高光谱图像的压缩处理技术研究
高光谱图像的压缩处理技术研究
随着遥感技术的快速发展，高光谱图像成为了研究领域的热门话题。
高光谱图像包含了更多丰富的光谱信息，但也带来了数据处理和存储的挑战。
压缩处理技术可以有效地减少高光谱图像的存储和传输成本，同时保持图像质量和信息完整性。
本文将详细探讨高光谱图像的压缩处理技术，包括压缩原理、压缩方法和压缩评测等方面的研究成果。
一、高光谱图像压缩的原理
高光谱图像压缩的原理是通过减少冗余信息和利用图像的统计特性来实现数据的压缩。
高光谱图像中的冗余信息主要包括光谱和空间冗余。
光谱冗余是指光谱通道之间存在相关性，可以通过差分编码、预测编码和变换编码等方法实现压缩。
空间冗余是指图像中邻近像素之间存在的相关性，可以通过像素间差分编码、预测编码和小波变换等方法实现压缩。
压缩算法的核心在于如何选择合适的压缩方法来最大程度地减少冗余信息，保证图像质量和信息的完整性。
二、高光谱图像压缩的方法
1. 无损压缩方法
无损压缩方法是指在压缩过程中不丢失任何图像信息，可以完全恢复原始图像。
无损压缩方法常用的有预测编码方法和基于小波变换的方法。
预测编码方法包括差分编码和预测误差编码，利用图像预测和差分编码的思想来减少冗余信息。
基于小波变换的无损压缩方法通过对图像进行分解和重构，利用小波系数的编码来实现压缩。
无损压缩方法在高光谱图像传输和存储方面具有重要意义，但压缩率相对较低。
2. 有损压缩方法
有损压缩方法是指在压缩过程中会有信息丢失，无法完全恢复原始图像，但在保持图像主要特征的前提下实现更高的压缩率。
有损压缩方法常用的有基于变换的方法和基于预测的方法。
基于变换的方法包括小波变换和离散余弦变换等，通过对图像进行变换，将能量集中在少数系数上，再通过量化和编码来实现压缩。
基于预测的方法通过对图像像素进行建模和预测，利用预测误差的编码来实现压缩。
有损压缩方法在高光谱图像处理中被广泛使用，可以实现较高的压缩率，并在一定程度上保持图像质量。
三、高光谱图像压缩的评测方法
高光谱图像压缩的评测方法可以从压缩率和图像质量两个方面来进行评估。
压缩率是衡量压缩方法性能的重要指标，可以通过压缩比和比特率来表示。
压缩比是指压缩后图像的大小与原始图像大小的比值，比特率是指压缩后图像所占用的比特数除以图像
的像素数。
图像质量是指压缩后图像与原始图像的相似程度，可
以通过峰值信噪比（PSNR）和结构相似性指数（SSIM）等来评价。
PSNR是衡量图像质量的常用指标，SSIM主要考虑图像的感
知质量，更符合人眼的感知特性。
四、高光谱图像压缩的应用领域
高光谱图像压缩技术在农业、环境监测、城市规划和遥感图像
处理等领域有广泛的应用。
在农业领域，高光谱图像可以用于作
物健康监测和病虫害识别，压缩处理技术可以实现远程监测和节
省存储空间。
在环境监测中，高光谱图像可以用于水质监测和土
地利用监测，压缩处理技术可以提供高效的数据传输和存储。
在
城市规划和遥感图像处理中，高光谱图像可以用于建筑物检测和
土地分类，压缩处理技术可以提高图像处理的效率和减少存储成本。
综上所述，高光谱图像的压缩处理技术在遥感图像处理中具有
重要的意义。
无损压缩和有损压缩方法可以根据需求选择适合的
压缩率和图像质量。
压缩评测方法可以全面评估压缩方法的性能。
高光谱图像压缩处理技术的研究和应用将在遥感图像处理和相关
领域发挥重要作用，为实现高效的数据传输和存储提供有力支持。
高光谱图像分类方法研究
在高光谱图像分类中，通常采用卷积神经网络（CNN）来处理图像的空间信息 ，采用循环神经网络（RNN）来处理图像的光谱信息。通过将 CNN 和 RNN 进行结合，可以实现高光谱图像的自动分类。
基于深度学习的高光谱图像分类方法
总结词
深度学习是一种机器学习方法，通过构建多层神经网络来学习数据的内在规律和 特征。在高光谱图像分类中，基于深度学习的方法可以更有效地处理复杂的空间 信息和光谱信息。
02
高光谱图像集成了空间、光谱和 时间三个维度的信息，为地物识 别、环境监测、农业、军事等领 域提供了强有力的数据支持。
高光谱图像的特性
高光谱图像具有很高的数据维度 ，通常包含数百甚至数千个波段
。
每个像素包含完整的光谱曲线， 使得高光谱图像能够更精细地表 达地物的空间特征和光谱特征。
高光谱图像的空间分辨率和光谱 分辨率高，能够提供丰富的地物
则化项来实现最优分类。
THANKS
感谢观看
总结词
RF是一种无监督学习算法，通过构 建随机森林进行分类，可以处理多维 度的数据，对高维数据有很好的适应 性。
详细描述
RF通过构建多个决策树，并将它们的 预测结果进行投票来得到最终的分类 结果。在训练过程中，RF通过优化森 林的精度和多样性来实现最优分类。
基于NN的高光谱图像分类实例分析
总结词
NN是一种神经网络模型，通过模拟人脑神 经元的连接方式进行分类，可以处理复杂的 非线性问题。
总结词
SVM是一种监督学习算法，在分类问题 中表现出色，对高维数据有很好的适应 性，可以处理多类别的分类问题。
VS
详细描述
SVM通过找到一个最优的超平面，将不 同类别的样本分隔开，从而实现对高光谱 图像的分类。在训练过程中，SVM通过 最小化分类错误和最大化间隔来实现最优 分类。
高光谱图像特征提取方法的研究与应用
高光谱图像特征提取方法的研究与应用一、引言高光谱图像是一种具有连续光谱信息的遥感图像，其特点是波段数量多且连续。
高光谱图像的分析和处理旨在提取图像中的有效特征，以实现对地物分类、目标检测和环境监测等应用。
本文旨在综述当前高光谱图像特征提取方法的研究进展，并探讨其在实际应用中的潜力。
二、高光谱图像特征提取方法1. 光谱特征提取方法光谱特征提取是高光谱图像分析的基础，通过利用图像中不同波段的光谱信息来揭示地物的特征。
常见的光谱特征提取方法包括像元光谱特征、平均光谱特征和主成分分析等。
像元光谱特征是指通过对图像中单个像素的光谱进行分析，来获取地物光谱特征的方法。
平均光谱特征则是对图像中某一区域内的像素光谱进行求平均，以得到该区域的光谱特征。
2. 空间特征提取方法除了光谱信息外，高光谱图像还包含丰富的空间信息。
因此，空间特征提取方法在高光谱图像处理中也起着重要的作用。
常见的空间特征提取方法包括纹理特征提取和形状特征提取。
纹理特征提取通过分析地物的纹理分布来揭示其特征。
常用的纹理特征提取方法包括灰度共生矩阵（GLCM）和小波变换等。
形状特征提取则通过对地物的外形进行分析，以提取地物的形状特征。
3. 混合特征提取方法为了更准确地描述地物的特征，研究者们也提出了混合特征提取方法，将光谱特征和空间特征相结合。
例如，光谱–空间特征提取方法可以通过光谱相似性和空间相似性来同时描述地物的特征。
此外，也有研究者提出了基于深度学习的特征提取方法，通过深度神经网络模型自动学习并提取高光谱图像中的特征。
三、高光谱图像特征提取方法的应用高光谱图像特征提取方法在许多领域中都有广泛的应用，下面分别介绍其中的几个应用场景。
1. 地物分类地物分类是高光谱图像处理中的重要应用之一。
通过提取地物的光谱特征、纹理特征和形状特征，可以将高光谱图像中的地物按照类别进行分类。
这在土地利用监测、环境保护和农业管理等领域中都有重要的作用。
2. 目标检测高光谱图像中的目标检测是指通过提取图像中目标的特征，以实现对目标的自动识别和检测。
面向高光谱图像的目标检测研究
第44卷第6期航天返回与遥感2023年12月SPACECRAFT RECOVERY & REMOTE SENSING45面向高光谱图像的目标检测研究高大化贺昱董宇波*刘丹华李浩勇石光明（西安电子科技大学，西安710071）摘要现有的高光谱目标检测方法是通过逐像素分类而实现，导致了检测速度缓慢。
物体级目标检测的发展为高光谱图像实时目标检测带来了希望。
为了实现实时高光谱图像目标检测，文章提出了一种基于目标检测模型YOLO的卷积神经网络算法。
首先，该算法提出了用多尺度光谱注意力网络（Res2NetSE）来提取空谱特征，能够提升多尺度目标检测效果并能更有效地提取关键波段信息；其次，该算法提出了一个空间增强的特征金字塔模块（Spatial Enhanced FPN，SFPN）用于特征融合，提升了神经网络的感受野和多尺度性能；最后，该算法设计了FIOU（Fantastic IoU）损失函数，提升了预测框定位精度。
