基于光谱知识库对高光谱影像目标快速识别方法

于 宏，黄树桃，刘京晶

（1.核工业北京地质研究院，遥感信息与图像分析技术国家级重点实验室，北京 100029；2.国家卫星气象中心，北京 100081）

基于光谱知识库对高光谱影像目标快速识别方法

于 宏1，黄树桃1，刘京晶2

（1.核工业北京地质研究院，遥感信息与图像分析技术国家级重点实验室，北京 100029；2.国家卫星气象中心，北京 100081）

针对国内引进的机载高光谱成像仪（CASI／SASI）数据采集系统，介绍了利用先验知识建立的多种地物目标光谱库，以及高光谱影像目标快速识别的技术方法研究；同时还阐述了其数据处理流程、目标识别原理和应用开源代码编程实现过程，并对其结果与应用进行了简要的分析。

目标识别；知识库；成像光谱系统

高光谱遥感作为遥感技术的重大成就之一，近年来取得了重大进展。高光谱影像目标识别技术是利用空间维和光谱维信息进行目标定位和定性的技术方法；利用高光谱图像（Hyperspectral Images）进行目标识别是当前国内、外遥感图像处理和分析的研究热点之一，尤其是近年涌现出大量星载和机载高光谱数据采集系统，并获得了相当丰富的高光谱数据资源。因此，国内、外科研单位对其的研究日益重视，促使人们为快速从海量数据中获取所需信息，开展了大量的研究分析与应用工作。其中，利用已知目标的光谱特征，从高光谱影像数据中检索该目标的空间分布是高光谱数据分析应用的重点之一。

CASI／SASI是加拿大 ITRES公司生产的机载成像光谱仪，为两个独立的成像系统，可在同一平台进行数据采集，其中CASI波长为 350～1 100 nm，最高光谱分辨率为 10 nm； SASI波长为900～2 500 nm，光谱分辨率为10 nm。当前的数据处理与分析应用的工作过程是：利用设备数据预处理软件，进行辐射校正和几何校正，然后采用 “黑/白布标”同步测试的方法或利用FLASH在ENVI平台中进行大气校正，最终进行光谱角填图、地物目标分类等分析应用。由于采集的数据量都相当大，数据处理方式流程繁杂、工作效率偏低，为此，笔者针对该系统的数据特点和当前的主要应用任务，对高光谱图像的目标进行高速、有效和智能化的识别，设计了一套规范实用的数据处理流程，并基于开源代码编程开发了高光谱图像目标快速识别系统，从而实现对高光谱影像中地物目标的准确定位与快速定性。

1 原理与算法

高光谱影像的分类和目标识别，主要有两种方法：即基于地物光谱特征的分类识别方法和基于统计的分类识别方法。基于统计特征的分类，可采用非监督和监督分类两种方法，非监督方法一般不需要具备对数据的先验知识，也可以直接应用原始高光谱遥感图像数据来进行分类，虽然精度有所欠缺，但简单易行，也是常用的方法之一。由于地物光谱特征分类识别方法是利用光谱库中已知的光谱数据，采用匹配算法来鉴别和识别图像中的地物类型，因而该种方法既可采用全波长的比较和匹配，也可用感兴趣的光谱特征或部分波长的光谱或光谱组合参量进行匹配，达到分类和识别的目的［1-2］。笔者采用该方法，使其整个数据处理过程更为系统化，其基本原理是，首先对高光谱影像进行大气校正，计算反射率，利用光谱数据库中已知目标，在影像中对每个像素点进行光谱匹配检索，同时获取该像素点的空间坐标（图1），反射率计算、空间坐标获取和光谱匹配过程基本是同步进行。其中光谱数据库中的数据来源于美国地调局（USGS）和近年研究项目的数据积累；目标检索的算法主要是引进现有成熟的算法——光谱角度匹配、相关系数、最小距离、约束能量最小化和基于支持向量机的光谱匹配算法等［3］；目标的空间定位是利用传感器、平台与GPS时间同步，获取传感器的姿态参数，结合其成像方式，进行空间坐标变换计算获得。

在高光谱遥感影像数据处理中，光谱匹配技术是高光谱地物目标识别的最为关键技术之一。经过了几十年的发展，高光谱遥感图像数据的分析处理技术取得了巨大进步，在传统分类算法的基础上发展，形成了一系列面向高光谱图像的目标识别与分类算法。国内、外这类算法有数十种之多，其中的许多算法原理都类同，只是进行了部分改进。光谱角、最小距离匹配等是比较常用的算法。基于光谱间的最小距离匹配算法与最小距离分类法几乎一致，只是最小距离匹配基于样本数据，将未知光谱和参考光谱数值之间距离进行计算，再根据最小二乘法进行分类匹配，光谱可以采用欧氏、马氏和巴氏距离等。SAM方法是把光谱看作多维矢量，通过计算测量光谱（像元光谱）与目标光谱之间的 “角度”来确定它们两者之间的相似性。SVM是最近几年因计算机性能的极大提高而引入至高光谱影像数据分类的方法，SVM是Cortes和Vapnik于1995年首先提出的，建立在统计学习理论的VC维理论和结构风险最小原理基础上，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中，其本质上是一种对问题真实模型的逼近［4-5］。本文并没有对上述算法的具体内容作过多的研究，而是直接引用了这些成熟的算法和开源代码。

