室,江蘇 南京 210094)

一種新的空譜聯合稀疏高光譜目標檢測方法

宋義剛1,吳澤彬1,2,3,孫樂1,劉建軍1,韋志輝1,3

(1.南京理工大學計算機科學與工程學院,江蘇 南京 210094;2.南京理工大學連云港研究院,江蘇 連云港 222006; 3.江蘇省光譜成像與智能感知重點實驗室,江蘇 南京 210094)

目標檢測是高光譜數據處理的重要應用之一,高光譜圖像中空間和光譜信息的充分利用對于目標檢測率的有效提升非常關鍵。提出一種新的聯合稀疏表示的目標檢測方法,將混合范數理論和算法應用于高光譜目標檢測,在聯合高光譜圖像空間和光譜信息的基礎上,建立了基于聯合稀疏性約束的混合范數正則化數學模型,并利用交替方向乘子法對模型進行了優化求解。仿真實驗結果表明,該方法能有效提高高光譜目標檢測的準確性,降低虛警率。

信息處理技術;高光譜圖像;目標檢測;混合范數;聯合稀疏性;交替方向乘子法

0 引言

高光譜遙感圖像具有較高的光譜分辨率,能從可見光到紅外光譜區域獲取大量非常窄并且光譜連續的遙感圖像數據。高光譜圖像不僅僅能獲得空間維度信息,更重要的是能夠獲得更精細的光譜維度信息。由于不同地物在不同的波段上的反射率不一樣,這就導致不同地物的光譜曲線有所差別,正是這一點使得高光譜數據在地物分類和目標檢測方面有著其他數據(如彩色遙感)等所無法比擬的優勢。然而,由于高光譜儀器的空間分辨率較低,使得獲取到的高光譜數據中純凈的像元很少存在,大部分的像元是以混合形態(即混合像元)存在。混合像元的目標檢測和識別是提高遙感應用的關鍵技術之一。而單純的從光譜信息出發很難進行混合像元的檢測。

目標檢測可以看成是一種二類分類問題,其將未知的待檢測像元根據其不同的光譜特性分為目標(目標存在)或者背景(目標不存在)。在高光譜目標檢測方面,許多學者已經提出了很多的算法[1]。在這些算法中,國際上最常見并被廣泛使用的有光譜匹配濾波(SMF)[2-3]、匹配子空間檢測器(MSD)[4]和自適應的子空間檢測器(ASD)[5].除此之外,支持向量機(SVM)[6-7]在分類方面的廣泛應用確定了其在高光譜目標檢測方面也具有很好的應用,并得到了很好的檢測結果[8]。在國內,高光譜目標檢測的研究相對較少,但是也取得了一定的成果。例如,成寶芝等[9]將高光譜解混引入到基于支持向量數據描述(SVDD)算法的異常檢測問題中,實現了高光譜圖像復雜背景信息和目標信息的分離,得到了很好的檢測效果;尹繼豪等[10]基于多目標約束能量最小化,以及和約束能量最小化算法提出了一種改進的多個小目標檢測算法,取得了很好的檢測效果;詳細進展可參閱文獻[11-13].

稀疏表示理論是近期應用到高光譜目標檢測領域的比較新穎的方法[14-15]。它主要基于這一事實:同一類的高光譜像元都近似位于相同的低維子空間中。對于一個未知的待檢測像元可以由少數幾個訓練樣本(字典)線性稀疏表示,其稀疏表示的系數就包含有對應的類別信息。為了包含高光譜圖像的空間維信息(即相鄰的像元屬于同一類別的概率較大),聯合稀疏性模型被引入到高光譜目標檢測中來,其通過同時將待檢測目標像元與其相鄰像元在相同的訓練樣本(字典)中進行稀疏表示,使得待檢測目標像元與其鄰域像元在字典中的稀疏表示系數的支撐集相同,即他們由盡量少的相同的字典原子線性表示。這樣,就使得原先無法通過光譜信息進行檢測的單一像元,通過結合其鄰域像元的光譜分解信息得以確定其究竟是屬于目標像元還是背景像元,這就很好地降低了混合像元的檢測難度,使得目標檢測的結果更精確。基于上述原理,本文提出了聯合光譜維信息和空間維信息的聯合稀疏表示目標檢測模型,并利用交替乘子方向法求解所提出的模型。