实验结果表明，所提出的算法能够有效提取空间域和光谱域信息特征，分别在平均准确率上提升了14.19%、8.01%和5.38%，与现有方法相比表现出更出色的性能。
文章的算法为高光谱图像的物体级目标检测提供了一种有效的解决方案，有望推动高光谱图像分析领域的进一步发展。
关键词光谱注意力特征金字塔高光谱目标检测物体级目标检测高光谱图像处理中图分类号: TP753文献标志码: A 文章编号: 1009-8518(2023)06-0045-12DOI: 10.3969/j.issn.1009-8518.2023.06.005Object Detection for Hyperspectral ImagesGAO Dahua HE Yu DONG Yubo*LIU Danhua LI Haoyong SHI Guangming（Xidian University, Xiʹan 710071, China）Abstract Existing hyperspectral image (HSI) target detection methods rely on pixel-wise classification, resulting in slow detection speed. The development of object detection offers hope for real-time HSI target detection. To achieve real-time HSI target detection, this paper proposes a Convolutional Neural Network (CNN) algorithm based on YOLO. Firstly, the algorithm introduces a multi-scale spectral attention network (Res2NetSE) to extract spectral features, thereby improving multi-scale target detection and effectively capturing critical spectral information. Secondly, the algorithm presents a Spatial Enhanced Feature Pyramid Module (SFPN) for feature fusion, further enhancing the neural network's receptive field and multi-scale performance.Finally, the algorithm designs a Fantastic IoU (FIOU) loss function to enhance the precision of predicted bounding boxes. Experimental results demonstrate that the proposed algorithm can effectively extract spatial and spectral features, achieving performance improvements of 14.19%, 8.01%, and 5.38% in terms of mean average precision (mAP) when compared to existing methods. The proposed algorithm offers an effective solution for real-time object detection in HSIs, with the potential to advance the analysis of HSI further.收稿日期：2023-06-30基金项目：国家重点研发计划项目（2019YFA0706604）；国家自然科学基金（61976169，62293483，62205260）引用格式：高大化, 贺昱, 董宇波, 等. 面向高光谱图像的目标检测研究[J]. 航天返回与遥感, 2023, 44(6): 45-56.GAO Dahua, HE Yu, DONG Yubo, et al. Object Detection for Hyperspectral Images[J]. Spacecraft Recovery &Remote Sensing, 2023, 44(6): 45-56. (in Chinese)46航天返回与遥感2023年第44卷Keywords spectral attention; feature pyramid networks; HSI target detection; object detection; HSI processing0 引言高光谱成像技术是利用成像光谱仪，在光谱覆盖范围内的数十或数百条光谱波段对目标物体连续成像。
高光谱,多光谱及超光谱
1、光谱分辨率光谱分辨率spectral resolution定义1：遥感器能分辨的最小波长间隔，是遥感器的性能指标。
遥感器的波段划分得越细，光谱的分辨率就越高，遥感影像区分不同地物的能力越强。
定义2：多光谱遥感器接收目标辐射信号时所能分辨的最小波长间隔。
光谱分辨率指成像的波段范围，分得愈细，波段愈多，光谱分辨率就愈高，现在的技术可以达到5~6nm（纳米）量级，400多个波段。
细分光谱可以提高自动区分和识别目标性质和组成成分的能力。
传感器的波谱范围，一般来说识别某种波谱的范围窄，则相应光谱分辨率高。
举个例子：可以分辨红外、红橙黄绿青蓝紫紫外的传感器的光谱分辨率就比只能分辨红绿蓝的传感器的光谱分辨率高。
一般来说，传感器的波段数越多波段宽度越窄，地面物体的信息越容易区分和识别，针对性越强。
2、什么是高光谱，多光谱及超光谱高光谱成像是新一代光电检测技术，兴起于2O世纪8O年代，目前仍在迅猛发展巾。
高光谱成像是相对多光谱成像而言，通过高光谱成像方法获得的高光谱图像与通过多光谱成像获取的多光谱图像相比具有更丰富的图像和光谱信息。
如果根据传感器的光谱分辨率对光谱成像技术进行分类，光谱成像技术一般可分成3类。
(1)多光谱成像——光谱分辨率在delta_lambda/lambda=0．1mm数量级，这样的传感器在可见光和近红外区域一般只有几个波段。
(2)高光谱成像——光谱分辨率在delta_lambda/lambda=0．01mm数量级，这样的传感器在可见光和近红外区域有几十到数百个波段，光谱分辨率可达nm 级。
(3)超光谱成像——光谱分辨率在delta_lambda/lambda =O．001mm=1nm数量级，这样的传感器在可见光和近红外区域可达数千个波段。
众所周知，光谱分析是自然科学中一种重要的研究手段，光谱技术能检测到被测物体的物理结构、化学成分等指标。
光谱评价是基于点测量，而图像测量是基于空间特性变化，两者各有其优缺点。
基于分段K—L变换的遥感图像压缩
【 摘
要】 ：提 出了基 于分段 Ｋ ｒｕ ｅ — ｏｖ ａｈ ｎｎ Ｌｅｅ变换和整数小波的遥感 图像压缩方法。 算法的关键是依据高光谱 图像 的谱
间相 关性 ， 变 Ｋ Ｌ变换 的谱 段 间 隔数 。 传 统 的 Ｋ Ｌ变换 相 比 ， 改 － 与 — 改进 的 分 段 式 的 Ｋ Ｌ 变换 使 用 了较 少 的相 邻 谱 段 ， 以 能 — 所
以获 得 更 高 的 压 缩 率 。
