一種改進(jìn)的高光譜圖像CEM目標(biāo)檢測算法

一種改進(jìn)的高光譜圖像CEM目標(biāo)檢測算法

來源：《?應(yīng)用物理》?，作者付銅銅等

摘要:?約束能量最小化(Constrained Energy Minimization, CEM)目標(biāo)檢測算法廣泛應(yīng)用于高光譜目標(biāo)檢測中。本文在分析CEM算法的推導(dǎo)過程后，發(fā)現(xiàn)圖像像元的選擇，可以改善自相關(guān)系數(shù)，因此提出一種改進(jìn)的CEM目標(biāo)檢測算法。該方法首先對高光譜數(shù)據(jù)集進(jìn)行光譜重排、一階微分，增加目標(biāo)與背景的差異性；計(jì)算目標(biāo)光譜與數(shù)據(jù)集中光譜點(diǎn)的相似度，求取CEM算法的自相關(guān)矩陣時(shí)去除與目標(biāo)相似度高的像元，減少自相關(guān)矩陣對目標(biāo)的抑制。為進(jìn)一步抑制背景，增加算法的普適性，加入對數(shù)算子。最后對合成高光譜數(shù)據(jù)和真實(shí)高光譜數(shù)據(jù)進(jìn)行試驗(yàn)，結(jié)果表明，與傳統(tǒng)算法相比，提出的算法可以對偽裝目標(biāo)進(jìn)行有效識(shí)別，而且對小目標(biāo)和大面積目標(biāo)檢測都具有適用性。

1. 引言

高光譜遙感技術(shù)獲得物質(zhì)連續(xù)的光譜曲線，具有“光譜合一”的特點(diǎn) [1] ，被列為遙感技術(shù)在20世紀(jì)三個(gè)最顯著的進(jìn)展之一 [2] [3] 。高光譜技術(shù)廣泛應(yīng)用于目標(biāo)檢測。根據(jù)先驗(yàn)經(jīng)驗(yàn)是否可知，目標(biāo)檢測方法可分為有監(jiān)督檢測和無監(jiān)督檢測。無監(jiān)督目標(biāo)檢測中經(jīng)典算法為RX算法。文獻(xiàn) [4] 在RX中加入核函數(shù)提出一種非線性的異常目標(biāo)檢測算法：KRX (Kernel RX, KRX)算法。有監(jiān)督目標(biāo)檢測中經(jīng)典算法為CEM算法和自適應(yīng)余弦一致性估計(jì)(Adaptive cosine Consistency Estimation, ACE)算法。文獻(xiàn) [5] 提出一種加權(quán)ACE算法。文獻(xiàn) [6] 提出一種基于雙時(shí)間段檢測的CEM算法。本文通過研究CEM算法，通過改善自相關(guān)矩陣及加入對數(shù)算子，提出一種不僅適用于大面積目標(biāo)而且適用于小目標(biāo)的改進(jìn)的CEM (Modified Constrained Energy Minimization, MCEM)算法。

2. CEM算法

?

3. 改進(jìn)的CEM算法

分析CEM算子可知，影響檢測結(jié)果的量只有兩個(gè)：目標(biāo)先驗(yàn)光譜適量?dd?和自相關(guān)矩陣?RR?，當(dāng)給定?dd?后，自相關(guān)矩陣?RR?的準(zhǔn)確度直接影響算法的精確度。研究CEM算子的推導(dǎo)過程的兩個(gè)約束條件可知，?RR?是為了限制背景的輸出，它由背景像元光譜求出。然而CEM算子在計(jì)算?RR?時(shí)把目標(biāo)也計(jì)入其中，從而導(dǎo)致算子對目標(biāo)的抑制。如果把疑似目標(biāo)剝離?RR?的計(jì)算，那么我們就能得到更加精確有效的檢測結(jié)果。在確定疑似目標(biāo)過程中，往往會(huì)把非目標(biāo)當(dāng)做目標(biāo)，算子對這些像元就會(huì)有一定的增強(qiáng)。為了抑制這些像元，我們加入對數(shù)算子，對背景進(jìn)行進(jìn)一步抑制。至此，本文提出一種改進(jìn)后的CEM算法：MCEM算法。步驟如下：

?

4. 試驗(yàn)及結(jié)果分析

將提出的MCEM算法與CEM算法、ACE算法和RX算法進(jìn)行比較，來驗(yàn)證提出算法的優(yōu)越性。實(shí)驗(yàn)中所用高光譜數(shù)據(jù)來自美國RIT (Rochester Institute of Technology, RIT)大學(xué)的高光譜目標(biāo)檢測項(xiàng)目。高光譜圖像大小為280 *800，包含126個(gè)波段，光譜范圍為400~2500 nm。高光譜圖像全景如圖2所示。

4.1. 成高光譜試驗(yàn)

截取圖2中右下角200 *200區(qū)域的綠色森林區(qū)作為背景，如圖3所示。數(shù)據(jù)集中存在一白色色汽車標(biāo)準(zhǔn)光譜。白色汽車如圖4所示。我們選取幾處綠色區(qū)域的光譜求取平均值，作為綠色背景光譜。我們把背景光譜和汽車標(biāo)準(zhǔn)光譜按一定的比例線性混合，并加入噪聲作為偽裝目標(biāo)。偽裝目標(biāo)光譜合成公式如下：

?

car為汽車的標(biāo)準(zhǔn)光譜，bac為背景光譜，sa為噪聲，通常為高斯白噪聲。此處我們?nèi) = 6。目標(biāo)植入坐標(biāo)分別為(50, 50)、(50, 100)、(50, 150)、(100, 50)、(100, 100)、(100, 150)、(150, 50)、(150, 100)、(150, 150)。背景光譜、汽車標(biāo)準(zhǔn)光譜和偽裝目標(biāo)光譜如圖5所示。

?

