【行业应用】基于光谱感知和时空张量分解的高光谱时间序列目标检测

来源：江苏双利合谱科技有限公司分类：商机

2024-04-23 14:15:07 52阅读次数

扫码分享

本期导读：

关注，聚焦行业应用，探索高光谱遥感发展！

本期内容：基于光谱感知和时空张量分解的高光谱时间序列目标检测

应用关键词：复杂背景、高光谱序列、高光谱目标检测、时空张量分解、光谱感知

background

背景

在军事领域，敌方常常采用伪装手段来掩盖军事目标，增加其隐蔽性和生存能力。因此，军事伪装目标检测对于提高军事情报获取和目标识别的效能至关重要。准确检测伪装目标有助于及时发现潜在威胁，提供决策制定所需的关键信息，增强军事作战的战略优势。高效的军事伪装目标检测技术能够为军队提供战场态势认知的深度和广度，为作战指挥提供有力的支持，从而在复杂多变的军事环境中确保国家安全。

高光谱目标检测利用丰富的光谱信息，能够捕捉目标表面的细微光谱特征，具有较高的光谱分辨率。这使得高光谱技术在目标识别和分类方面表现出色，尤其在复杂背景下仍能准确区分目标和非目标。高光谱数据的大量波段提供了更全面的信息，使其对伪装手段更为敏感。因此，高光谱目标检测在军事、环境监测、资源管理等领域具有广泛的应用前景，为提高目标检测的精度和可靠性提供了有力的工具。

尽管高光谱技术具有诸多优势，但其应用也面临一些挑战。数据量庞大、维度高和噪声干扰等问题使得高光谱数据处理复杂而困难。另外，伪装目标常采用多样化的手段，时序目标光谱多变，目标部分被遮挡，使得目标与背景之间的光谱差异变得微弱，增加了目标检测的难度如图1所示。此外，光照条件、大气影响和地物遮挡等因素也可能影响高光谱目标检测的准确性。因此，高光谱目标检测算法的研究需要克服这些技术难题，以更好地适应实际复杂场景的需求。

▲

图1 伪装车在不同环境伪彩色图

experimental design

试验设计

复杂背景下伪装目标的检测是当前研究的热点问题。现有的高光谱目标检测算法没有充分利用空间信息，很少利用时间信息。在复杂背景的高光谱序列中，难以获得所需的目标，且检测性能较低。为此，提出了一种基于光谱感知和时空张量(Spectral Perception and Spatial–Temporal Tensor Decomposition, SPSTT)分解的高光谱时间序列目标检测方法。首先，提出了一种基于谱匹配的稀疏目标感知策略。利用先验光谱、待测像元和四邻域像元光谱的相关均值对匹配结果进行调整，初步获取稀疏目标。通过对待测像素的局部拓扑图表示，充分利用局部空间结构信息，增强了目标与背景的分离。

其次，为了获得更准确的秩，充分利用时间连续性和空间相关性，构建了基于gamma范数和L2,1范数的时空张量(STT)模型。在此基础上，提出了一种优良的乘法器交替方向法(ADMM)来求解该模型。

Z后，将光谱匹配与STT分解相融合，减少误报，保留更多正确目标。采用176波段北京理工大学高光谱图像序列I (BIT-HSIS-I)数据集进行高光谱目标检测。通过对收集到的数据集的测试，发现所提出的SPSTT比Z先进的算法具有更好的性能。流程图如图2所示，具体步骤包括：

1)建立了SPSTT分解的融合模型。该方法既利用了先验光谱信息，又充分利用了时空整体结构信息。

2)在光谱感知(SP)方法中，提出了匹配滤波和局部相关融合策略来获取感兴趣的目标。采用拓扑图表示，提高了目标和背景的区分能力。

3)利用gamma范数和L2,1范数对低秩和稀疏部分进行建模，构造时空张量(STT)。此外，利用江苏科技有限公司的高光谱传感器GaiaSkymini2，构建了北京理工大学高光谱图像序列-I (BIT- hsis -I)数据集，该数据集采集自北京理工大学，北京，中国。