1 目標檢測稀疏表示模型

式中:Db和Dt分別為背景和目標的訓練樣本組成的子字典;D則為包含所有類別的訓練樣本組成的結構化字典;α為待檢測像元y在字典D中的稀疏表示系數向量;αb和αt分別為y在背景字典Db和目標字典Dt中的稀疏表示系數向量。這一稀疏向量α可以通過求解下面這一優化問題得到:

式中:‖α‖0表示向量α的非零系數的個數(也稱稀疏程度);K0是給定的某一個稀疏程度的上界。問題(2)式是個非確定性多項式(NP)難問題,其精確解很難求得,通常情況下可以通過貪婪算法來近似求解,如正交匹配追蹤(OMP)算法。最后,待檢測信號y的類別通過比較重構的殘差來決定:和

對于預先給定的閾值δ,如果Detector(y)＞δ,那么y被認為是目標,否則,y被認為是背景。

2 空譜聯合稀疏目標檢測模型

在高光譜圖像中,通常相同類別的地物在空間上的分布成聚類特性。即,相鄰的地物屬于同一類的概率較大。所以,相鄰的光譜曲線具有很強的相關性,這一點在高光譜目標識別方面已經得到了驗證[15-16]。因此,可以假設相鄰像元的光譜曲線在同一字典下的稀疏表示系數具有相同的稀疏模式。設{yt}t=1,2,…,T是以y1為中心像元的空間鄰域,那么,

式中:{αt}t=1,2,…,T具有相同的支撐集 Λ,即非零系數所在的行相同。那么,S將是一個行稀疏矩陣,其非零行的個數為|Λ|.S可以通過求解下述優化問題得到:

式中:‖S‖row-0表示矩陣S中非零系數對應的行數。優化問題(7)式是個NP難問題,求解困難,通常用貪婪算法近似求解,如聯合正交匹配追蹤法(SOMP).為了使問題簡化,將問題(7)式松弛為無約束的l1,2混合范數約束的正則化問題,如下:

這一混合范數正則項可以約束稀疏系數矩陣S具有行稀疏性質。在模型(8)式下,最后目標檢測的分類器為

本文利用交替方向乘子法(ADMM)來求解模型(8)式,這一算法被廣泛應用于圖像處理,壓縮感知等領域[17],用來求解類似模型。

通過引入變量V1=DS,V2=S,以及拉格朗日乘子U1和U2,得到模型(8)式的增廣拉格朗日方程為

基于ADMM算法的空譜聯合稀疏高光譜目標檢測算法(l1,2ADMM算法),具體流程如下:

8)迭代次數t=t+1;

9)滿足終止條件,輸出行稀疏矩陣S,否則,返回2.

l1,2ADMM算法給出了各個變量的求解模型,其中S和V1是個簡單的二次規劃問題,其解很容易求得。對于變量V2,其對應的優化問題為

這一問題的解是一個向量軟閾值,詳見文獻[18]。其具體解的形式為

3 仿真實驗結果與比較

為了驗證所提算法的有效性,共使用兩幅高光譜數據進行仿真實驗,這兩幅圖像數據如圖1所示,圖中顯示的是兩幅圖像第10個波段的灰度圖像。

1)第1幅數據為模擬數據。該數據大小為30× 30像素,包含了6個目標,大小分別為3×3像素, 4×4像素和5×5像素各兩個,目標排列如圖1(a)所示。該圖像包含了200個波段的高光譜數據。該圖像構成如下:從仿真數據第2幅圖像中的所有第9類地物像元中,隨機選擇100個像元,按照圖1(a)中的目標位置進行排列,再從其他剩余的類別地物中隨機選擇800個像元排列在目標像元周圍,構成這一大小為30×30像素的共900個像元的模擬圖像數據。