?

?

?

?

?

Figure 6. Test results of four algorithms

圖6. 四種算法的檢測結(jié)果

相比接受器操作特性(Receiver Operating Characteristic, ROC)曲線來說，ROC曲線下面積(Area Under roc Curve, AUC)值能更好地衡量算法的性能。AUC值越大，表示算法檢測效率越高。AUC值可以更好地定性顯示算法檢測能力大小。為更好地定量分析算法的優(yōu)劣性，我們使用AUC值和算法運(yùn)行時(shí)間來評(píng)判算法的優(yōu)劣性。

表1為圖6對應(yīng)算法檢測結(jié)果的AUC值和算法運(yùn)行時(shí)間。算法的AUC值與圖6檢測結(jié)果一致，四種算法的檢測效果由好到壞依次為：MCEM算法、CEM算法、ACE算法和RX算法。MCEM算法結(jié)果明顯優(yōu)于CEM算法，雖然MCEM算法需要更多時(shí)間，但MCEM算法能有效地抑制背景，消耗一定的時(shí)間從而提高檢測精度是有意義的。

Table 1. Comparisons of algorithmic performance

表1. 算法性能對比圖

4.2. 真實(shí)高光譜試驗(yàn)

?

?

Figure 8. The yellow fabric target

圖8. 黃色織物目標(biāo)

為驗(yàn)證算法的有效性，分別使用ACE、CEM、未加對數(shù)算子的MCEM和MCEM算法對圖像進(jìn)行目標(biāo)檢測。目標(biāo)檢測結(jié)果如圖9所示。

由圖9可以看出，ACE算法可以對背景進(jìn)行有效地抑制，但是目標(biāo)附近的像元也被極大地增強(qiáng)，因此ACE算法識(shí)別出的目標(biāo)點(diǎn)比實(shí)際的目標(biāo)點(diǎn)面積大。CEM算法可以有效地識(shí)別目標(biāo)，并有效地限制背景輸出，但是有些背景像元點(diǎn)輸出明顯高于周圍像元輸出。而未加對數(shù)算子的MCEM算法檢測結(jié)果與CEM算法檢測結(jié)果，幾乎一模一樣。說明不增加對數(shù)算子的MCEM算法對單個(gè)目標(biāo)的識(shí)別效果與CEM算法相比，沒有得到有效地改善。而MCEM算法檢測結(jié)果對CEM中的突出點(diǎn)也有較好地抑制。與傳統(tǒng)算法相比，MCEM算法對單個(gè)目標(biāo)的檢測也有不錯(cuò)的性能。在該實(shí)驗(yàn)中，各算法的AUC值和運(yùn)行時(shí)間如表2所示。

?

?

Figure 9. Target detection results of algorithms

圖9. 各算法目標(biāo)檢測結(jié)果圖

Table 2. Comparisons of algorithmic performance

表2. 算法性能對比圖

由表2可知，CEM算法運(yùn)行時(shí)間少于ACE算法，而CEM算法AUC值大于ACE算法的AUC值，可看出在該實(shí)驗(yàn)中，CEM算法優(yōu)于ACE算法。未加對數(shù)算子的MCEM算法AUC值與CEM算法AUC值相同，但其運(yùn)行時(shí)間明顯高于CEM算法，故未加對數(shù)算子的MCEM算法對小目標(biāo)的識(shí)別效果比CEM算法差。MCEM算法的運(yùn)行時(shí)間大于CEM算法運(yùn)行時(shí)間，但MCEM算法AUC值高于CEM算法的AUC值，即MCEM算法消耗更多的時(shí)間來保證算法的檢出率，同時(shí)降低算法的虛警率，這對我們來說是可以接受的。

5. 結(jié)論

本文通過光譜重排、一階微分增大光譜的差異性，尋找疑似目標(biāo)，從而改善自相關(guān)矩陣，并通過加入對數(shù)算子抑制背景，極大提高了目標(biāo)檢測準(zhǔn)確性，同時(shí)也保證了算法對大面積目標(biāo)和小目標(biāo)檢測的實(shí)用性。但該算法還有一定的局限性：一、該算法需要以目標(biāo)光譜為基準(zhǔn)對數(shù)據(jù)進(jìn)行重排，因此對目標(biāo)光譜的要求較高，然而目標(biāo)光譜有時(shí)很難得到。二、該算法通過光譜重排、一階微分增大相似光譜的差異性，當(dāng)通過上述步驟后，還是無法降低目標(biāo)光譜和背景光譜的相似度時(shí)，該算法效果不明顯。

審核編輯：符乾江