摘  要： 目標(biāo)檢測是高光譜遙感領(lǐng)域一個重要研究方向，其在礦物勘探和國防偵查等領(lǐng)域都有著廣泛的應(yīng)用。簡明、系統(tǒng)地介紹了高光譜圖像目標(biāo)檢測中的一些關(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；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獲取可見光到近紅外區(qū)域內(nèi)數(shù)百個近乎連續(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，可以更精確地檢測出場景中的目標(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)測以及國防情報等領(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)檢測實(shí)際上是一個二分問題：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)檢測算法已經(jīng)由最初的僅僅利用單一信息檢測，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)檢測中的關(guān)鍵算法，同時簡要介紹和討論基于線性光譜信息的檢測算法、基于非線性光譜信息的檢測算法以及空譜信息聯(lián)合的檢測算法。

1 高光譜圖像目標(biāo)檢測算法

　　1.1 基于線性光譜信息的檢測算法

　　基于線性光譜信息的檢測算法主要是利用線性信號處理等方法對高光譜數(shù)據(jù)進(jìn)行處理，從復(fù)雜的背景中檢測出微弱的目標(biāo)信號。根據(jù)背景模型構(gòu)建方式，它又可分為基于概率統(tǒng)計模型的檢測方法和基于子空間模型的檢測方法。

　?。?）基于概率統(tǒng)計模型的檢測方法

　　基于概率統(tǒng)計模型的檢測方法通過構(gòu)建高光譜數(shù)據(jù)概率統(tǒng)計模型，結(jié)合目標(biāo)的先驗(yàn)知識達(dá)到目標(biāo)檢測的效果?；诟怕式y(tǒng)計背景模型的檢測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[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算法，在簡單的背景下具有較好的檢測效果。但對子像元目標(biāo)，需要已知目標(biāo)信號的豐度，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)計一個在目標(biāo)信號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)檢測效果。CEM對圖像中的小目標(biāo)有較好的檢測效果，但對大目標(biāo)檢測效果不佳。為此耿修瑞等人對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。

　　為了克服場景復(fù)雜性差異、異常及目標(biāo)信號對背景模型參數(shù)估計的影響，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。劉凱等人通過對高光譜圖像分割處理，將高光譜圖像分割成多個均質(zhì)背景子類，然后利用局部背景進(jìn)行背景參數(shù)估計進(jìn)而對目標(biāo)進(jìn)行檢測[7]。THEILER J等人提出一種基于目標(biāo)信號修正的協(xié)方差矩陣估計方法[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)估計背景協(xié)方差矩陣[9]，從而提升參數(shù)估計的準(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)檢測中來，從而提升算法的魯棒性。

　?。?）基于子空間模型的檢測算法

　　基于子空間模型的高光譜圖像目標(biāo)檢測算法主要有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、計算代價小等優(yōu)點(diǎn)，但是目標(biāo)信號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問題，通過向特征子空間方向投影得到目標(biāo)信號和背景的豐度信息，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)檢測方法[17]，在自適應(yīng)子空間檢測的基礎(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。

　　1.2 基于非線性光譜信息的檢測算法

　　前面介紹的檢測算法只利用了高光譜圖像數(shù)據(jù)的二階統(tǒng)計特征，完全忽略了對判別也至關(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)的檢測精度。

　　KWON H等人將現(xiàn)有的SMF、MSD、SSP等線性檢測算法通過核方法擴(kuò)展到它們對應(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)檢測算法，并將其性能與傳統(tǒng)目標(biāo)檢測算法進(jìn)行了比較。相對于傳統(tǒng)算法，核化的檢測算法在檢測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算目標(biāo)特征向量的最近鄰實(shí)現(xiàn)目標(biāo)檢測。

　　1.3 空譜信息聯(lián)合的目標(biāo)檢測算法

　　目前國內(nèi)外學(xué)者對高光譜圖像目標(biāo)檢測的研究重點(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)雜的背景中檢測出微弱的目標(biāo)信號，許多統(tǒng)計信號處理以及機(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)檢測在實(shí)際應(yīng)用時仍存在許多問題。

　?。?）目標(biāo)光譜信息通常是從光譜庫中獲得，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，會導(dǎo)致圖像中的目標(biāo)信號和光譜庫中的目標(biāo)信號存在一定的差異。如何準(zhǔn)確地分析高光譜圖像采集時外界因素的影響，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，然而目前的檢測方法大多數(shù)都只利用光譜信息，對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)檢測方法也應(yīng)是一個需要重視的問題。

　?。?）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)用中對檢測結(jié)果的實(shí)時性要求比較高，如何利用算法優(yōu)化、并行計算、硬件加速等方法實(shí)現(xiàn)實(shí)時的檢測結(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高光譜圖像目標(biāo)檢測算法進(jìn)行了簡要的介紹。針對大量的高光譜圖像目標(biāo)檢測應(yīng)用場景，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)際背景時都會存在一定的偏差。盡管已有算法在理論實(shí)驗(yàn)中都有較好的檢測效果，但是并沒有一種算法對任何場景都可以得到滿意的檢測結(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)的檢測算法，形成成熟的目標(biāo)檢測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)探測的基本原理[J].中國科學(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)探測方法[J].遙感學(xué)報，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.高光譜圖像目標(biāo)檢測的核信號空間正交投影法[J].遙感學(xué)報，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)檢測算法分析[J].測繪科學(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，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[J].光學(xué)學(xué)報，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[J].哈爾濱工程大學(xué)學(xué)報，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.