2)第2幅高光譜圖像數據采用航空可見/紅外成像光譜儀(AVIRIS)于1992年6月采集的高光譜數據集Indian Pines,該數據包含0.2～2.4 μm范圍內的220個波段,圖像的光譜分辨率為10 nm,空間分辨率為20 m,圖像空間維大小為145×145像元,在實驗中,去除了20個水汽吸收波段以及信噪比較差的波段,剩余200個有效波段(其第10個波段的灰度圖如圖1(b)所示)。

圖1 仿真實驗數據(波段10)Fig.1 Experimental data sets(band 10)

為了進行實驗對比,選擇了常用的目標檢測算法,如匹配濾波(MF)和標記/自適應余弦估計(ACE/S-ACE)[19]、約束能量最小(CEM)和正交子空間投影算法(OSP)[20]、廣義的似然測試比算法(GLTR)[21]、混合的非結構檢測器(HUD)[22]、自適應的子空間匹配檢測器(AMSD)[23],以及最近提出的稀疏表示相關的方法[15-16],如 l1正則化的稀疏表示方法(記作SR)和4-鄰域平滑稀疏表示方法(記作SR-S),而本文提出的算法記作l1,2ADMM方法。

為了驗證l1,2ADMM算法的有效性,在仿真實驗中,首先使用模擬數據進行實驗,在該實驗中,利用圖像左上角的10×10像素共100個像元的光譜作為字典,其中包含背景像元91個,目標像元9個。仿真實驗檢測結果如圖2所示(實驗中檢測閾值設定為δ=1)。

為了更充分地顯示檢測結果,將稀疏表示相關的3種檢測器的輸出進行三維顯示,如圖3所示。

從模擬數據實驗中可以看出,基于稀疏表示理論的高光譜圖像目標檢測方法較傳統的方法具有較大的優勢,都能有效地檢測到目標的位置,然而在檢測的準確性上,原始的稀疏表示模型進行檢測的結果較包含空間信息(如本文提出的方法以及SR-S方法)的方法要好,分析原因可能是模擬數據的目標邊界過于明顯,無法反映出大尺度下遙感數據的鄰域信息相互融合的本質。

圖2 模擬數據檢測結果Fig.2 Detection results on simulated data set

接下來,利用真實的高光譜數據進行算法的有效性驗證。IndianPines圖像內共包含16種不同的地物,選取第3類地物作為目標,其他類作為背景。在實驗中,分別從目標類別中隨機選取50個像元構成目標子字典,從背景中隨機選取900個像元構成背景子字典。

圖3 模擬數據檢測器輸出的三維顯示Fig.3 3-D plots of the Detector outputs on simulated data set

圖4給出了所有對比方法在Indian Pines數據集上的實驗結果。為了更充分地顯示結果,圖5給出了SR、本文方法l1,2ADMM以及SR-S三種檢測器輸出的三維圖示。

圖6給出了各個算法在真實高光譜數據上的接收機工作特性(ROC)曲線,其中Pd定義為檢測到的真實目標像素數目與地面真實目標像素數目的比值;Pf定義為檢測到的虛警像素數目同整幅圖像像素數目總和的比值。從ROC曲線中可以看出本文算法對高光譜圖像目標檢測的有效性和準確性是最好的。

圖4 Indian Pines圖像的各種算法目標檢測結果Fig.4 Detection results of different methods on Indian Pines data set

仿真數據實驗結果表明,稀疏表示的方法對高光譜目標檢測具有很好的效果,而且,原始的稀疏表示方法和4-鄰域平滑稀疏表示方法較本文提出的方法在目標檢測的準確性上要好,然而真實數據實驗表明,本文基于空譜聯合稀疏性約束的方法在空間分辨率較低的情況下具有更高的目標檢測精度。

圖5 SR,l1,2ADMM和SR-S的檢測器結果三維顯示Fig.5 3-D plots of SR,l1,2ADMM and SR-S detector

圖6 真實高光譜數據實驗中各個檢測器的ROC曲線對比Fig.6 The ROC curves of different methods on real hyperspectral data set

4 結論

通過對基于混合范數正則化約束的聯合稀疏表示模型的研究,建立基于聯合稀疏性正則化的高光譜空譜聯合的目標檢測模型。該模型的建立為光譜維和空間維信息聯合進行高光譜目標檢測問題的解決提供了一個有效的工具。仿真實驗結果表明,本文提出的算法對高光譜圖像的目標檢測是準確有效的。

References)

[1] Manolakis D,Shaw G.Detection algorithm for hyperspectral imaging applications[J].IEEE Signal Processing Magazine,2002, 19(1):29-43.