本 文 采 用 分 段 Ｋ Ｌ变 — Ｋ Ｌ Ｋ ｒｕｅ — ｏｖ ） — （ ａｈ ｎｎ Ｌｅｅ 变换 也 称 为 主成 分 或 主分 量 分 析 ， 是 在统 计 特 征 基 础 上 的多 维 正 交线 性 变 换 ， 它是 多 波 段 、 时 相 遥 换 、 Ｄ ９ 多 Ｃ Ｆ ７整 数 小 波 变 换 ２ 感 图像 处 理 中 常用 的一 种 变 换技 术ｆ Ｋ Ｌ变 换应 用 本 征 矢 量 空 和零 数 编 码 进 行 ２ ４波 段 ｎ — 。 间 技 术 ， 变换 的数 据 映射 到 本 征 矢量 空 间 上 。 最 小 均 方 误 差 的 遥 感 高 光 谱 图 像 压 缩 ． 将 在 并 进 行 ３组 对 比 实 验 ： ） １ 的意 义上 ， — Ｋ Ｌ变 换 是最 优 的变 换 。 １ ６分 段 式 ： ） ２分 段 式 ； ２３ Ｋ Ｌ变换 可 以 把 原来 多变 量 数据 在 信 息 损 失 最 小 的 前 提 下 —
图 ２ 高光 谱 图像 压 缩 系统 框 图
） ２ 变 换 为尽 可 能 少 的互 不 相 关 的新 的变 量 ． 减少 数 据 的维 数 ． 以 节 ３ 全 ２ ４波 段 式 。 图 ３是 在 Ｐ Ｎ ＝ ３ Ｂ 时 ．不 同分 段 压 缩 方 法 的 率 失 真 图 Ｓ Ｒ ５ｄ 省 处 理时 间 和 费用 『１然 而 ， — １。 Ｋ Ｌ变换 在 处 理 过程 中需 要 所 有 波 像 。 轴 是 波 段 ， 轴 是 不 同 分段 方 法 的率 失 真值 。 第 ４ 横 纵 在 ８波 段 段 图像 的统 计 特 征信 息 ． 大 的 占用 图像 压 缩 时 间 。 极
一种基于Contourlet变换的高光谱图像压缩算法
第３９卷 第１１Ａ期２０１２年１１月计算机科学Ｃｏｍｐｕｔｅｒ ＳｃｉｅｎｃｅＶｏｌ．３９Ｎｏ．１１ＡＮｏｖ ２０１２本文受中央高校基本科研业务费专项资金（ＣＨＤ２０１１ＪＣ１７０），长安大学基础研究支持计划专项基金，长安大学创新团队项目资助。
白 璘（１９８１－），男，博士，讲师，主要研究方向为信号处理、高光谱图像处理、数据压缩，Ｅ－ｍａｉｌ：ｂａｉ１９８１＠ｓｉｎａ．ｃｏｍ．ｃｎ；刘盼芝（１９８０－），女，博士，讲师，主要研究方向为信号处理、数据融合；李 光（１９８２－）男，博士，讲师，主要研究方向为计算机科学、数据挖掘。
一种基于Ｃｏｎｔｏｕｒｌｅｔ变换的高光谱图像压缩算法白 璘 刘盼芝 李 光（长安大学电子与控制工程学院 西安７１００６４） 摘 要 提出了一种基于Ｃｏｎｔｏｕｒｌｅｔ变换的高光谱图像压缩算法，其将多尺度几何分析用于高光谱图像的空间去相关，在进行有损压缩时有效地保存了高光谱图像丰富的纹理信息。
该算法首先对高光谱图像的每一个波段图像进行基于小波的Ｃｏｎｔｏｕｒｌｅｔ变换，然后用前一波段的变换系数预测当前波段，最后对预测误差进行ＳＰＩＨＴ编码，形成嵌入式码流。
实验结果表明，提出的基于Ｃｏｎｔｏｕｒｌｅｔ变换的高光谱图像压缩算法其压缩效果优于对比算法，且能较好地保留高光谱图像的纹理信息。
关键词 高光谱图像压缩，多尺度几何分析，Ｃｏｎｔｏｕｒｌｅｔ，ＳＰＩＨＴ编码中图法分类号 ＴＮ９１１，ＴＰ７９ 文献标识码 Ａ Ｈｙｐｅｒｓｐｅｃｔｒａｌ Ｉｍａｇｅｓ Ｃｏｍｐｒｅｓｓｉｏｎ Ａｌｇｏｒｉｔｈｍ Ｂａｓｅｄ ｏｎ Ｃｏｎｔｏｕｒｌｅｔ ＴｒａｎｓｆｏｒｍＢＡＩ Ｌｉｎ ＬＩＵ Ｐａｎ－ｚｈｉ ＬＩ Ｇｕａｎｇ（Ｓｃｈｏｏｌ ｏｆ Ｅｌｅｃｔｒｏｎｉｃｓ ａｎｄ Ｃｏｎｔｒｏｌ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｃｈａｎｇ’ａｎ Ｕｎｉｖｅｒｓｉｔｙ，Ｘｉ’ａｎ ７１００６４，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ Ｔｈｅ ｈｙｐｅｒｓｐｅｃｔｒａｌ ｉｍａｇｅｓ ｃｏｍｐｒｅｓｓｉｏｎ ａｌｇｏｒｉｔｈｍ ｂａｓｅｄ ｏｎ ｃｏｎｔｏｕｒｌｅｔ ｔｒａｎｓｆｏｒｍ ｉｓ ｐｒｏｐｏｓｅｄ，ｗｈｉｃｈ ｕｓｉｎｇｍｕｌｔｉｓｃａｌｅ ｇｅｏｍｅｔｒｉｃ ａｎａｌｙｓｉｓ ｆｏｒ ｈｙｐｅｒｓｐｅｃｔｒａｌ ｉｍａｇｅ ｓｐａｃｅ ｄｅ－ｃｏｒｒｅｌａｔｉｏｎ．Ｆｉｒｓｔｌｙ，ｗａｖｅｌｅｔ ｂａｓｅｄ ｃｏｎｔｏｕｒｌｅｔ ｔｒａｎｓｆｏｒｍｏｎ ｅａｃｈ ｂａｎｄ ｏｆ ｈｙｐｅｒｓｐｅｃｔｒａｌ ｉｍａｇｅｓ，ｔｈｅｎ ｐｒｅｄｉｃｔ ｃｕｒｒｅｎｔ ｂａｎｄ ｂｙ ｔｒａｎｓｆｏｒｍ ｃｏｅｆｆｉｃｉｅｎｔｓ ｏｆ ｔｈｅ ｐｒｅｖｉｏｕｓ ｂａｎｄ．Ｆｉｎａｌｌｙ，ＳＰＩＨＴ ｃｏｄｅｒ ｕｓｅｄ ｏｎ ｐｒｅｄｉｃｔｉｏｎ ｅｒｒｏｒ ａｎｄ ｅｍｂｅｄｄｅｄ ｄａｔａ ｓｔｒｅａｍ ｇｅｎｅｒａｔｅｄ．Ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ ｔｈｅ ｐｒｏ－ｐｏｓｅｄ ａｌｇｏｒｉｔｈｍ ｂａｓｅｄ ｏｎ ｃｏｎｔｏｕｒｌｅｔ ｔｒａｎｓｆｏｒｍ ａｃｈｉｅｖｅ ｗｅｌｌ ｃｏｍｐｒｅｓｓｉｏｎ ｅｆｆｉｃｉｅｎｔ ａｎｄ ｒｅｔａｉｎ ｈｉｇｈ ｓｐｅｃｔｒａｌ ｉｍａｇｅ ｔｅｘｔｕｒｅｉｎｆｏｒｍａｔｉｏｎ ｂｅｔｔｅｒ ｔｈａｎ ｃｏｍｐａｒｉｓｏｎ ａｌｇｏｒｉｔｈｍ．Ｋｅｙｗｏｒｄｓ Ｈｙｐｅｒｓｐｅｃｔｒａｌ ｉｍａｇｅ ｃｏｍｐｒｅｓｓｉｏｎ，Ｍｕｌｔｉｓｃａｌｅ ｇｅｏｍｅｔｒｉｃ ａｎａｌｙｓｉｓ，Ｃｏｎｔｏｕｒｌｅｔ，ＳＰＩＨＴ ｃｏｄｅｒ １ 引言成像光谱技术是２０世纪８０年代初发展起来的一种新型遥感技术。
高光谱图像运动误差实时校正处理平台设计与实现
ｅ ｉ ｙ ｔｏ ｐ． ｃｃ － ｌ ｕａ ＠ｏ ｔａ． ｎ ｍａ ：
＊通 讯 联 系 人
２ ７ ２６
光谱学 与光谱分析
第３ ２卷
Ｌ Ｕ 【 Ｌ． ＪＬ ＿１ ＿ Ｕ Ｕ Ｕ Ｕ Ｕ Ｕ Ｕ Ｌ ｜Ｕ Ｕ Ｌ ｆ－ Ｌ Ｕ Ｕ Ｉ Ｊ Ｕ １ ＿Ｊ
第 一帧数 据
Ｆｉ．１ Ｏｕ ｐｕ ａｔ ｕｎｉ ａ ｒ ｍ ｇ ｔ ｔｄ ａ ｔ ｎｇ ｄｉｇ ａ
３ Ｖ 方案处理平 台的关键步骤实现 ５
３ １ ｎ 功 能 实 现 ．
数据准备 数据处珲 Ｅ ： ＝ 互 互 ＝ 互 互 数据输出
基于 Ｓ ｇ ａ 分束 器 的空 间调 制型 干涉仪 ，在理 想情 况 ａｎ ｅ 下 ， 干涉 图的表达式是 其
第３ 卷， ８ ２ 第 期 ２０ １２年 ８ 月
光
谱
学
与
光
谱
分
析
Ｓ ｅ ｔｏ ｃ ｐ ｎ ｐ ｃ ｒ ｌＡｎ ｌ ｓｓ ｐ ｃ ｒ ｓ ｏ ｙ ａ ｄ Ｓ ｅ ｔａ ａｙ ｉ
Ｖｏ． ２ Ｎｏ ８ ｐ ２ ７ — ２ ９ １３ ， ． ， ｐ ２ ５ ２ ７ Ａｕ ｕ ｔ ０ ２ ｇ ｓ ，２ １
本系统所设计 的处 理平 台 ，采 用 Ｘｉｎ ｌ ｘＶ５处理 器 ，结 ｉ 合 丰富软核模块 ，同时 又优化 了光谱 数据 处理 的关键 环 节 ， 解决 了因星上数据量大 ，处理不能实 时 ， 度不高 等技术 问 精
ｎ ｃ） ｅｔ总线传输至板载 Ｒ ＡＭ，经过数 据分 解后 ，分发 至 ４个 ＴＳ Ｏ Ｄ Ｐ处 理芯片 ， Ｉ１ Ｓ 数据处理完成后 ， 由Ｃ Ｃ 总线传输 再 ＰＩ
Ｆｉ ２ Ｉ ｅ ｆｒ ｇ ａ ｅ ｌｔｍ ｅ ｃ ｉ ｒ ｔｏ ｇ． ｎｔｒ ｅ ｏ ｒ ｍ ｒ ａ－ｉ ａｌｂ ａ ｉｎ
高光谱图像处理与信息提取前沿
3
3.1 3.1.1
高光谱图像处理与信息提取方法
噪声评估与数据降维方法 噪声评估 典型地物具有的诊断性光谱特征是高光谱遥
感目标探测和精细分类的前提，但是由于成像光 谱仪波段通道较密而造成光成像能量不足，相对 于全色图像，高光谱图像的信噪比提高比较困 难。在图像数据获取过程中，地物光谱特征在噪 声的影响下容易产生“失真”，如对某一吸收特征进 行探测，则要求噪声水平比吸收深度要低至少一 个数量级。因此，噪声的精确估计无论对于遥感 器性能评价，还是对于后续信息提取算法的支 撑，都具有重要意义。
张兵：高光谱图像处理与信息提取前沿
1063
得新的突破。高光谱图像处理与信息提取技术的 研究主要包括数据降维、图像分类、混合像元分 解和目标探测等方向(张兵和高连如，2011)。本文 首先从上述4个方向梳理高光谱图像处理与信息提 取中的关键问题，然后分别针对每个方向，在回 顾相关经典理论和模型方法的基础上，介绍近年 来取得的新的代表性成果、发展趋势和未来的研 究热点。此外，高性能计算技术的发展显著提升 了数据处理与分析的效率，在高光谱图像信息提 取中也得到了广泛而成功的应用，因此本文还将 介绍高光谱图像高性能处理技术的发展状况。
