地面目標(biāo)偽裝特征的高光譜成像檢測方法

地面目標(biāo)偽裝特征的高光譜成像檢測方法
摘 要：根據(jù)光譜揭露偽裝的檢測機制分析，對偽裝材料及應(yīng)用背景的紫外、可見光、近紅外波段光譜反射特 征進行了研究，探索試驗?zāi)繕?biāo)光譜模擬偽裝材料的檢測技術(shù)，經(jīng)光譜特征選擇及空間降維處理，建立特征參數(shù) 的判別函數(shù)，確定判別規(guī)則。針對多類判別和譜空間模式重疊的情況，提出數(shù)學(xué)分析模型及統(tǒng)計計算和判別效 果檢驗相結(jié)合的光譜特征檢測新方法。探索適合區(qū)分人工目標(biāo)與背景光譜的最佳分類特征和判別函數(shù)。

1 高光譜成像技術(shù)威脅 高光譜成像技術(shù)已成功地應(yīng)用于遙感和航空航 天軍事偵察領(lǐng)域，高光譜成像儀能夠在連續(xù)光譜段 上對同一目標(biāo)同時成像，可直接反映出被觀測物體 的光譜特征，甚至物體表面物質(zhì)的成分L1]。研究表 明，高光譜數(shù)據(jù)可得到空間探測信息與地面實際目 標(biāo)之間存在精確的相互關(guān)系。通過測出的光譜特征 曲線，可反演出對應(yīng)每一個像素的目標(biāo)物組成成分， 如樹葉、綠色油漆或者塑料。從而區(qū)分自然背景與軍 事目標(biāo)的差別，并判斷出目標(biāo)的性質(zhì)和種類 臺灣先馳SENTRY| 臺灣固緯GWinstek| 時代儀器TIME| 蘭泰儀器LANDTEK| 富貴儀器ESCORT| 森美特SUMMIT| 韓國 FINEST| 韓國美勝MCSCO
2 。最突 出的特點是能夠鑒別材料的組成成分，進一步揭露 與背景材料不同的目標(biāo)及其偽裝。 在廣泛的應(yīng)用研究領(lǐng)域，已開展了建立目標(biāo)和 背景特征光譜數(shù)據(jù)庫的研究。美國提出的數(shù)字化地 球研究要建立全球地表每一平方米的數(shù)據(jù)庫，包括 光譜數(shù)據(jù)在內(nèi)的幾十種參數(shù)。完成這項任務(wù)后，全球 任何地方的軍事目標(biāo)都會受到其準(zhǔn)確定位、動態(tài)跟 蹤、明確揭示和精確打擊的威脅
3：。 以色列的科學(xué)家E．Ben—Dor等人利用CASI成 像光譜儀對特拉維夫市進行了研究。他們利用光譜 識別技術(shù)，特別是采用了一種稱為混合調(diào)制匹配濾 波的方法(MTMF)，從經(jīng)過嚴(yán)格大氣校正的CASI 圖像中選擇可明確定義和表征的地物作為端元數(shù) 據(jù)，對河流、沙土、草地、柏油、水泥、紅褐色土、海水、 植被、白色屋頂以及陰影等地物都取得了很好的識 別效果 ]。高光譜遙感的特點是對地物識別和分類 能力的提高。光譜的比較和匹配成為重要技術(shù)之一。 以色列科學(xué)家在研究中建立了能代表城市地物的 29種特征地物光譜數(shù)據(jù)庫。  頻閃儀| 測高儀| 測距儀| 金屬探測器| 試驗機| 扭力計| 流速儀| 粗糙度儀| 流量計| 平衡儀| 利用美國海洋光學(xué)公司PSD1000測試的光譜 數(shù)據(jù)，以及陽面光譜樣本判別樹種的PDA 評價方 法，采用光譜微分技術(shù)、人工神經(jīng)元網(wǎng)絡(luò)算法、判別 分析方法和懲罰性判別分析方法，對6種不同的針 葉樹進行高光譜數(shù)據(jù)識別。一階微分光譜計算總平 均精度達91％，獲得以光譜數(shù)據(jù)識別樹種的最佳結(jié) 果瞳]。在軍事上，則可鑒別出人工材料與自然植被的 區(qū)別，從而發(fā)現(xiàn)軍事目標(biāo)及其偽裝。美國空軍發(fā)射了 “強力星”高光譜成像偵察衛(wèi)星，已形成航天高光譜 成像偵察能力【4]。 高光譜成像偵察技術(shù)對現(xiàn)有偽裝技術(shù)、方法、材 料和裝備等提出了嚴(yán)峻挑戰(zhàn)，對戰(zhàn)場目標(biāo)的生存構(gòu) 成了新的威脅。