▲

图2 所提方法的流程图

Conclusion

结论

图3为不同方法检测结果对比图，可以看到图3（f）-（j）中所提方法对于同一序列不同图像目标相对突出，都提高了目标与背景的分离性。

▲

图3 不同方法检测结果三维图

图4显示了有关方法在四个不同数据集的所有序列上的ROC曲线。如图10（a）所示(稀疏草地和砖块），当PF接近0.1时，拟议的SPSTT所对应的PD约为0.9926。而其他方法CEM、MF、ACE、TDTSE、AHMID、LRSTV和CSRST的PD分别为0.6835，0.8046，0.7773，0.9169、0.3527、0.7230和0.8691。当PF大于10-3时，建议的SPSTT的ROC曲线高于其他算法。从图10（b）-（d）中可以看出，当PFs为0.1时，所提SPSTT算法的PDs为0.1、建议的SPSTT的PD均为1.0000。此时，其他算法的Z大PD分别为0.8991、0.8929和0.9211。当PF大于10-4时，建议算法的ROC曲线更接近坐标轴的左上方。上述四个数据集的ROC曲线以上四个数据集的ROC曲线验证了所提出的SPSTT。

▲

图4 不同方法检测结果的ROC曲线图

表1列出了上述比较算法在所有序列中的AUC值。在稀疏草地和砖块背景中，建议的SPSTT的AUC值为0.9956。在其余基线算法中，TDTSE的AUC值Z大，为0.9677，而AHMID的AUC值Z小，为0.7221。建议的SPSTT算法在其余不同场景中的AUC值为的AUC值为0.7221、0.9985,0.9951,and0.9965.其他基线算法在其余三种情况下的Z优AUC值分别为0.9691、0.9577和0.9601。建议的SP、STT和SPSTT算法的AUC值在所有情况下都超过了其他基线算法。建议的SPSTT方法的AUC也优于SP与TNN和SHP的组合（SPTNN和SPSHP）。

表1 不同方法检测结果的AUC值

▼

PRODUCT

产品推荐

▲

Gaiasky mini3-VN无人机载高光谱成像系统

主要特点：

● 核心点一：十多年在成像光谱系统开发与技术应用积累的丰富经验。结合近年来在无人机载高光谱成像系统的开发与应用方面有了长足的发展，为科研、行业等提供了全新的解决方案。

● 核心点二：从光谱仪设计到系统集成、开发、应用等形成一条完整的产品链。

● 自主设计的增稳云台：GaiaSky-mini3系列无人机载高光谱成像系统基于大疆M300多旋翼无人机，自主研发设计的多轴增稳云台为其成像提供高质量数据提供保障。

● 成像构造：系统采用扫描成像构造，有效提高数据采集的效率和质量。

● 操控方式：通过遥控器进行各项功能的应用，方便、快捷、灵活。

● 成像模式的多样化：旋翼拍摄模式、固定飞行模式的切换为不同的应用提供不同的测试需求。

● 外观设计：独特的外观设计及操控为系统的品质和多维应用提供良好的平台和稳定性。特有的监控模块实时提供现场环境状况，形成“所见及所得”。

● 软件功能：快速实时校准为用户在线输出反演、分类识别等结果，为行业应用快速做成决策判断。

● 数据拼接：高精度POS及校正软件为大面积的数据拼接等硬软件，充分提升了系统的数据的质量和工作效率。

● 负载：可根据实际应用需求选配其他产品。

作者简介：

赵晓彬:

男，山西晋中人，工学博士

主要研究方向：

基于及其学习的高光谱目标检测识别。该研究得到了北京市自然科学基金委的部分资助JQ20021基金资助，部分由国家自然基金会中国科学基金项目(52002214) 资助。

参考文献：

相关研究以“Hyperspectral Time-Series Target Detection Based on Spectral Perception and Spatial–Temporal Tensor Decomposition”为题，发表于国际期刊IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING（中科院一区，2023年影响因子8.2）。

论文链接：

https://ieeexplore.ieee.org/document/10225559