【光谱学堂】JZ！高光谱技术进行图像目标检测

       高光谱遥感采用分光技术，将接收到的电磁波信号色散至一系列细微连续的波段上，分别捕获记录对应波段上的电磁波能量，形成高光谱遥感图像。高光谱图像在记录图像信息的同时，还包含了成像场景中丰富的光谱信息，实现了空间二维信息与光谱维信息的有机结合。基于高光谱图像的目标检测识别技术，能够充分利用其“图谱合一”的数据特性，在隐蔽目标探测、伪装目标识别及目标材质属性判别等方面具有独特的优势。

图 1 高光谱成像信号传输过程

高光谱图像进行目标检测的一般过程

       目标检测实质是一个二分类问题，将待检测图像分解成背景和目标两类。目标检测的实质是对待测像元进行背景或目标的二元假设检验过程。基本思想是利用目标的奇异性，设计检测统计量，突出背景与目标像元间的差异，通过阈值分割，判断当前像元是否为异常目标[1]。

       利用高光谱图像进行目标检测的一般步骤如图2所示。显然，设计检测统计量和阈值确定是检测算法的两个方面。检测统计量一般由待检验光谱向量，通过统计函数，投影变化求得。统计函数的参数估计精度对检测算法性能有着直接影响。有监督的目标检测算法中，参数由样本数据训练求，而非监督的目标检测算法，在样本数据缺失的情况下，通常以待检测图像全部或局部为训练样本。

图 2 目标检测的一般过程

高光谱目标检测算法分类

       高光谱目标检测算法从1990发展至今已有30年历史，从基础目标检测算法使用模型来分，可分为基于概率统计模型的检测算法、基于子空间模型的检测算法、基于线性混合模型的检测算法、基于非线性混合模型的检测算法。具体分类如图3所示。

图 3 高光谱图像目标检测算法分类

1、基于概率统计模型的检测算法。基于概率统计模型的异常检测算法，假设高光谱图像的光谱向量，符合一定的概率统计模型。在假设的概率统计模型上，进行统计分析，检测出图像中的目标。似然比检验(Likelihood Ration, LR)和广义似然比检验(Generalized Likelihood Ratio Test, GLRT)是Z经典的假设检验的方法[2]。以GLRT为理论基础，在光谱信号服从多元高斯分布的假设下，I.S.Reed和Xiaoli-Yu提出了经典的RX检测算法[3]。

2、基于子空间模型的检测算法。高光谱图像波段间有相关性，说明像元的光谱向量可以在维数小于波段数的子空间中完备描述。这类算法的基本思路是，通过构建子空间，将待测像元投影至子空间中，增大目标与背景的对比度，实现目标检测。低概率目标检测LPD是这类算法的典型代表。

3、基于线性混合模型的检测算法。线性光谱混合模型认为，光谱向量由图像场景中若干纯物质（即端元像元）的光谱按照一定比例（即丰度），线性混合而成。端元数目估计和端元向量提取，是这类算法的重要环节。

4、基于非线性混合模型的检测算法。和线性混合模型不同，在非线性混合模型中，光谱向量由端元向量非线性混合而成。典型的混合模型包括Hapke模型、Kubelk-Munk模型、SAIL模型、PROSPECT模型等[4-7]。基于核函数的检测算法是非线性混合模型下目标检测算法的研究热点。

高光谱目标检测应用

高光谱图像目标检测在许多方面都有巨大潜在应用价值。[8]  

（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易燃易爆品、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   

（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。  

（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。  

（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。 

 （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。其它还可应用的方面包括矿物勘探、土壤分析、JZ农业、生态保护、医学诊断及人体生物特征验证等。

       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。

中科谱光

       中科谱光以促进光谱技术在民生服务、检测产业发展中的应用为目标，为用户提供包括光谱数据采集、数据分析处理及行业应用在内的全产业链服务。目前已实现水质光谱在线监测、智能润滑油光谱实时检测、煤炭热值快速检测、文物超光谱扫描成像系统、物证扫描成像分析系统等多方面的应用示范，并可根据用户需求开展定制化的检测分析服务，探索更多领域的光谱应用。

文章参考内容来源于网络及发表文献及图书，部分参考文献陈列于文章末尾，其余内容如有侵权，请及时联系我们予以删除。

参考文献

[1] 孙康, 耿修瑞, 唐海蓉,等. 一种基于非线性主成分分析的高光谱图像目标检测方法[J]. 测绘通报, 2015(001):105-108.

[2] A.Schaum. Hyperspectal Anomaly Detection Beyond RX. Proc. of SPIE.vol.6565, no.3, pp.1036-1042, Nov 2012.

[3] I.S.Reed and X.Yu. Adaptive multiple-band CFAR detection of an optical pattern with unknown spectral distribution[J]. IEEE Trans.Acoustics, Speech, Signal Processing, 1990, 38(10):1760-1770.

[4] Bore C C, Gerstl S A. Nonlinear spectral miximg models for vegetative and soils surface[J]. Remote Sensing of the Environment, vol.47, no.2, pp.403-416, Nov 1994.

[5] Gao B C,Goetzt A F. Retrieval of equivalent water thickness and information related to biochemical components of vegetation canopies form AVIRIS data[J]. Remote Sensing of the Environment, vol.52, no.2, pp.155-162, Mach 1995.

[6] Hapke B. Bidirectional reflectance spectroscopy theory[J]. Journal of Geophysical Research, vol.86, no.11, pp.3557-3561, 1981.

[7] Jacquemoud S, Baret F.PROSPECT:a model of leaf ooptical properties spectra[J]. Remote Sensing of the Environment, vol.34, no.2, pp.75-91, Mach 1990.

[8] Zhang Y, Fan Y, Xu M, et al. An Improved Low Rank and Sparse Matrix Decomposition-Based Anomaly Target Detection Algorithm for Hyperspectral Imagery[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2020, PP(99):1-1.