题制图的基础数据，在土地覆盖和资源调查以及 环境监测等领域均有着巨大的应用价值。高光谱 图像分类中主要面临Hughes现象(Hughes，1968)和 维数灾难 (Bellman ， 2015) 、特征空间中数据非线 性分布等问题。同时，传统算法多是以像元作为 基本单元进行分类，并未考虑遥感图像的空间域 特征，从而使得算法无法有效处理同物异谱问 题，分类结果中地物内部易出现许多噪点。 (4) 高光谱图像提供的精细光谱特征可以用于 区分存在细微差异的目标，包括那些与自然背景 存在较高相似度的目标。因此，高光谱图像目标 探测技术在公共安全和国防领域中有着巨大的应 用潜力和价值。高光谱图像目标探测要求目标具 有诊断性的光谱特征，在实际应用中受目标光谱 的变异性、背景信息分布与模型假设存在差异、 目标地物尺寸处于亚像元级别等问题影响，有时 存在虚警率过高的问题，需要发展稳定可靠的新 方法。 此外，高光谱遥感观测的目的是获取有用的 目标信息，而不是体量巨大的高维原始数据，传 统图像处理平台和信息提取方式难以满足目标信 息快速获取的需求。尽管高性能处理器件的迅猛 发展，为亟待解决的高光谱图像并行快速处理和 在轨实时信息提取提供了实现途径，但也面临着 一系列的关键技术问题。并行处理和在轨实时处 理都需要对算法架构进行优化，同时要依据处理 硬件的特点考虑编程方面的问题，此外，在轨实时 处理还对硬件在功耗等方面提出了特殊的要求。
高光谱图像的特征提取与特征选择研究
高光谱图像的特征提取与特征选择研究∗杨仁欣,杨燕,原晶晶【摘要】特征提取和特征选择是模式识别的关键问题之一,它影响到分类器的设计及其性能.高光谱图像数据是超高维多特征数据集,如何实现高维特征空间的特征压缩和特征提取是一个重要课题.基于高光谱图像谱图合一、数据维度高的数据结构特点,该文从光谱和图像两个层面分别综述了主成分分析、最小噪声分离、独立成分分析等光谱特征提取方法以及基于颜色、纹理、形状等图像特征提取方法.还详细介绍了核主成分分析和投影寻踪方法这两种高光谱特征提取新方法,并给出了以上方法的应用实例.特征提取和特征选择的研究将为后续的高光谱图像分类奠定良好的基础.【期刊名称】广西师范学院学报（自然科学版）【年(卷),期】2015(000)002【总页数】5【关键词】高光谱图像;特征提取;特征选择;主成分分析;最小噪声分离;独立成分分析;核主成分分析;投影寻踪0 引言特征提取和特征选择在模式识别中扮演着一个重要角色.特征提取过程的实质是通过映射或变换的方法,将高维空间中的特征描述用低维空间的特征来描述.特征选择是从众多特征中找出那些最有效的特征来实现降维.基于高光谱图像图谱合一,数据结构高维的特点,本文从光谱和图像两个层面综述了典型的高光谱图像的特征提取和特征选择方法,并给出相应的应用实例.1 高光谱特征提取和特征选择的研究高光谱特征提取是指对原始的光谱空间特征进行重新组合和优化,提取出最适合当前应用需求的新特征.高光谱特征提取如图1[1]所示,通常使用线性或非线性方程,将原始的高维特征空间投影到低维的优化后的新特征空间,提取的特征应同时满足类别可分性准则.高光谱特征选择则是对原始特征空间的子集挑选,选出那些最具有可分性的光谱波段.高光谱特征选择如图2所示.常用的高光谱特征提取和特征选择方法有主成分分析、最小噪声分离、独立成分分析法等.1.1 主成分分析主成分分析是一种统计分析方法.所谓主成分,其实也就是原变量的线性组合.即假设有p个指标,我们把这p个指标看做p个随机变量,记为X1,X2,…,Xp,主成分分析实质就是要讨论这p个指标的线性组合问题:主成分分析法的缺点:(1)在主成分分析中,通常使所提取的前几个主成分的累计贡献率能够达到一个较高的值,其次对这些被提取的主成分必须都能够给出一个合理的解释,否则所谓的主成分将毫无意义.(2)主成分的含义不是很清晰,不像原始变量的含义那么明确.赵丽红[2]等把其改进算法二维对称主成分分析应用到人脸识别中,取得了很好的识别性能.杨秀坤等提出了主成分分析－二阶导数光谱成像方法,并通过兔子动脉红外显微图像中胆固醇分布的成像实验,验证该方法的可行性和有效性.实验结果表明,该方法可以提高光谱分辨率[3].1.2 最小噪声分离Green(1988)在主成分分析方法的基础上,又发展了最小噪声分离.采用最小噪声分离变换使变换后各成分按照信噪比而不是方差从大到小排序.以下是其基本流程:魏新华[4]等人采用高光谱技术和最小噪声分离分析方法对含有异性纤维的籽棉图像进行研究,试验结果表明,该方法的识别率达到91.0%,该研究可为棉花异性纤维检测系统的开发提供参考.肖雄斌[5]等人提出的一种基于最小噪声分离变换的高光谱图像异常检测方法,提高了异常检测率.林娜[6]等人提出的核最小噪声分离变换高光谱影像的非线性特征提取方法,可获得优于最小噪声分离特征提取的端元提取效果.1.3 独立成分分析独立成分分析是一种利用统计原理进行计算的方法,主要用于高光谱数据特征提取.于绍慧[7]等人利用独立成分分析对微分谱进行解析更有利于多组分混合三维荧光光谱所含成分的识别.白璘[8]等人提出的一种独立成分分析和小波变换相结合的高光谱图像有损压缩方法,可以很好地保留高光谱图像的光谱特性.何元磊[9]等人提出的一种基于独立成分分析的异常探测算法,取得了良好的检测性能,且运算复杂度较低.2 图像特征提取和特征选择的研究由于高光谱图像数据信息谱图合一的特点,基于图像的特征提取可以提取样本的空间分布特征信息,该特征也可用于反映样本信息.常用的图像特征提取和特征选择方法所涉及的特征有颜色特征、纹理特征、形状特征.2.1 颜色特征颜色特征反映了图像的整体特征,通常采用颜色的一阶矩(Mean)、二阶矩(Variance)和三阶矩(Skewness)来表达图像的颜色特征.设P(j,i)为图像的第j个像素的第i个颜色分量值,则一阶矩为它表示待测区域的颜色均值.二阶距为它表示待测区域的颜色方差,即不均匀性.三阶距为三阶矩反映颜色的不对称性.如果图像颜色完全对称,其值应为零.徐贵力等提出用百分率直方图法提取缺素叶片图像颜色特征,此方法提取的颜色特征能理想地识别缺素番茄叶片[10].金伟提出的一种新的颜色特征提取方法,即像素不连通区域面积直方图法,对图像旋转、缩放等具有较好的鲁棒性[11].郑小东等根据植物生长智能监控的需求,设计了叶颜色特征提取方法,为后续决策处理提供了数据支持[12].2.2 纹理特征图像的纹理特征是由图像上地物重复排列造成的灰度值有规则的分布,它不同于灰度和颜色等图像特征.图像的纹理特征反映了图像固有的属性,能够体现图像的重要信息,比如图像的粗糙程度、细致程度和均匀程度等.常见的纹理特征提取方法有统计法、结构法和模型法.孙磊等针对全色图像云检测与雪检测的问题,提出了一种基于多种纹理特征的特征提取方法,实验结果验证了其算法的有效性[13].白丽等提出的基于皮肤纹理特征的高分辨人脸图像识别算法,可以提高人脸识别的性能[14].章勇勤等分别从时域和频域的角度提出的纹理特征检测算子,有效地提高了图像的信噪比[15].2.3 形状特征形状特征描述的是图像的一种局部特征,是其在局部区域的几何性质.毋媛媛等将不变矩理论引入作物病害图像形状特征提取中,通过运用主成分分析和统计分析方法,得到适合两种作物病害识别的形状特征,并将其应用到作物病害智能识别系统中[16].董红霞等提出了一种基于形状与纹理特征的分类算法,在灰度图像上提取了纹理特征,实验表明,相比于已有算法,新算法能够达到更好的分类率[17].邵庆以小麦条锈病为例,对小麦病害部位的图像进行特征提取,为农作物病害诊断信息特征数据库的建立提供了基础数据[18].3 高光谱特征提取新进展3.1 核主成分分析核主成分分析的基本思想是将核方法应用到主成分分析中,首先通过变换h实现了输入空间X到特征空间F的映射,定义核函数K(xi,xj)＝〈h(xi),h(xj)〉,则特征空间中两向量的内积可用输入空间中的两向量的核函数表示.