[2] Robey F C,Fuhrmann D R,Kelly E J,et al.A CFAR adaptive matched filter detector[J].IEEE Trans on Aerospace and Electronic Systems,1992,28(1):208-216.

[3] Manolakis D,Shaw G,Keshave N.Comparative analysis of hyperspectral adaptive matched filter detectors[J].Proceeding of SPIE Conference on Algorithms for Multispectral,Hyperspectral and Ultraspectral Imagery,2000,4049:2-17.

[4] Scharf L,Friedlander B.Matched subspace detectors[J].IEEE Transactions on Signal Processing,1994,42(8):2146-2157.

[5] Kraut S,Scharf L,McWhorter L T.Adaptive subspace detectors [J].IEEE Transactions on Signal Processing,2001,49(1):1-16.

[6] Boser B E,Guyon I M,Vapnik V N.A training algorithm for optinal margin classifiers[C]∥Proceeding of Fifth Annual Workshop on Computational Learning Theory.New York,US:Association for Computing Machinery,1992:144-152.

[7] Gualtieri J A,Cromp R F.Support vector machines for hyperspectral remote sensing classification[J].Proceeding of SPIE 27th AIRP Workshot:Adavances in Computer Assisted Recognition, 1998,3584:221-232.

[8] Melgani F,Bruzzone L.Classification of hyperspectral remote sensing images with support vector machines[J].IEEE Transactions on Geoscience and Remote Sensing,2004,42(8):1778-1790.

[9] 成寶芝,趙春暉,王玉磊.結合光譜解混的高光譜圖像異常目標檢測SVDD算法[J].應用科學學報,2012,30(1):82-88.

CHENG Bao-zhi,ZHAO Chun-hui,WANG Yu-lei.SVDD algorithm with spectral unmixing for anomaly detection in hyperspectral images[J].Journal of Applied Sciences,2012,30(1):82-88. (in Chinese)

[10] 尹繼豪,王艷,王義松.一種改進的高光譜圖像中多小目標檢測算法[J].電子學報,2010,38(9):1975-1978.

YIN Ji-hao,WANG Yan,WANG Yi-song.A revised multi-target detection approach in hyperspectral image[J].Acta Electronica Sinica,2010,38(9):1975-1978.(in Chinese)

[11] 賀霖,潘泉,邸韚,等.高光譜圖像目標檢測研究進展[J].電子學報,2009,37(9):2016-2024.

HE Lin,PAN Quan,DI Ge,et al.Research advance on targetdetection for hyperspectral imagery[J].Acta Electronica Sinica, 2009,37(9):2016-2024.(in Chinese)

[12] 趙春暉,胡春梅,石紅.采用選擇性分段PCA算法的高光譜圖像異常檢測[J].哈爾濱工程大學學報,2011,32(1):109-113.

ZHAO Chun-hui,HU Chun-mei,SHI Hong.Anomaly detection for a hyperspectral image by using a selective section principal component analysis algorithm[J].Journal of Harbin Engineering University,2011,32(1):109-113.(in Chinese)

[13] 趙春暉,李杰,梅峰.核加權RX高光譜圖像異常檢測算法[J].紅外與毫米波學報,2010,29(5):378-382.

ZHAO Chun-hui,LI Jie,MEI Feng.A kernel weighted RX algorithm for anomaly detection in hyperspectral imagery[J].Journal of Infrared Millimeter Waves,2010,29(5):378-382.(in Chinese)

[14] Chen Y,Nastabadi N M,Tran T D.Simultaneous joint sparsity model for target detection in hyperspectral imagery[J].IEEE Geoscience and Remote Sensing Letters,2011,8(4):676-680.