2 高光譜成像獲取目標(biāo)信息的途徑 高光譜成像數(shù)據(jù)包括空間、輻射和光譜三重信 息。需要分析目標(biāo)的位置和形狀等空間幾何特征、目 標(biāo)與背景的譜亮度差別等輻射特征以及表面材料的 光譜特征L5]。 從高光譜數(shù)據(jù)的結(jié)構(gòu)看，如果將對應(yīng)坐標(biāo)的每 一幅窄波段二維圖像按探測波長^重疊起來，就可 得到高光譜圖像數(shù)據(jù)的立方體。在數(shù)據(jù)應(yīng)用分析中， 主要從3個方面獲取目標(biāo)的信息。
(1)在空間圖像維上，高光譜數(shù)據(jù)與一般的圖像 相似�？捎靡话愕倪b感圖像模式識別算法進行高光 譜數(shù)據(jù)的目標(biāo)信息檢測。
(2)在光譜維上，高光譜圖像的每一個像元可以 獲得一個連續(xù)的光譜曲線，基于光譜數(shù)據(jù)庫的光譜 匹配技術(shù)可以實現(xiàn)對地物與目標(biāo)的識別。
(3)在特征空間維上，高光譜圖像提供了超維特 征空間，根據(jù)實際數(shù)據(jù)所反映的景物特征分布差異， 將其有效應(yīng)用數(shù)據(jù)映射到低維的子空間，在此低維子 空間的信息檢測是目標(biāo)識別分析技術(shù)研究的重點。