此时输入空间的样本点x1,x2,…,xl变换为特征空间的样本点h(x1),h(x2),…,h(xl),然后在特征空间中使用主成分分析,即求解特征值问题:λiui＝¯Cui,i＝1,2,…,l,其中为样本空间中的协方差矩阵,λi是¯C的一个非零特征值,ui为λi所对应的特征向量.核主成分分析是对传统的主成分分析算法的非线性拓展.目前,常用的核函数主要有三类:多项式核函数:K(x,y)＝(a(x·y)＋b)d,d＞0且a,b∈R,Sigmoid核函数:K(x,y)＝tanh(a(x·y)－b),a,b∈R,高斯径向基核函数:其中,高斯径向基核函数用得更广泛一些.白杨等提出了一种改进的核二维主成分分析(K2DPCA)高光谱图像降维方法,该方法能够有效提高图像压缩比,实现遥感图像在空间维上的双向降维[19].赵丽红等把核主成分分析应用到人脸识别中,通过选择合适的核函数在高维空间提取人脸图像的主成分,结果表明,核主成分分析与传统主成分分析相比,可以得到更好的适合分类的特征[20].3.2 投影寻踪方法逐次投影寻踪方法,通过对高光谱数据的多次一维投影,逐步筛选出有效成分,构建起新的低维正交空间.在逐次投影寻踪过程中,关键是要使选出的投影方向与当前已产生的方向是正交的.其实现步骤为:(1)数据无量纲化.先归一化,再标准化.夏鲁瑞等提出了一种基于投影寻踪的高光谱目标识别算法,并通过实际高光谱数据对算法进行验证,结果表明该算法能够有效提高信噪比[21].吴超[22]等针对高光谱图像的非监督目标检测问题,提出的一种基于混沌粒子群优化投影寻踪的检测方法取得了较好的检测效果.王维等提出的基于投影寻踪的高光谱图像异常检测并行算法具有良好的并行性能[23].4 总结与展望本文针对高光谱图像数据量大,波段多,冗余度大等特点,从光谱和图像两个层面分别论述了高光谱图像的特征提取与特征选择的若干种方法.重点给出了核主成分分析方法和投影寻踪方法及其一些应用实例.虽然至今已有很多高光谱图像特征提取和特征选择的方法,但各种方法都存在局限性,因此对于较复杂的高光谱图像,需要多种方法相互融合,灵活发挥各种方法的优点,以期达到理想的结果.由于高光谱图像的广泛使用,能够实现高光谱数据降维的特征提取和特征选择方法会成为今后研究的方向.虽然现有的理论和方法对复杂的高光谱图像特征提取和特征选择效果离理想的效果还有一定距离.但随着高光谱图像技术的发展,高光谱图像特征提取和特征选择方法一定会得到更广泛的应用.参考文献：[1] 杨燕.基于高光谱成像技术的水稻稻瘟病诊断关键技术研究[D].杭州:浙江大[2] 赵丽红,张西礼,徐心和.基于二维对称主成分分析的人脸识别[J].仪器仪表学报,2008,29(6).[3] 杨秀坤,钟明亮,景晓军,等.基于主成分分析-二阶导数光谱成像的红外显微图像分析[J].光学学报,2012,32(7).[4] WEI Xinhua,WU Shu,XU Laiqi,et al.Identification of foreign fibers of seed cotton using hyper-spectral images based on minimum noise fraction[J].Transactions of the Chinese Society of Agricultural Engineering,2014,30(9).[5] 肖雄斌,厉小润,赵辽英.基于最小噪声分离变换的高光谱异常检测方法研究[J].计算机应用与软件,2012,29(4).[6] 林娜,杨武年,王斌.高光谱遥感影像核最小噪声分离变换特征提取[J].武汉大学学报,2013,38(8).[7] 于绍慧,张玉钧,赵南京,等.微分谱结合独立成分分析对三维荧光重叠光谱的解析[J].光谱学与光谱分析,2013,33(1).[8] 白璘,高涛.基于独立成分分析的高光谱图像有损压缩方法[J].计算机工程,2013,39(3).[9] 何元磊,刘代志,易世华,等.基于独立成分分析的高光谱图像异常检测[J].光学技术,2011,37(2).[10]徐贵力,毛罕平,李萍萍.缺素叶片彩色图像颜色特征提取的研究[J].农业工程学报,2002,18(4).[11]金伟.基于融合颜色特征与形状特征的图像检索[D].西安:西安电子科技大[12]郑小东,王晓洁,李玲玲.面向植物生长智能监控的叶颜色特征提取[J].中国农学通报,2010,26(19):401-407.[13]孙磊,曹晓光.基于多种纹理特征的全色图像云雪区特征提取[J].电子设计工程,2014,22(2).[14]白丽,方驰,丁晓青.基于皮肤纹理特征的高分辨率人脸图像识别[J].计算机工程,2012,38(2).[15]章勇勤,艾勇,吴敏渊,等.基于纹理特征的图像恢复[J].武汉大学学报:信息科学版,2010,35(1).[16]毋媛媛,刁智华,王会丹,等.作物病害图像形状特征提取研究[J].农机化研究,2015(1).[17]董红霞,郭斯羽.一种结合形状与纹理特征的植物叶片分类方法[J].计算机工程与应用,2014,50(23).[18]邵庆,张楠,路阳.小麦病害图像识别处理及形状特征提取研究[J].农机化研究,2013(8).[19]白杨,赵银娣,韩天庆.一种改进的K2DPCA高光谱遥感图像降维方法[J].测绘科学,2014,39(7).[20]赵丽红,孙宇舸,蔡玉,等.基于核主成分分析的人脸识别[J].东北大学学报,2006,27(8).[21]夏鲁瑞,赵继广,孙洁,等.基于投影寻踪的高光谱典型目标识别算法[J].光学与光电技术,2013,11(3).[22]吴超,吴一全.基于混沌粒子群优化投影寻踪的高光谱图像目标检测[J].光学学报,2011,31(12).[23]王维,赵慧洁,董超.基于投影寻踪的高光谱图像异常检测并行算法[J].北京航空航天大学学报,2009,35(3).[责任编辑:班秀和]∗基金项目：广西教育厅项目(201203YB103)。
高光谱图像目标检测研究进展_贺霖
高光谱图像目标检测研究进展贺 霖1,潘 泉2,邸 3,李远清1(1.华南理工大学自动化科学与工程学院,广东广州510641;2.西北工业大学自动化学院,陕西西安710072;3.Loboratory for Rem te Sensing ,Purdue University ,W est Lafayette 479072405,I M US A ) 摘 要: 高光谱图像目标检测在民用和军事上都具有重要的理论价值和应用前景,是当前目标识别及遥感信息处理研究领域中的一个热点研究问题.文章从高光谱成像的特性及发展入手,对高光谱图像目标检测的潜在典型应用、国内外相关实验及系统进行了总结;综述了算法理论现状;详细分析了高光谱图像目标检测的研究难点及未来发展趋势.关键词: 高光谱图像;目标检测;算法;典型应用中图分类号: TP39114 文献标识码: A 文章编号: 037222112(2009)0922016209Re search Advance on Target Detection for Hyperspectral ImageryHE Lin 1,PAN Quan 2,DI Wei 3,LI Y uan 2qing 1(1.College o f Automation Science and Engineering ,South China Univer sity o f Technology ,Guangzhou ,Guangdong 510641,China ;2.College o f Automation ,Northwestern Polytechnical Univer sity ,Xi ’an ,Shaanxi 710072,China ;3.School o f Civil Engineering ,Purdue Univer sity ,West Lafayette 47907,USA )Abstract : Target detection for hyperspectral imagery has important academic value and prospective applications both in civil