[15] 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檢測[J].哈爾濱工程大學學報,2013,34(9):1171-1178.

ZHAO Chun-hui,LI Xiao-hui,ZHU Hai-feng.Hyperspectral imaging target detection algorithm based on spatial 4 neighborhoods for sparse representation[J].Journal of Harbin Engineering University,2013,34(9):1171-1178.(in Chinese)

[16] Zhao Chunhui,Li Xiaohui,Ren Jinchang,et al.Improved sparse representation using adaptive spatial support for effective target detection in hyperspectral imagery[J].International Journal of Remote Sensing,2013,34(24):8669-8684.

[17] Boyd S,Parikh N,Chu E,et al.Distributed optimization and statistical learning via the alternating direction method of multipliers[J].Foundations and Trends in Machine Learning,2011, 3(1):1-122.

[18] Wright S,Nowak R,Figueiredo M.Sparse reconstruction by separable approximation[J].IEEE Transactions Signal Processing,2009,57(7):2479-2493.

[19] Jin X Y,Paswater S,Cline H.A comparative study of target detection algorithms for hyperspectral imagery[J].Algorithms and Technologies for Multispectral,Hyperspectral,and Ultraspectral Imagery XV,SPIE,2009,7334:73341W1-73341W12.

[20] Qian D,Hsuan R,and Chein-I Cheng.A comparative study of orthogonal subspace projection and constrained energy minimization[J].IEEE Tansactions on Geoscience and Remote Sensing, 2003,41(6):1525-1529.

[21] Ayou B T F,Hainovich A R.Modified GLRT signal detection algorithm[J].IEEE Transactions on Aerospace and Electronic Systems,2000,36(3):810-818.

[22] Broadwater J,Chellappa R.Hybrid detectors for subpixel targets [J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2007,29(11):1891-1903.

[23] Broadwater J,Meth R,Chellappa R.A hybrid algorithms for subpixel detection in hyperspectral imagery[J].IEEE International Geoscience and Remote Sensing Symposium IGARSS, 2004,3:1601-1604.

A Novel Spectral-spatial Sparse Method for Hyperspectral Target Detection

SONG Yi-gang1,WU Ze-bin1,2,3,SUN Le1,LIU Jian-jun1,WEI Zhi-hui1,3
(1.School of Computer Science and Engineering,Nanjing University of Science and Technology,Nanjing 210094,Jiangsu,China; 2.Lianyungang Research Institute of Nanjing University of Science and Technology,Lianyungang 222006,Jiangsu,China; 3.Jiangsu Key Lab of Spectral Imaging and Intelligent Sensing,Nanjing 210094,Jiangsu,China)

Target detection is one of the most important applications of hyperspectral imagery(HSI).The traditional target detection techniques usually discard the spatial information of the target,resulting in a lower accuracy of detection.A novel simultaneous sparse representation model is proposed for HSI target detection.The proposed approach applies the theory and algorithm of mixed-norm to the hyperspectral target detection.By considering the combination of spectral information and spatial context of HSI,a model with a mixed-norm regularizaton based on the simultaneous sparse representation is proposed.And this model is finally solved via alternating direction mehtod of multipliers(ADMM)efficiently.The effectiveness and accuracy of the proposed simultaneous sparse representation model and algorithm are demonstrated by experimental results on a real hyperspectral images.

information processing;hyperspectral imagery;target detection;mixed norm;simultaneous sparsity;altermation direetion mehtod of multipciers?

TG156

A

1000-1093(2014)06-0834-08

10.3969/j.issn.1000-1093.2014.06.013

2013-11-07

國家自然科學基金項目(61101194);江蘇省自然科學基金項目(BK2011701);江蘇省“六大人才高峰”項目(WLW-011);高等學校博士學科點專項科研基金項目(20113219120024);中國空間技術研究院創新基金項目(CAST201227);中國地質調查局工作項目(1212011120227)

宋義剛(1967—),男,博士研究生。E-mail:songyigang@sina.com;

吳澤彬(1981—),男,副教授,博士。E-mail:wuzb@njust.edu.cn