3 光譜偽裝檢測方法 高光譜圖像偽裝檢測的技術(shù)核心是模式識別。 統(tǒng)計的、模糊的、神經(jīng)元網(wǎng)絡(luò)的模式識別技術(shù)都適用 于偽裝檢測 ]。 在廣泛調(diào)研的基礎(chǔ)上，對國內(nèi)外偽裝材料及應(yīng) 用背景的紫外、可見光、近紅外波段光譜反射特性進 行分析，研究背景光譜模擬材料及檢測技術(shù)L7]，從鑒 別目標(biāo)光譜特征的需求出發(fā)，提出數(shù)學(xué)分析模型、統(tǒng) 計計算和判別效果檢驗相結(jié)合的光譜特征提取新方 法。探索適合區(qū)分人工目標(biāo)與背景光譜的最佳分類 特征和判別函數(shù)。 對每一個被區(qū)分的目標(biāo)類型都可以從多方面加 以表征，即可以用多個變量 ，X ，⋯ ， 進行描述， 整體構(gòu)成一個 維測量空間，其中每一個變量是這 個測量空間的一個分量。若高光譜成像儀有256個 光譜成像通道，則測量空間為256維，即 一256。測 得的每一個通道反射比值對應(yīng)一個空間分量，因同 一類目標(biāo)的采樣結(jié)果不會完全相同，故 ， ：，⋯ ， 都是隨機變量，用一個 維測量空間的隨機矢量 X一( 1，X2，⋯ ，X ) 表征。 實際檢測數(shù)據(jù)及偽裝原理都證明，對一定的目 標(biāo)和背景，其有效區(qū)分特征往往只在特定的譜段上。 測量空間的維數(shù) 越高，給計算帶來的難度越大， 而且維數(shù) 高并不一定能提高分類精度。因此，選 擇有效的特征譜段，壓縮維數(shù)是必要的�？疾旃庾V數(shù) 據(jù)，可知鄰近波段間存在著很大程度的相關(guān)(即光譜 信息的冗余度)，這就為信息壓縮提供了可能。 以某人工綠色材料與相應(yīng)的植被背景分類為 例。在任何一個一維空間里都不能很好的分類，在 ， z 的二維空間里就可以實現(xiàn)很好的分類。通過 某種變換找到一個綜合變量尺，用于表示類別可分 性更為有效的特征參數(shù)。由特征參數(shù)構(gòu)成特征空間。 經(jīng)特征選擇，從 維原始測量參數(shù)變換到 維特征 參數(shù)(，2< )。 設(shè)佇 為判別函數(shù)，則判別規(guī)則為 僻 ( )> 0，V ≠ ∈ 。 即對所有的i， 一1，2，⋯ ， ；睜 。有：若僻 ( )>O， 則 屬于 類。判別函數(shù)D (z)是特征參數(shù)的函數(shù)， 每一模式類都有自己的判別函數(shù)。 對模式類別在譜空間不重疊的情況，適用于決 定論方法求解。 維線性判別函數(shù)的形式為 D ( )一w?x， 一1，2，⋯ ， ； 或 H D ( )一 ：W ★+W +l， 一1，2，⋯，7 。 k。。。= — — l 對確定判別函數(shù)的權(quán)向量，采用最小距離判別 法、逐次參數(shù)估計法、梯度法、最小均方誤差法和費 歇準(zhǔn)則法。 非線性判別函數(shù)可表示為多項式的形式。對于 維特征空問中的m個類的， 階多項式，判別函數(shù) 可表示為 D ( )一o．Ji1fl( )+ (u 2f2( )+ ⋯ + ∞ fL(z j廣m + ， 一1，2，⋯ ， ； 其中： j J(x 一Xpl s1Xp2 s2~~~z ： ， Pl，P 2，⋯ ，P 一1，2，⋯ ， ； s1，s2，⋯ ，S = 0或1；J一1，2，⋯ ，L， L 一 一 。 當(dāng)r一2時，判別函數(shù)稱為二次判別函數(shù)，此時 f ( )一 ，戶，口一1，2，⋯ ， ； S，t一0，1； 一1，2，⋯ ，L。 D ( )一ΣW ；+Σ ΣW + |= 1 l= 1i— i+ 1 ΣW ，+W +1o 』= 1 由于多項式的判別邊界可以是曲線(面)，因此 能夠?qū)崿F(xiàn)較高精度的分類。經(jīng)實際分類實驗，六階多 項式判別函數(shù)達到最高分類精度(分類誤差為O)。

4 模式類型統(tǒng)計判別
統(tǒng)計學(xué)方法確定的判別函數(shù)給出任一輸入歸屬 哪類的概率大小，由歸屬概率大的決定輸入的歸屬 種類。這種統(tǒng)計學(xué)方法特別適用于多類判別及模式 類在譜空問重疊的情況。 將兩類模式相近的程度稱為類似度。分類就是 根據(jù)未知的模式與各已知類別的模式類似度的大小 (在非監(jiān)督分類中根據(jù)各待判模式間類似度的大 小)，把其歸到類似度大的一類中去。 通常以距離大小來衡量類似度，常用距離有： (1)明氏(Minkowski)距離 ，，(g)=[Σ 一 兒； (2)絕對值距離(g一1) ，(1)一Σ —z l； I= 1 (3)歐氏(Euclidean)距離(口一2) ，(2)一[Σ — ； (4)馬氏(Mahalanobis)距離 一( 一X ) ／Σ( 一X，)。 il 在實際檢測應(yīng)用中，以馬氏距離為基礎(chǔ)，研究構(gòu) 成統(tǒng)計量F對兩個總體差異顯著性進行檢驗，馬氏 距離越大，差異越顯著。

5 應(yīng)用實例
綠色偽裝材料是最典型也是最常用的一種偽裝 材料，是綠色植被的模擬材料，可以直接用于技術(shù)兵 器、車輛和軍服等軍事裝備的迷彩偽裝。