and military areas.And it has been a hot spot in the areas of target recognition and remote sensing information processing.Based on the characteristics and development of hyperspectral imaging ,this paper surveys the potential typical applications of target detection for hyperspectral imagery ,along with the relevant experiments and systems at home and abroad.Then ,the development of current theory and algorithm are summarized.Challenges of target detection for hyperspectral imagery and the direction of future progress are also discussed.K ey words : hyperspectral imagery ;target detection ;algorithms ;typical application1 引言 高光谱图像包含观测场景中的空间信息和光谱信息,具有“图谱合一”观测的特性[1,2].高光谱图像目标检测(detection ,探测)除可以利用图像空间信息之外,还可利用光谱信息,由于光谱特征是不同化学成分的物质所具有的固有特性,结合该信息可大大提高目标和背景进行定量分析的能力.20世纪70年代末,G oetz 等在美国加州理工学院喷气推进实验室(J P L )首先提出遥感用成像光谱技术的研究计划,并在美国航空航天管理局(NAS A )的支持下开始了成像光谱仪的概念设计和研究[2,3].1990年,美国军方和情报机构开始关注成像光谱技术,并将这一技术重新命名为高光谱成像[2,4].高光谱成像是指在电磁波波谱的光谱波段获取高的光谱分辨率的图像信息的过程[1～4].它的理论基础是利用电磁波谱对各种物质特性进行研究和以成像形式对物质光谱特性进行研究.高光谱图像数据是一个数据立方体,其一层图像对应一个光谱波段;每个象素点位置对应一条光谱曲线.高光谱成像的光谱分辨率可以达到10nm ,可同时获取同一观测对象的几十个甚至上百个相邻光谱波段的图像信息.1983年,世界第一台成像光谱仪AIS 21由J P L 研制成功.其后J P L 研制的224波段航空可见光/红外成像光谱仪(AVIRIS )和美国海军实验室(NR L )研制的210波段高光谱数字图像收集实验仪(HY DICE )标志了新一代高光谱成像仪的出现.其它一些国家包括加拿大、芬兰和德国等也先后研制出数十种较具实用性的成像光谱设备[3].国内也先后年研制了模块化航空成像光谱仪(M AIS )、收稿日期:2008205208;修回日期:2009206209基金项目:国家自然科学基金重点项目(N o.60634030);国家杰出青年基金(N o.60825306);国家自然科学基金(N o.60475004);航空科学基金(N o.2006ZC53037);广东省自然科学基金(N o.9451064101002925);教育部新世纪人才基金(N o.NCET 20420816);教育部高等学校博士学科点专项科研基金(N o.200805611063);广东省自然基金团队项目(N o.04205783)第9期2009年9月电 子 学 报ACT A E LECTRONICA SINICA V ol.37 N o.9Sep. 2009实用型模块化成像光谱仪(OMIS2I和OMIS2II)、面阵推扫式高光谱成像仪(PHI)及宽视场成像光谱仪(WHI)等.除专用高光谱成像仪之外,近年来出现了越来越多的商业化、通用的电调谐滤波器(ETFs)器件,包括液晶可调滤波器(LCTFs)、声光可调滤波器(AOTFs)和光电法布里2珀罗装置(E OFP)等,这些通用器件的出现也使得高光谱图像数据的获取和应用更加方便.高光谱成像技术的发展直接推动了高光谱图像目标检测技术的出现和发展.随着高光谱图像目标检测技术研究的深入开展,近年来已有多次涉及该内容的国际会议召开,包括国际光学工程学会(SPIE)的“自动目标识别”、“小目标的信号和数据处理”、“信号处理、传感器融合和目标识别”和美国军方红外信息分析中心(IRIA)的“伪装、隐藏和欺骗技术专家论坛”等会议.特别是SPIE每年都在美国召开主题为“多光谱、高光谱及超光谱的算法和技术”的国际会议,至2008年,已连续召开了十四届,该会议论文中包含了大量高光谱图像目标检测方面的内容.另外,美国电气电子工程师学会(IEEE)的各种学报及一些国际知名期刊也已出现了较多这方面的文章.特别是IEEE S ignal Processing M agazine在2002年1月出版了关于高光谱图像处理的专辑,其中有2篇专门针对高光谱图像目标检测技术[5,6];另外,美国麻省理工学院的Lincoln实验室期刊在2003年也出版了关于高光谱图像处理的专辑,其中有2篇专门讨论高光谱图像目标检测问题[7,8].高光谱图像处理通常包括降维、目标检测和解混合等内容[9],降维是为了去除光谱维冗余信息,目标检测是一个二类分类问题[9,10],而解混合要找出每个像素位置各类别的含量,这三方面的内容是提取信息量依次上升的过程[9,10].高光谱图像目标检测作为二类分类问题,一般可被视为涵盖于自动目标识别[5～11]这一研究领域之中.图1给出了高光谱图像目标检测与高光谱图像处理及自动目标识别的相互关系.实际应用中,由成像光谱仪得到的高光谱图像数据复杂,对其产生影响的因素很多,实际处理过程会有较大差异.以文献[12]为参考,图2给出了一种利用原始高光谱图像数据实现目标检测的流程[24,41].2 典型应用 高光谱图像目标检测在许多方面都有巨大潜在应用价值.(1)公共安全.公共场所一般人流量较大且人员复杂,难以及时有效发现和预防异常情况的发生.通过拍摄高光谱图像并进行检测分析可以在完全不影响公共场所秩序的前提下,发现衣物等物品表面微量沾附的炸药、毒品等可疑物及逸漏于空气中的有毒气体或生物制剂等可疑气体,为及早预防异常情况的发生提供可能[13,14].(2)军事侦察.军事侦察面临的主要难题之一就是如何揭露敌方目标的伪装、隐藏和欺骗.高光谱图像检测可以通过对观测场景中物质光谱特性的定量分析,实现对真假目标之间、目标和伪装物之间、覆盖物与周围正常环境之间的光谱特征微弱变化的检测,为揭露伪装、隐藏和欺骗提供可能[15,16].(3)污染监测.对污染物及时有效的发现是进行污染控制的关键.通过航拍等手段采集高光谱图像并进行检测,可以在大范围内快速和准确地发现有害废水、废气排放及海洋原油泄漏等情况的发生地并判断污染物种类[17,18].(4)食品卫生.食品生产经常是成批大量的,利用高光谱图像进行检测可以在不接触和改变其形态的情况下成批快速地提取食品的农药残留、粪便残留、有害毒素、碰伤及腐败等相关信息,以有利于进一步的食品卫生控制和等级确认[19,20].(5)星际探索.通过航天探测器上携带的成像光谱仪可以获取外太空星球的高光谱7102第 9 期贺 霖:高光谱图像目标检测研究进展图像,通过对这些数据的检测处理及相应的地理化学和地理生物学的分析,可以探索地球以外的其它星球是否存在生命的迹象及有关地质演化历史等[21].其它还可应用的方面包括矿物勘探、土壤分析、精准农业、生态保护、医学诊断及人体生物特征验证等[22,23].另外,各种物质在不同的光谱位置和范围会表现出不同的波谱特性,故可以按光谱位置和范围的不同对高光谱图像目标检测的具体应用对象进行划分[23].3 国内外相关实验及应用系统 由于高光谱图像目标检测具有的独特优势.它一出现就引起了美国等国家有关研究机构的关注,进行了一些相关实验并将其应用于一些实际系统[24].20世纪80年代末,美国的一些研究机构开始利用高光谱图像数据进行目标探测方面的研究[24].