層次優化目標與背景的匹配濾波高光譜目標探測研究

張世瑞,樊彥國,張漢德,2,禹定峰

(1.中國石油大學(華東)海洋與空間信息學院,山東 青島 266580；2.海警總隊第六支隊,山東 青島 266012；3.齊魯工業大學(山東省科學院),山東省科學院海洋儀器儀表研究所,山東 青島 266061)

1 引 言

高光譜數據具有很高的光譜分辨率,在可見光—近紅外區域光譜分辨率可以達到納米級,能夠獲得地物詳細而精確的光譜信息[1]。高光譜影像除了二維的空間數據,它還包含豐富的光譜數據,擁有一百乃至幾百個波段。高光譜的特點,使得它在目標探測領域具有獨特的優勢,近年來,高光譜目標探測越來越受到重視,相關的文章也逐漸增多。高光譜目標探測有眾多的算法。常見的有SAM(Spectral Angle Mapper)光譜角制圖法[2]、MF(Matched Filter)匹配濾波方法[3]、CEM(Constrained Energy Minimization)約束能量最小化探測方法[4]。SAM應用在高光譜分類上較為廣泛,在目標探測上也有廣泛的應用,通過比較需檢測像元與目標像元的光譜角大小來進行目標探測。MF是根據馬氏距離來進行判別,假設目標與背景都服從多元正態分布,判斷需檢測像元到目標與背景中心之間的距離來進行目標探測。CEM通過設置探測器,使得目標信號通過后為定值,整體信號輸出后總的輸出能量最小,起到抑制背景的作用。己知目標光譜信息時,現有的目標探測方法建立在像元光譜表示模型的基礎上,通過概率密度模型、子空間模型、光譜混合模型等表征像元光譜,采用光譜分解、信號匹配、特征空間投影、假設檢驗等方法增強目標和背景可分性[5]。CEM可以歸為基于光譜信號匹配的目標探測方法,而MF可以歸為假設檢驗的方法。耿修瑞[6]在理論層次證明MF是優于CEM的,他還證明隨著波段數目的增多,CEM的總體輸出能量越來越小,能達到更佳的探測效果,不過前提假設是目標光譜沒有變化或變化較小。核函數與MF變換相結合[7]能夠提高匹配濾波的效果。郝曉惠[8]將垂直于目標光譜的向量分層次引入SAM,取得了較好的高光譜目標探測效果。

本文首先利用傳統MF算法對高光譜數據進行目標探測,探測完成后,選定一定的閾值進行閾值分割,分割為目標和背景兩部分,計算目標類和背景類的均值。為了增大目標類和背景類的可分性,引入零向量,改變像素值。然后再次進行MF算法實驗,進行閾值分割,逐層次計算,設定迭代停止條件,完成目標探測。本文實驗利用圣地亞哥飛機場數據和Cri數據進行實驗驗證,通過比較ROC曲線、AUC的值和探測效果圖,結果表明,本文的方法能夠提高高光譜目標探測效果。

2 MF目標探測方法

MF方法假設目標類和背景類均服從多元正態分布,通過比較待探測像元到兩類中心的馬氏距離,判斷待探測像元更有可能屬于哪一類[5]。MF原理如圖1所示。

圖1 MF原理圖

MF方法基于假設檢驗的方法,假設模型如下:

(1)

其中,H0假設目標存在;H1假設目標不存在,在兩種假設下,均值μ和協方差Γ均不相同,當兩種假設下均值和協方差矩陣都已知時,可以構建目標探測器:

(2)

式中,x表示待探測像元。當Γ0=Γ1=Γ時,式(2)可以轉化為:

(3)

(4)

(5)

將高光譜數據經過wMF濾波器處理后,進行閾值分割,來判別目標和背景。

3 層次優化目標與背景

由式(5)得到了MF探測器,但是對于μ0和μ1的估計是不準確的,因此對兩個均值進行重新估計。MF探測器進行目標和背景判別后,得到了高光譜影像的目標與背景。利用得到的目標與背景重新計算μ0和μ1,得到新的MF探測器,進行閾值分割重新對影像進行目標與背景的判別。利用此方法,逐層次運算,進行迭代,直至達到最優的效果。

