一种定标缺失情况下的高光谱目标识别方法*

罗素群，郭宝峰，沈宏海，杨名宇

（1.杭州电子科技大学信息与控制研究所，杭州 310018；2.中科院长春光学精密仪器与物理研究所，长春 130033）

一种定标缺失情况下的高光谱目标识别方法*

罗素群1，郭宝峰1，沈宏海2，杨名宇2

（1.杭州电子科技大学信息与控制研究所，杭州 310018；2.中科院长春光学精密仪器与物理研究所，长春 130033）

高光谱遥感图像识别在民用和军事领域有着广泛的应用。在缺乏定标信息、缺乏同步观测大气光学参数情况下，对高光谱图像进行地物识别尚没有系统有效的方法，制约了其在定量遥感方向的应用。对此提出了一种利用粒子群算法优化6S模型参数基础上的高光谱遥感数据校正方法，并将其应用于定标缺失情况下的目标识别中。实验表明：在对遥感图像利用少许先验信息选择参数进行校正后，分类准确率为76.25%。而利用粒子群算法优化参数的6S校正后，分类准确率提高到91.58%，目标识别准确率得到了有效提高。

粒子群优化，6S模型，大气校正，查找表，高光谱遥感

0 引言

近年来，通过卫星/机载遥感成像系统获取的高光谱图像广泛应用于民用领域、军事领域和资源探测领域中。军事领域中主要用于揭示敌方伪装和隐藏目标，通过对环境中各物质光谱信息定量分析，实现真实目标与伪装目标的检测与分类，提高军事侦查准确率。这些应用都需要定量化的高光谱数据分析，定量分析的前提和关键在于辐射定标和大气校正［1］，从成像光谱仪接收到的辐射信息中提取地表辐射信息，并转换为能够反映地物真实信息的反射率值。目前辐射定标的方法有实验室定标、星上/机上定标和场地定标，但在实际应用过程中，经常出现定标缺失的情况，原因主要有：第1，经过实验室定标的成像光谱仪，在实际运行之后，由于环境转变或时间推移，性能变化导致定标漂移，需要对定标参数进行修正，新的定标文件难以获得；第2，卫星载荷、经济能耗等因素限制星上/机上安装定标设备，无法进行星上/机上定标；第3，场地定标需要对地面大气光学特性进行同步测量，但由于测试环境不可行，资源消耗大等导致参数难以获取，如气溶胶浓度需要用太阳光度计测量，气溶胶模式、水汽含量等需要通过气象站观测的探空数据来获取，若缺乏参数则无法进行场地定标。

在定标缺失、未同步观测大气光学参数情况下，如何对高光谱图像进行辐射校正来实现定量遥感至今没有一个系统有效的方法［2］。针对此问题，本文提出了一种基于粒子群算法对参数优化的6S模型校正法，具体步骤如下：第1步，基于物理辐射传输的6S模型原理，建立包含天顶角、气溶胶模式、气溶胶浓度，波段信息和大气校正参数xa，xb，xc的查找表。第2步，引入粒子群算法，结合查找表进行查找和插值，对6S模型参数进行寻优，得到一组使得目标物校正后反射率与地面实测反射率的均方根误差最小的最优大气参数。第3步，依据最优参数对高光谱图像进行辐射校正。第4步，基于地面实测反射率，对高光谱图像进行目标识别和分类。

1 实验数据说明及预处理

本文所用实验数据由中国科学院长春光学精密机械与物理研究所提供。2014年8月29日在长春利用低空平台的成像光谱仪进行推扫成像获取遥感图像，同时用光谱辐射计对地面目标反射率进行了测量，但是缺乏定标文件，也未观测大气光学参数。

1.1 实验数据获取

目标反射率的测量采用地面光谱辐射计获取，波长范围为350 nm～2 500 nm。光谱分辨率为1 nm。测量目标为迷彩军服和迷彩木箱。

高光谱数据包括129个波段的可见光近红外数据，光谱范围为400 nm～1 000 nm；256个波段的短波红外数据，光谱范围为1 000 nm～2 500 nm；可见光近红外和短波红外数据的单波段灰度图如图1所示，图 1（a）方框标记区域为迷彩军服，图 1（b）方框标记区域为迷彩木箱，其余均为背景，本文任务是对这两类目标进行识别。