美国陆军工程地形学实验室(US AET L)提取了1000余种包括土壤、植被和多种伪装材料在内的光谱数据,并配合AVIRIS高光谱图像数据进行了军事目标探测的研究.同时,美国航空航天管理局(NAS A)和加州理工学院的喷气推进实验室(J P L)进行了一些矿物探测方面的研究,美国地质调查局(USG S)、NAS A和美国农业部(US2 DA)进行了矿物、石油和植被调查方面的研究.20世纪90年代初,美国国防部(D oD)的测量与信号情报处(M ASINT)开展了高光谱军事应用(HY MS M O)项目,于1994年和1995年分别进行Operation Desert Radiance I等共五次数据采集实验,用来评估在各类典型地貌的场景为背景的条件下,高光谱成像对各类军事目标检测的有效性[25].20世纪90年代中期,美国空间与海上作战系统中心(SSC)和国防先进技术研究计划署(DARPA)在自适应光谱侦察项目(ASRP)的支持下,开发了实时在线高光谱数据处理器以便利用高光谱图像数据和高空间分辨率的图像来实时检测军事目标.1996年,SSC 为海岸机载传感器高光谱(LASH)项目的开展提供了最初的试验验证,旨在将高光谱成像应用于近海的潜艇、海矿及海床检测.随后,SSC参与开发出了在强杂波海洋环境下检测极低对比度目标的LASH系统,并使用该系统成功的检测到了海洋中的座头鲸群[26].2003年,美国海军使用海岸机载高光谱传感器系统(LASH)在日本海进行了运用高光谱图像数据进行浅海潜艇探测的实验,试图克服浅海区域因存在复杂背景杂波给声纳探测潜艇带来的困难.美国有关机构的其它一些典型实验和应用系统包括[24]美国海军研究室(NR L)开展的“黑马(Dark2 H ORSE)”实验计划和智能多传感器处理系统(IHPS); R ochester理工学院的Hawaii’s机载高光谱成像仪(AHI)进行的检测地雷实验;TRW公司的高光谱空空导弹导引头系统(H AAMS);美国海军制定的高光谱技术发展计划(HRST);美国陆军的多/高光谱传感系统(MHSS).特别是美国国防部制定的《无人机系统路线图2005-2030》中,将高光谱图像传感器及其检测技术作为2010至2015年重点发展的无人机机载静态成像系统[27].除以上所述外,在大气、海洋、环境及土壤方面也有一些类似实验及应用系统[24].4 算法理论现状 自上世纪九十年代,国外出现了进行高光谱图像目标检测算法理论研究的研究组[24],如美国马里兰大学巴尔的摩分校遥感信号和图像处理实验室的Chang 组[24,28～39],他们在各类国际学术期刊上发表了数十篇相关的学术论文;美国麻省理工学院林肯实验室M anolakis组[5,7,10,40],他们发表了几篇被较多引用的综述性论文[24];其它的一些国外相关研究机构包括[24]美国海军、空军实验室及卡耐基梅隆大学等.国内的有关研究机构和院校也在进行有关研究[24,41～52].411 算法分类可以从不同角度对高光谱图像目标检测算法进行分类[24].如果按感兴趣目标光谱信号信息使用层次的不同,大致可分为光谱异常检测和光谱匹配检测.光谱匹配检测需要使用目标物光谱信号的先验信息,可以在有附加约束或无附加约束条件下实施.异常检测不需要目标物光谱的先验信息,将不符合背景模型的异常光谱点判为目标.可以从不同角度对光谱异常检测算法在进行细分.从目标光谱特征后验信息的使用情况角度光谱异常检测可以分为统计异常检测和后验光谱匹配检测.统计异常检测不从图像数据中获取目标光谱特征的后验信息,而直接将与局部或全局整体数据统计特性不同的位置判为异常目标;后验光谱匹配检测在运算过程中先以无监督的方式从高光谱图像观测数据中获取目标光谱特征的后验信息,再使用类似于光谱匹配的方法进行检测.从依据局部背景数据还是全局背景数据来进行异常检测的角度出发,光谱异常检测可分为局部异常检测和全局异常检测.如果从目标光谱信号是否利用光谱混合模型[5,7,47]的角度出发,高光谱图像目标检测算法可以分为纯象素检测和亚象素检测,纯象素检测是指目标所在的象素位置为目标信号所独占,亚象素检测是指目标所在的象素置除目标信号外,还混合有背景信号.按背景信号建模类型可将高光谱图像目标检测算法分为结构化背景和非结构化背景检测[5,7,10,48],结构化背景检测算法在检测过程中将背景信号与噪声信号分离,非结构化背景检测算法不将二者分离;此外,还可按统计性背景和几何性背景区分高光谱图像检测算法,统计性背景检测8102 电 子 学 报2009年算法将背景信号的不确定性视为服从随机分布,几何性背景检测算法将背景信号不确定性视为来自于一子空间.以上高光谱图像目标检测算法分类如图3所示.412 光谱异常检测算法[24]异常检测将不符合全局或局部背景光谱信号模型的象素点判定为目标,此过程不需要待检测目标的先验光谱特征.因此,光谱定标或大气补偿等预处理并不是必需的[10].由Reed 和Y u 提出的基于广义似然比检验的恒虚警RX 检测器(RX D )是一种广泛应用的标准比对算法[44～46,53].有关和派生的算法包括Chang 等的LPD 、UT D 、NRX D 、MRX D 、CRX D 及基于相关阵的NRX D 、MRX D 检测器[28,31,43]和WSCF [24]检测器;Ashton 检测器[95];Riley 检测器[24]等.其它思路的一些有代表性的异常检测器包括[24],基于三维高斯马尔可夫随机场的Schweizer 检测器;基于多空间窗嵌套的NSWT D 检测器和AADSS 检测器;基于独立性鲁棒异常检测的iRAD 检测器;利用主成分直方图分割的Caefer 检测器;利用投影寻踪高阶矩寻优的PPT D 检测器;利用端元空间光谱角的G illis 检测器;利用混合高斯模型的K asen 检测器;利用chi 方分布背景建模的Bernhardt 检测器;基于近似半参数检测的Asem iP 检测器;利用形态学滤波的Plaza 检测器;基于目标模最大值自动搜索的AT DC A 检测器;使用凸锥分析的方法的I farraguerri 检测器;基于丰度空间匹配滤波器的ST D 检测器;基于熵准则多检测器融合的S tein 检测器等等.413 光谱匹配检测算法[24]光谱匹配检测是通过与目标光谱先验特征相关或匹配来寻找目标.感兴趣目标的光谱特征可从光谱库中或是从同一观测场景中的已知目标象素处获取[8].Chang 课题组构造了一系列基于信号子空间投影和最小二乘原理的匹配检测方法,包括基于正交子空间投影的OSP 方法[32];使用非监督方法对波段维数进行扩展的推广正交子空间投影G OSP [33];利用光谱后验信息的POSP 方法[34];使用非正交的目标和背景子空间的OBP 算法[35];利用向量量化获取背景光谱特征的非监督向量量化子空间投影算法(UVQTSP )[36];利用信号杂波噪声模型的干扰子空间投影(ISP )算法[37];利用噪声子空间的噪声子空间投影算法(NSP )[38].Heinz 等根据最小二乘原理构造了一系列适用于丰度约束的检测方法,包括和一约束最小二乘方法(SC LS )、非负约束最小二乘方法(NC LS )、全约束最小二乘方法(FC LS )、非监督和一约束最小二乘方法(US 2C LS )、非监督非负约束最小二乘方法(UNC LS )和非监督全约束最小二乘方法(UFC LS )[30].Chang 等还提出了一类目标光谱信号约束检测方法,包括基于目标信号和滤波器系数线性约束的线性约束最小方差(LC M V )检测器、约束能量最小(CE M )检测器和目标约束干扰最小滤波(TCIMF )检测器[28].M anolakis 等利用已有的子空间匹配滤波器算法构造了一系列高光谱图像匹配算法,包括MS D 算法、AS D 算法、K elly 算法、AMF 算法及ACE 算法等[5,7,10,40].