一種結合CEM的高光譜遙感影像目標檢測算法

楊 磊，蘇令華，吳寶剛，王寶海，栗鐵樁

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

一種結合CEM的高光譜遙感影像目標檢測算法

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 通信士官學校， 重慶 400035； 2.空軍工程大學 信息與導航學院，西安 710077；3.遼陽市社會問題研究所， 遼寧 遼陽 111000； 4.山東信遠集團有限公司， 山東 萊陽 265200)

提出了一種基于CEM(constrained energy minimum)的高光譜影像目標檢測算法。利用虛擬維數實現高光譜影像端元數目的估計，進而獲取目標端元。利用基于最大噪聲分量算法對原始影像進行降維，在虛擬維數的基礎上保留合理的主成分數量。根據提取的目標端元，利用一種改進的CEM算子進行目標檢測。實驗結果表明：該算法能夠獲得較高質量的目標檢測效果。

高光譜影像；目標檢測；CEM算子；虛擬維數

1 背景

高光譜遙感涵蓋了電磁波譜的紫外、可見光、近紅外和中紅外區域，在上述區域獲取許多非常窄且光譜連續的影像。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節，在資源勘探、環境檢測、精細農業以及氣候變遷等國民經濟領域得到廣泛應用。在高光譜影像的諸多應用中，很多情況下需要從影像中提取感興趣的目標，這就需要采用有效的目標檢測技術做支撐。目前，目標檢測技術已經成為高光譜遙感的一個重要研究方向。不同于傳統的遙感影像目標檢測，高光譜影像能夠提供地物的精細光譜信息，因而高光譜影像的目標檢測必須充分考慮光譜信息，而傳統的目標檢測算法忽略了這一點，難以有效發揮作用，因此有必要針對高光譜影像獨有的特點進行研究。

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

2 CEM算子及其改進形式

耿修瑞等在文獻[4]中介紹了CEM算子，這里簡要介紹CEM及其改進算子。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，L為波段數量。如果d為感興趣的目標，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d在影像中的分布情況，從而實現對目標d的檢測。在CEM算子的基礎上，文獻[5]提出了基于加權樣本自相關陣的目標檢測方法，改善了CEM的性能。考察矩陣R的估計方法:

(2)

可以認為R由所有像元ri(i=1,2,…,N)的自相關矩陣等權值加權平均組成，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。基于以上分析，引入了加權自相關陣[4]

(3)

其中：f(x)為單調遞增函數；c為常數；g(x,y)用于衡量x和y的相似度。基于加權自相關陣的CEM算子可以表示為

(4)

在文獻[5]中給出了多種加權取法。結合本文算法的實際應用，選取式(5)作為自相關矩陣

(5)

3 基于CEM的目標檢測技術

3.1 端元數量估計

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，在此情形下進行目標檢測，首先需要估計出影像中目標端元的個數，進而利用特定的端元提取算法進行提取。多光譜影像由于波段數較少，主成分分析方法基本可以解決維數的計算問題。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在數據中，這些信號的譜向特征都無法用已知的特征來定義。同時，干擾信號出現的概率增加，給維數的界定增加了難度。針對目標檢測與分類應用方向，文獻[13]提出了虛擬維數，它依據影像的可分譜向特征數目對數據維數進行界定。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 高光譜影像降維預處理

高光譜影像不但數據量大，而且影像中會包含一定量的噪聲，這將對最終的目標檢測效果產生不利影響。為了提高目標檢測效果，同時降低算法的運算量，需要對原始高光譜影像進行降維處理。現有的降維方法較多，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，但其復雜度高，實際應用受到限制。因此，本文采用MNF進行降維預處理[16]，然后對降維后的數據進行目標檢測。HFC算法已經被廣泛應用于高光譜影像的端元數目估計[7,17]。針對MNF應用過程中如何確定所需保留的主成分數量的問題，文獻[18]在VD估計基礎上提出保留特征值較大的前p個PC進行后續處理，但由于數據中噪聲的影響，高光譜影像的端元無法嚴格對應前p個PC。針對這種情況，文獻[19]給出了一種主分量數量的選取方法，該方法利用VD算法的計算結果進行選取，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量，其值設為q。

4 實驗結果

本文對某機場數據進行仿真實驗，如圖1所示。該數據覆蓋波長范圍為0.4～2.5 μm，空間分辨率為3.5 m，實驗波段數為190，每個波段大小為128×128，該數據在相關的ENVI書籍中可以獲得。

圖1 實驗影像

對高光譜原始影像數據進行VD估計，表1所示為幾種虛警概率PF條件下的VD估計結果。本文采用PF=10-2時得到的VD估計結果，即端元數m=15，需要保留的主成分數量為n=71。

表1 虛擬維數計算結果

圖2給出了原始高光譜影像經過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的疊加，但各個目標都得到了一定程度的凸顯，具備了一定的目標可分性。在此基礎上，利用目標檢測算子能進一步實現對各個目標的檢測。

本文算法主要針對影像中的重要目標的提取，例如影像中的飛機目標。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的檢測結果進行比較，如圖3所示。從圖3(a)可以看出：原始數據由于噪聲的影響，直接利用CEM進行目標檢測時，目標的檢測效果并不理想，目標不夠突出，噪聲影響較為明顯。圖3(b)給出了利用本文算法的目標檢測結果，顯然，與圖3(a)相比，該結果進一步突出了目標，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 目標檢測結果對比

5 結束語

高光譜影像目標檢測技術已經受到了國內外的廣泛關注。本文針對這一問題開展研究，提出了一種基于CEM的高光譜影像目標檢測算法。該算法利用虛擬維數算法估計影像中可能的端元數量，采用基于非監督正交子空間投影的端元提取算法提取影像中相應數量的端元矢量，在MNF降維的基礎上，結合提取的端元，利用加權CEM對影像中的目標進行檢測，實驗結果驗證了該算法在突出目標并壓制背景方面的有效性。在實際應用中，通常難以獲得高光譜影像的先驗知識，這給目標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高光譜影像的目標檢測，針對高光譜影像的軍事應用背景，無論目標大小，本文算法都能夠提供較為穩定的檢測效果。此外，對于缺乏先驗信息的高光譜影像，如何對檢測結果進行有效判讀是需要進一步研究的工作。

[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探測的基本原理[J].中國科學，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的高光譜圖像目標分割[J]．光子學報，2010，39(6)：1003-1009．

[8] 趙遼英，沈銀河，厲小潤，等.基于數學形態學的高光譜圖像組合核目標檢測[J].光學學報，2011,31(12):1-6.

[9] 凌強，黃樹彩，韋道知，等.聯合表示求解二元假設模型的高光譜目標檢測[J].電子學報，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算法的高光譜目標檢測[J].紅外技術，2016,38(8):699-704.

[11] 鄧賢明，苗放，翟涌光，等.基于形態學的兩種高光譜目標探測改進算法[J].中山大學學報(自然科學版)，2017,56(1):151-160.

[12] 劉翔，張曉杰，鄭翰，等.復雜背景中紅外多光譜目標檢測算法研究[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].中國影像圖形學報,2004,9(11):1392-1396.

[15] 耿修瑞．高光譜遙感圖像目標檢測與分類技術研究[D]．北京：中國科學院遙感應用研究所，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.一種穩健的高光譜圖像壓縮方法[J].光學精密工程，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[J].國防科技大學學報，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

陜西省自然科學基金資助項目(2016JM4008)

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

楊磊，蘇令華，吳寶剛，等.一種結合CEM的高光譜遙感影像目標檢測算法[J].重慶理工大學學報(自然科學)，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

(責任編輯楊黎麗)