1.2 数据预处理

可见光近红外和短波红外数据分别由不同的传感器获得，空间和光谱分辨率都不同，需要对这两组数据进行预处理［3］。第1，从两组数据的单波段灰度图中提取相同的地物特征，将图1中垃圾桶的边缘点，窗口的对角点等作为配准的参考点，以可见光近红外数据为基准，采用双线性插值法对短波红外数据进行放大，然后对两组数据相同区域进行裁剪，最后融合为一组384个波段的数据。第2，依据光谱参数对高光谱图像进行头文件的编辑，添加中心波长和波长半径值，确立各波段的波长信息。

图1 高光谱数据的波段灰度图

2 原理和方法

现有研究成果中，大多是已知表观反射率和大气光学参数，基于6S模型原理求地表反射率，或者已知地表反射率和大气光学参数，求表观辐亮度来对传感器进行定标［4］。但本文实验中缺乏定标文件和大气光学参数，针对这个问题直接用6S模型无法实现反射率反演。而6S模型输入参数中有多个是未知的，若通过穷举法进行取值，就需要对参数逐次试验执行6S模型，最后对所有的校正结果进行检验来选择参数。这种方法由于变量参数多，取值范围广导致数据量巨大，而且目标函数复杂需要用算法来实现，无法直接用物理解析式来表达，实际应用中是不可行的。若根据先验知识设定多参数，所选值可能跟真实情况相差过大，实验结果不准确也不科学，可行性也不高。针对这种多参数非线性的复杂极值优化问题，本文提出了一种基于粒子群算法优化6S模型参数的校正法。方法流程图如图2所示。

图2 利用粒子群算法优化6S模型参数的数据校正方法流程图

2.1 6S模型大气校正原理及流程

6S模型是由Eric Vemote等人在5S模型基础上改进，吸收最新的散射计算方法发展起来的［5］。其算法原理为：

式中，ρa为大气路径等效反射率；ρt为目标反射率；S为半球反射率；T（θs）T（θv）为大气透过率。ρa，S，T（θs）T（θv）由6S模型参数决定，下面简要说明这9个参数：

①几何观测条件：太阳天顶角和方位角，传感器天顶角和方位角，成像时间。根据实验场地吉林长春的经度125.325°，纬度43.886°来计算太阳天顶角、方位角；传感器方位角0°；成像时刻已知；传感器天顶角未知。

②大气模式：根据季节纬度信息确认为中纬度夏季。

③气溶胶模式：未知；

④气溶胶浓度：未知。

⑤目标海拔高度：可查询中国各省市海拔高度表。

⑥传感器作用高度：已知。

⑦成像光谱仪的波段信息：根据光谱参数确定波段信息。

⑧地表反射率：该值不影响大气校正参数值，可任取。

⑨rapp值：rapp值决定6S模型的工作状态，rapp〉-1激活大气校正并计算大气校正系数xa，xb，xc。

将以上参数输入6S模型求得大气校正参数xa，xb，xc，其中参数xa，xb，xc与 ρa，S，T（T（θ）sT（θ）v）之间的关系为：

式中，Tg为波段内总分子吸收透射率；Es为大气顶层太阳辐照度；θs为太阳天顶角。

依据 6S 模型原理，将 xa，xb，xc代入式（5）求得校正后反射率ρ：

式中，L为表观辐亮度。

2.2 查找表建立

对6S模型参数分析得出：传感器天顶角，气溶胶模式，气溶胶浓度为未知变量。首先，本次实验为推扫成像，且考虑邻近像元对目标像元的影响，依据先验知识确立为大倾角遥感，传感器天顶角取值范围为0°～50°。其次，实验场地吉林地处东北地区，气溶胶模式以大陆型、海洋型、城市型为主。最后，根据气溶胶浓度与能见度的关系如式（6）确定气溶胶浓度，其取值范围主要集中在［0.1，2］之间，由于拍摄时天气为晴朗，能见度范围在40 km～100 km，则［0.1，1］范围内以 0.1 为步长递增，（1，2］以 0.2 的步长递增［6］。