其它思路的匹配检测器包括[24],信号分解干扰消除法(S DIA )[39]、感兴趣目标检测分类算法(DT DC A )、滑动窗口非平稳自回归模型的参数化自适应匹配滤波器(NS 2AR -PAMF );使用经白化变换的参数化广义线性模型的Edisanter 检测器;在不确定性目标信号子空间中寻找最优子空间的Schaum 检测器[54];另外,K w on 等将已有的RX D 、AS D 及CE M 算法等应用于高维核空间,构造了一系列基于核空间投影的高光谱图像异常检测和匹配检测方法[55].需要说明的是,要使用光谱匹配检测,一般需进行获取高光谱图像反射率光谱特征的预处理.414 算法总结一些主要算法可按图3的分类方法进行归类,可得表1.高光谱图像目标检测方法的体系还很不完善,算法过程差异较大.对这些算法做进一步分析可知:高光谱图像目标检测方法一般利用统计模式识别和多元统计信号处理等理论进行研究;高光谱图像目标检测方法作为高光谱图像处理方法中的一类有针对性的研究问题,一般是直接对原始光谱维数据进行处理而并不专门包含高光谱图像数据光谱维降维的问题,如需要可将其作为检测过程的一个预处理过程;高光谱图像目标检测算法一般对于辐射数据、反射率数据甚至发射数据这几种类型的数据都是适用的,只要在处理过9102第 9 期贺 霖:高光谱图像目标检测研究进展表1 检测算法归类算法名称算法分类目标信号类型背景信号模型噪声模型MS D ,CS D ,OSP ,POSP ,OBP ,ISP ,UVQTSP ,S DIA 光谱匹配亚象素结构化几何模型多元高斯;空间白化;谱间白化AS D光谱匹配亚象素结构化几何模型多元高斯;空间白化K elly ,AMF ,ACE 光谱匹配亚象素非结构化随机模型多元高斯;空间白化RX D ,Riley 异常检测纯象素非结构化随机模型多元高斯;空间白化NSP 背景非监督,目标谱匹配亚象素结构化几何模型零均值高斯白噪声AT DCA 异常检测亚象素非结构化随机模型多元高斯;空间白化;谱间白化DT DCA ,CS D 光谱匹配亚象素非结构化随机模型多元高斯;空间白化;谱间白化LC M V ,CE M ,TCI MF 光谱匹配亚象素非结构化随机模型空间白化Schweizer 异常检测纯象素结构化随机模型马尔可夫过程 多元高斯;空间白化;谱间白化WSCF 异常检测纯象素非结构化随机模型多元高斯AADSS NSWT D 异常检测背景、目标和噪声数据不分离,局部数据为高斯分布NS 2AR -PAMF ,Edisanter 光谱匹配亚象素非结构化随机模型;多元高斯;空间白化IRAD异常检测纯象素非结构化统计模型Caefer ,Ren ,PPT D 异常检测背景、目标和噪声数据不分离,局部数据为高斯分布纯象素目标K asen ,W illis 异常检测纯象素非结构化随机模型,多元混合高斯,空间白化Bernhardt 异常检测纯象素非结构化随机模型,Chi 方分布背景,空间白化Plaza 异常检测背景、目标和噪声数据不分离;亚象素目标ST D异常检测亚象素在丰度空间内结构化在丰度空间内零均值G illis ,SC LS ,NC LS ,FC LS 光谱匹配亚象素结构化几何模型无USC LS ,UNC LS ,UFC LS 异常检测亚象素结构化几何模型无SSPAD 异常检测背景、目标和噪声数据不分离;纯象素目标Asem iP 异常检测纯象素非结构化背景R obila异常检测背景、目标和噪声数据不分离;亚象素目标程中所涉及的所有数据是上述几种类型中的同一种类型即可[10],图4给出了遵循这一原则的高光谱图像目标检测的流程;高光谱图像目标检测算法一般要根据具体问题处理目标光谱信号、背景光谱信号和观测噪声三者之间的关系;相当多的高光谱图像检测方法设计集中在如何增强目标信号及抑制背景和噪声干扰这个层次上.尽管各种高光谱图像目标检测算法分析和处理问题的角度各有不同,但它们大体上基本都属于以下三种处理策略:一是抑制背景和噪声,同时保留目标信号,提高目标信号相对于杂波信号的对比度;二是先提高目标信号相对于杂波信号的对比度,再进行统计决策;三是直接使用统计决策进行判别. 根据已有文献中高光谱图像目标检测算法的推导实现过程及我们对相关问题的理解,高光谱图像目标检测本质上可理解为是一个信号检测的问题,而它的特殊之处在于它特有的成像过程、数据形式等.因此,遵循一般信号检测算法的思路,而同时又考虑了高光谱成像所引入的一些特有影响因素.可给出图5所示的高光谱图像目标检测算法的一般设计思路.0202 电 子 学 报2009年5 难点与展望 由于高光谱图像光谱维数高,数据复杂,在实际应用中涉及环节多,因此,对于高光谱图像目标检测仍存在很多需要解决的难点问题,其中的难点问题一些包括:(1)建立有效稳定的光谱反演模型.以可见光/近红外光谱谱段为例说明这个问题.在此谱段,反射率数据是表征观测对象电磁光谱特性的具有唯一性的“指纹”信息,相对于观测时的外部因素具有稳定性.要使用光谱库中的此类先验光谱特征数据进行光谱匹配检测,需通过光谱反演这个过程将高光谱辐射图像(DN 值图像)归一化为反射率图像.由于高光谱辐射图像的成像过程受大气、光照及传感器等许多具有高度复杂性的因素影响,要建立适用于目标检测和识别的有效稳定的光谱反演模型,一方面要对成像过程中产生影响的各外部因素的物理作用机理有准确的定性分析,另一方面对于目标本身的光谱特性也有透彻的掌握.(2)精确描述高光谱图像数据超维光谱空间的特性.高光谱图像数据每个象素点的光谱维数可达几十或是数百,与低维的全色图像、彩色图像或是多光谱图像相比,超维的高光谱图像数据往往表现出极具特殊性且异于一般直觉的特性,对于这种特性的准确描述可有效提高检测算法的性能.Jimenez等从有监督分类的角度对描述超维光谱空间特性进行了一些研究[56].而对超维空间数据特性的进一步描述及就高光谱图像目标检测研究领域的专门需要对超维光谱空间进行有针对性地描述仍然是一个有难度的问题.(3)低层与高层处理的有效结合.如图1所示,高光谱图像目标检测解决的是整个自动目标识别框架体系中低层部分的问题,它是相应高层处理的基础,同时也要受高层处理的指导.高光谱图像数据包含有丰富的观测对象的信息,将之充分利用有助于高层的信息理解;从高层的理解出发,也可能有助于低层的检测.高层信息处理与低层高光谱图像目标检测处理的相互结合和综合利用可能会有助于解决传统自动目标识别研究领域中的一些难题.这方面的研究所关联的问题较多也较为复杂,从已有文献看也很少有研究者进行系统研究,解决起来具有一定的挑战性.(4)建立专门和系统的评价体系.现有的对于高光谱图像目标检测算法精度和效果的评价主要还是借用信号检测和自动目标识别领域已有的较为通用的方法,如何根据高光谱图像数据的具体特点及高光谱图像目标检测问题的需要设计专门系统的评价体系也是一个需要解决的难点.根据高光谱图像检测技术的已有发展水平和成果,我们认为高光谱图像目标检测在以下方面可开展进一步的研究并有望取得较大的突破:(1)高光谱图像数据信息一体化融合目标检测.高光谱图像既有光谱维信息又有空间维信息,检测过程中通过信息融合的方法在各个处理层次进行数据信息的综合一体化处理可能会更充分有效的利用数据信息,取得更好的检测效果.(2)基于小样本学习理论高光谱图像数据信息提取的目标检测.实际高光谱图像相对于很高的高光谱图像光谱维数,其数据样本数是很有限的,同时高光谱图像在光谱维又存在着巨大的信息冗余.通过将已有的小样本学习理论与高光谱图像超维数据的特性相结合,可能有助于提高检测效果和效率.(3)实时的高光谱图像目标检测方法.高光谱图像数据的一个显著特点就是数据量大,这给实际应用系统中的传输和处理都带来一定困难,实时算法对于实际系统的应用具有重大意义.实时性检测算法设计可考虑的方面包括:(a)在已有算法的框架下从算法技巧的角度设计对应的实时算法;(b)结合光谱维的特征提取或选择等设计新的实时算法;(c)结合高光谱图像普遍存在的逐点或是逐行进行成像的特点,以序贯算法的方式进行算法设计;(d)结合具体的硬件处理平台,根据其特点和要求设计更具实用性和专门性的实时算法等.6 结束语 高光谱图像目标检测在民用和军事领域都存在着很好的应用前景,已引起了有关学者及研究机构的巨大关注.文章以现有各类文献为依据,从高光谱成像的特性及发展入手,对高光谱图像目标检测的潜在典型1202第 9 期贺 霖:高光谱图像目标检测研究进展。