2 开发实现

根据上述原理和算法，实现基于光谱知识库的高光谱影像目标的快速识别系统由3个主要部分组成，即地物波谱信息管理系统、高光谱影像地理编码和高光谱影像目标检索模块，其工作流程如图2所示。地物波谱信息管理系统是一个集波谱测量数据、地物目标先验知识数据于一体的信息管理系统，为高光谱影像目标识别提供地物目标先验知识的平台。其建立方法是首先在MS Access中建立数据结构，光谱数据以BLOB存储；其后通过ADO.Net接口应用C＋＋编程开发，实现对光谱数据及辅助信息的综合管理。当前该数据库中包含有来自USGS及近年积累的波谱数据（ASD测量），总计约5 000多个样本。其基本功能包括：数据入库、查询、光谱图形可视化和数值分析等。

高光谱影像地理编码是利用CASI／SASI成像光谱系统的传感器、POS和GPS的时间同步及其空间几何关系进行空间投影变换，对影像中每一像素进行空间定位。CASI和SASI在进行辐射校正后产生两个文件，一个为文件记录每像素的辐亮度值 （单位为SUR，1 SUR＝1 μW·cm-2·sr-1·nm-1）的高光谱影像数据；另一文本文件存储每一扫描行的特征描述信息，包括了系统时间、传感器坐标、姿态等辅助数据，须与GPS进行同步以获取机下点像素精确的坐标与姿态数据，其时间同步方法参照成像光谱系统所附技术说明书。扫描线的其他像素坐标依据飞行高度及空间变换矩阵计算获得［6］。

高光谱影像目标检索模块是依据用户输入参数，从高光谱影像中提取相应的目标空间分布，具体功能包括：利用黑/白布标计算反射率，从地物波谱库中获得一组光谱数据（单个或多个样本），并自动提取目标，图像的基本操作与处理功能包括显示、放大、缩小、滤波、直方图和阈值设置等。可自选光谱匹配算法和任选不同的波段组合，目前只有光谱角和相关性两种算法。SVM算法尚在进行测试中，还未取得好的结果。程序的实现是基于GDAL、Open CV等开源代码，应用C＋＋编程调用其动态库功能函数实现的。

3 结果与讨论

首先，对不同匹配算法进行比较测试，从光谱库中随机抽取20个样本，即应用3种算法（SAM、相关性和SVM）对一组光谱数据20个样本进行实验循环测试，即，使用其中一个作为检测对象，同时对样本的相似性进行排序，前两者获取结果基本一致，重叠率达95%，但SVM算法与前两者的差异较大，重叠率仅为70%。而在使用SVM算法进行高光谱影像目标检索时，没有获得预期的结果，究其原因，初步认为是C＋＋调用Open CV动态库过程中的参数设置存在错误。该方法已在两个实际应用课题中取得了良好的效果。在其后的工作中将完善SVM算法的测试，并引进更多的算法进行应用。

［1］童庆禧，张 兵，郑兰芬.高光谱遥感：原理、技术与应用［M］.北京：高等教育出版社，2006.

［2］耿修瑞，赵永超.高光谱遥感图像小目标探测的基本原理［J］.中国科学D辑:地球科学,2007，37（8）:1 081-1 087.

［3］Claudio Persello.Advanced techniquesforthe classification of very high resolution and hyperspectral remote sensing images［D］.Trento:DISI-University of Trento，2010.

［4］Marconcini M， Camps-Valls G， Bruzzone L.A composite semisupervised SVM for classification of hyperspectral images［J］. IEEE Geoscience and Remote Sensing Letters， 2009， 6（2）:234-238.

［5］Gualtieri J A，Chettri S.Support vector machines for classification ofhyperspectral data ［C］//Proc.of IEEE-IGARSS 2000.Hawaii:IEEE-IGARSS，2000:813-815.

［6］Skaloud J,Lichti D.Rigorous approach to bore-sight self-calibration in airborne laser scanning ［J］.ISPRS JournalofPhotogrammetryand Remote Sensing， 2006， 61（1）:47-59.

Technique of identifying speedy hyperspectral images object based on spectrum repository

YU Hong1，HUANG Shu-tao1， LIU Jing-jing2
（1.National Key Laboratory of Remote Sensing Information and Image Analysis Technology，Beijing Research Institute of Uranium Geology， Beijing 100029， China；2.National Satellite Meteorological Center， Beijing 100081， China）

Aimed at the imported airborne hyperspectral data collection system （CASI/SASI） ， the authors first introduce the knowledge based spectral repository for multi ground objects，the study on the technique approaches to identifying object at speed with hyperspectral images，and then expound the principle of object identification，the flow of data processing and the programming procedure with open code，finally make a brief analysis for the results and its application.

object identification； knowledge repository； spectral imaging system

TP73

A

1672-0636（2011）01-0029-03

10.3969/j.issn.1672-0636.2011.01.006

2011-02-16

装备预研项目：可探测目标的光、电特性监测评估研究（编号：51303020701-6）

于 宏（1960—），男，河北东光人，高级工程师，长期从事目标光学特性研究工作。E-mail:yh6011@sina.com