天气条件与估算能见度关系如表1所示。

表1 天气条件与估算能见度关系

变量取值列出如表2所示。

表2 输入参数中变量取值

将上述参数组合后输入6S模型进行循环计算，得到不同参数下的校正系数 xa，xb，xc查找表［7］（表内有6×3×16×384=110 592条记录）。

2.3 对一组输入参数利用6S模型反演地表反射率

直接用6S模型对高光谱数据进行地表反射率的反演需两个前提，其一具备定标文件，其二已知6S模型参数。本实验不具备这两个前提，则在给定一组输入参数后两次调用6S模型间接完成地表反射率反演，第1次调用6S模型进行辐亮度转换系数的求解，第2次调用6S模型执行大气校正，算法步骤如下：

①对给定一组输入参数在查找表中进行插值，求出对应的大气校正系数 xa，xb，xc。

②xa，xb，xc代入式（5），基于 6S 模型原理将地面实测反射率ρ转换为表观辐亮度L。

③从高光谱图像中找到目标所对应的像元位置，并读取DN值，将目标各波段表观辐亮度Li与读取的DNi值进行拟合，求辐亮度转换系数（ai和bi）。

④根据辐亮度转换系数对高光谱图像进行辐亮度转换。

⑤依据大气校正系数xa，xb，xc，对经过辐亮度转换的高光谱图像进行6S大气校正。

⑥计算校正后反射率和地面实测反射率的均方根误差。

2.4 粒子群算法对6S模型参数优化

1995年，美国的James Kennedy和Russell E-berhart共同提出了粒子群算法［8］。粒子群算法根据对环境的适应度将群体中的个体移动到最好的区域。粒子的速度-位置更新公式为：

式中，xid，vid为粒子的位置和速度，i为第i个粒子，d为粒子维度，t为更新次数，w为惯性权重，c1和c2为加速常数，rand1（），rand2（）为在［0，1］范围内的随机数。粒子群算法步骤为：

①粒子群的初始化：设定粒子总数n，以及所有粒子的初始位置x和初始速度v；初始化群体最大迭代次数；

②设计适应度函数，计算初始适应度值；

③对每一个粒子，比较当前位置适应度值和历史最优适应度值，选择最佳值作为当前个体最优位置；

④根据位置速度公式对粒子更新；

⑤如果进化次数达到最大迭代次数，则终止搜索；否则返回第②步继续操作。

本组实验中，取校正后目标反射率与地面实测目标反射率之间的均方根误差作为适应度函数，用粒子群算法对未知参数进行寻优，找到适应度值最小时对应的参数：传感器天顶角10°，大气模式为海洋型，气溶胶浓度为0.68。而用先验信息设定的未知参数为传感器天顶角20°，大气模式为城市型，气溶胶浓度0.5。两种方法得到的未知参数存在偏差，粒子群算法优化参数后校正的效果比先验信息设定参数后校正的效果更佳。

3 实验结果和分析

依据图2的流程对融合后的高光谱数据进行处理：建立一个不同光学参数下的查找表，对给定的一组参数基于6S模型反演地表反射率，结合粒子群算法对6S模型参数进行优化，基于最优参数对高光谱图像进行校正与目标识别。首先定性分析校正效果，比较目标校正前反射率，基于先验知识设定参数校正后反射率，基于粒子群算法优化参数校正后反射率这三者与地面实测反射率之间的差异。检测目标为迷彩军服和迷彩木箱，3组对比曲线如下页图3和图4所示。

对比图3、图4发现：在校正前，高光谱图像中目标的辐射信息与地面实测的反射率信息是完全不匹配的，不具备同物同谱的性质，这种情况无法进行定量化分析。在基于先验知识设定6S模型参数后校正的目标反射率相比校正前与地面实测目标反射率更接近，具有相似光谱特征，但是反射率绝对误差比较大。而在利用粒子群算法优化6S模型参数后校正得到的目标反射率与地面实测数据是最接近的，光谱特征最相似，并且反射率值的绝对误差得到有效的降低。不同实验下目标反射率与地面实测反射率间的均方根误差（RMSE）结果如表3所示。