5．1 綠色植被光譜特征分析 綠色植被光譜反射特性的基本特征，主要是由 植物單葉的光譜反射特性決定的，在整個可見光的 吸收區(qū)域中 在550 nm 處有一個反射峰，在680 nm 處有一個吸收峰。在7OO～740 nm 波段反射率急劇 增大，在這40 nm 波長間隔內(nèi)反射率幾乎增加到最 大值，在740 nm 以后反射率的增長緩慢，直到1 400 nm 處反射率又開始下降。
5．2 建立訓(xùn)練樣本集 選用瑞典的森林偽裝網(wǎng)、瑞士的森林偽裝網(wǎng)、外 軍偽裝服和不同種類、不同季節(jié)、不同環(huán)境的綠色植 被建立訓(xùn)練樣本集，并以森林綠色作為制定分類閾 值的標(biāo)準(zhǔn)。
5．3 特征選擇 從光譜特征分析可看到，各種綠色偽裝材料與 綠色植被背景的主要差異在于680 nm 處的吸收峰 不夠理想，定為第1類特征波段；7OO～740 nli1波段 的反射率增長不夠急劇，定為第2類特征波段�；�于 此，分別選用以680 nm 為中心波長、左右每間隔 5 nm的9個通道抽樣值和700~740 nm 波段每間隔 5 nnl的9個通道抽樣值作為特征值。 5．4 判別函數(shù)和測量結(jié)果 判別分析的關(guān)鍵是選擇恰當(dāng)?shù)姆直婧瘮?shù)。鑒于 判別的目的是要區(qū)分兩類目標(biāo)，且兩類光譜在680 nm 附近和700 740 nm 波段的差異信息較大，所 以選擇了線性判別函數(shù)。但由于這兩個波段的光譜 分布規(guī)律不同，采用的數(shù)學(xué)處理方法也不同。 對以680 nlTl為中心波長，左右每間隔5 niP,_的 9個通道抽樣值尺 (Ⅳ)乘上一個權(quán)重因子a(Ⅳ)后線 性組合成一維特征矢量 K 2 V 一Σa(N)R (Ⅳ)，i一1，2，⋯， 。 Ⅳ Kl 為訓(xùn)練樣本數(shù)，a(N)為第 通道的權(quán)重因子。 對700 740 nm 波段每間隔5 nm 的9個通道 抽樣R (Ⅳ )簡單線性疊加后組合成一維特征矢量 K 2 ：一Σ R (Ⅳ )， 一1，2，⋯，，”。 N = K 利用采集系統(tǒng)的高速運算和存儲能力，采用信 號平均技術(shù)、找出各類訓(xùn)練樣本的特征矢量平均值： V，一E( )，i一1，2，⋯ ，7"； V 一E( )，i一1，2，⋯ ， 。 未知樣本經(jīng)與訓(xùn)練樣本同樣的特征提取后，采 用最小距離判別法，求出該樣本的類屬范圍，測量結(jié) 果如表1所示。 表1 測量結(jié)果 Tab．1 M easure resuIt 特征 a b f d e _廠( ) Q， 291．171 55．395 131．1O9 14．982 6O．385 99．5 注：a為材料樣品的特征平均值；b為材料樣品的特征標(biāo) 準(zhǔn)差；c為背景的特征平均值；d為背景的特征標(biāo)準(zhǔn) 差；e為分類閾值；f為識別正確率；Q．為第1類；Q 為第2類。 從分類結(jié)果可以看出，以光譜特性作為基本識 別特征，分析目前國外的迷彩偽裝材料與多種綠色 植被背景的光譜特性，找到了較為理想的識別分類 特征和判別函數(shù)，識別正確率達到了99 以上。

6 結(jié) 語
對偽裝材料和背景材料進行歸類整理和成像光 譜檢測實驗，將計算機模式識別技術(shù)應(yīng)用于目標(biāo)偽 裝檢測，以光譜數(shù)據(jù)作為基本識別特征，研究找到了 較為理想的識別分類特征和判別函數(shù)。 對不同的識別對象必須用不同的特征提取方 法，高光譜目標(biāo)偽裝檢測是一個光譜模型分析、統(tǒng)計 計算和判別效果檢驗相結(jié)合的綜合過程。 面向圖像的判讀一般建立在人工辨識的基礎(chǔ) 上，只能在三維信息以內(nèi)，如三維假彩色合成。但譜 識別方法是以計算機數(shù)字技術(shù)為基礎(chǔ)的，不受模式 維數(shù)的限制，排除人的主觀因素，具有更好的分類重 復(fù)性。