在層次化迭代運算過程中,一個重要的問題是閾值分割,閾值的選擇決定了探測目標的準確程度。合適的閾值,能夠將目標與背景最大程度分離開,提高高光譜目標探測的探測率,降低虛警率。隨著層次化,閾值的選擇也要順應輸出結果進行變換。高光譜數據經過MF探測器后,得到探測結果Yi,(i=1,2,…,m),m為總像元數目。本文為了較好地進行閾值選擇,根據每個層次Yi平均值的結果進行相應閾值的調整。經過多次實驗發現,Yi的平均值逐漸變小。故本文隨著迭代的次數,閾值逐漸降低。

TH=b-0.01×j

(6)

式中,b為初始閾值,一個常數；j為迭代次數。本文將MF探測器結果值進行歸一化處理,結果在0～1的范圍內。

在層次化運算過程中,為了增大目標與背景的區分性,增大兩者之間的馬氏距離,引入零向量a,通過零向量來改變原像素值。為了控制像素值更改速度,引入指數函數。

(7)

高光譜數據X,X∈Rn×m,m個總像元,n個波段,探測目標光譜d,d∈Rn×1。

具體過程如下:

①高光譜數據X經MF探測器處理后,得到探測結果Yk；

②對探測結果Yk進行閾值分割,確定目標與背景；

③利用上式(7),對高光譜數據的像素值進行優化；

④根據第二步得到的目標和背景,根據上式(4)重新計算μ0和μ1；

⑤利用計算的μ0和μ1,得到新的MF探測器,優化的高光譜數據經探測器處理后,得到探測結果Yk+1；

⑦對探測結果Y進行閾值分割,得到目標與背景。

4 實驗分析

本次目標探測數據利用AVIRIS數據和Cri數據。AVIRIS在圣地亞哥飛機場收集影像,在丟棄吸水率和低信噪比的一些波段后,保留下189個波段。影像上包含三架飛機,真實飛機分布情況如圖2(a)所示,飛機場彩色圖像如圖2(b)所示。Cri數據由人為擺放的10顆石頭組成,包含46個波段。Cri數據石頭真實分布情況如圖3(a)所示,灰度圖像如圖3(b)所示。

圖2 飛機場數據真實目標分布和飛機場數據彩色影像

圖3 Cri數據真實目標分布和 Cri數據灰度圖像

為了證明本文提出的層次優化目標與背景的匹配濾波算法(HO-MF)的有效性,用另外三組算法作對比,兩組實驗數據經過MF、CEM、MNF-MF、HO-MF四種探測器處理后,繪制ROC曲線并計算曲線下面面積AUC的值。ROC曲線是目前高光譜目標探測中最常用的評價指標,它以探測率為縱軸,以虛警率為橫軸。ROC曲線越靠左上角,AUC的面積越大,說明高光譜目標探測效果越好。飛機場數據的四種算法實驗的ROC曲線如圖4所示,Cri數據的四種算法實驗的ROC曲線如圖5所示。

圖4 飛機場數據ROC曲線

圖5 Cri數據ROC曲線

飛機場數據的四種算法實驗的結果圖如圖6所示,Cri數據的四種算法實驗的結果圖如圖7所示,兩組數據八次實驗的AUC值如表1所示。

圖6 飛機場數據

圖7 Cri數據

表1 AUC的值

通過兩組數據的ROC曲線和曲線下方面積AUC的值可以看出,本文提出的層次優化匹配濾波(HO-MF)算法與另外三種探測方法相比,本文算法AUC的值更加接近1,ROC曲線更加趨向左上角。從兩組數據的最終結果圖上也可以看出,本文算法對高光譜圖像的背景抑制更強,更能夠突出目標,優于另外三種探測方法。對于Cri數據,MNF-MF算法與HO-MF算法相比,在同等探測率情況下,MNF-MF算法虛警率較高。從探測結果圖上也能夠看出,MNF-MF算法探測結果圖中周圍背景與目標相差較小,對背景的抑制能力較弱,容易造成誤判。以上實驗結果和數據表明,本文的層次優化目標與背景的匹配濾波算法,要優于一些傳統目標探測算法,能夠提高高光譜目標探測的效果和精度。

5 結 語

本文將零向量和閾值分割迭代引入MF算法,通過改變原像素值來擴大目標類和背景類之間的馬氏距離,分層次計算目標和背景。最后通過設置閾值來停止迭代,得到目標探測結果。本文在分割目標與背景選擇閾值時,通過探測結果平均值做了簡單的擬合,但是不能夠完全符合閾值的變化,如何準確地選擇閾值是一個重點的問題。本文實驗數據是全像元級別的,CEM和MF也主要對應于全像元級別的目標探測,在亞像元級別的目標探測[9],是一個重點的研究方向。