图3 迷彩军服不同实验下反射率对比图

图4 迷彩木箱不同实验下反射率对比图

表3 不同实验下的均方根误差

对比表3数据发现，迷彩军服和迷彩木箱校正前的均方根误差分别为0.400 2和0.389 1，在结合先验信息进行校正后均方根误差分别为0.215 6和0.123 5，而利用粒子群算法优化参数后进行校正的均方根误差降到了0.088 2和0.037 8。RMSE值的有效降低验证了本文方法的可行性。下面对高光谱图像进行目标识别，用分类效果图对其进行定量分析。

图5 不同实验下的分类效果图

图5为不同实验下的分类效果图，其中图5（a）为真值效果图，左边白色区域为迷彩军服，右边白色区域为迷彩木箱；图5（b）为结合经验知识设定参数校正后的分类效果图；图5（c）为基于粒子群算法优化6S模型参数校正后的分类效果图。通过对比发现：对基于先验知识设定参数校正后的高光谱图像进行目标检测，虽具备一定的识别率，但虚警率非常高。而对利用粒子群算法优化6S模型参数校正后的高光谱图像进行目标检测，迷彩军服得到了有效识别；迷彩木箱也得到了有效识别，但存在一定的虚警率。分析其原因主要有：第1，参考光谱的样本点过少产生辐亮度系数拟合误差。第2，图像中存在混合像元，可考虑结合解混算法对图像进行处理。第3，迷彩木箱其邻近像元具备相似的光谱值，基于光谱夹角法导致部分像元无法正确分类，可考虑用改进的分类法来解决。对高光谱图像的分类准确率进行统计，结果如表4所示。

表4 不同实验下的分类准确率统计

表4中数据表明：结合先验知识设定参数对高光谱图像进行校正其目标分类准确率为55.21%，总体分类准确率为76.25%，而利用粒子群算法优化6S模型参数校正后目标分类准确率为77.82%，总体分类准确率为91.58%，目标识别率提高了22.61%，总体分类准确率提高了15.33%。通过以上的定性和定量分析，证明了本文所提方法的可行性。

4 结论

在实际应用过程中，经常出现定标缺失、大气光学参数未同步观测的情况，可用本文提出的基于粒子群算法对参数优化的6S校正法，首先结合粒子群算法实现了对未知参数的寻优，然后基于最优参数两次调用6S模型间接实现反射率的反演，较好地解决了辐射定标和校正问题，并将其应用于目标识别中，分类准确率提高了15.33%。但是仍存在一些不足，对参考光谱和样本点的依赖性很强，加上混合像元的影响，存在一定的虚警率，都是后期需改进和研究的内容，这对军事领域中提高伪装目标检测和分类精确度具有重要意义。

［1］李小文.定量遥感的发展与创新［J］.河南大学学报：自然科学版，2006，35（4）：49-56.

［2］黄红莲，易维宁，乔延利，等.“天绘一号”卫星在轨辐射定标方法［J］.遥感学报，2012，27（S1）：22-27.

［3］赵鹏，沈庭芝，单宝堂.微小型无人机遥感图像应用［J］.火力与指挥控制，2009，34（7）：158-161.

［4］张学文，傅俏燕，韩启金，等.资源三号多光谱传感器场地辐射定标与验证［J］.光谱学与光谱分析，2014，34（9）：2476-2480.

［5］VERMOTE E，TANRE D，DEUZE J L，et al.Second simulation of a satellite signal in the solar spectrum-vector（6SV）［J］.IEEE Transactions on Geoscience and Remote Sensing，1997，35（3）：675-686.

［6］张楠.基于6S模型的高光谱自动化地表反射率反演算法研究与系统实现［D］.北京：中国地质大学，2013.

［7］胡顺石，张立福，佘晓君，等.遥感影像大气校正通用查找表的设计与插值算法［J］.遥感学报，2014，29（1）：45-60.

［8］刘建华.粒子群算法的基本理论及其改进研究［D］.长沙：中南大学，2009.

［9］杜鑫，陈雪洋，蒙继华，等.基于6S模型的环境星CCD数据大气校正［J］.国土资源遥感，2010，22（2）：22-25.

［10］黄妙芬，邢旭峰，宋庆君，等.反射率基法获取北京一号小卫星多光谱CCD辐射定标系数［J］.资源科学，2009，33（3）：509-514.

［11］朱卫纲，周荫清，徐华平，等.遥感图像融合效果客观评价［J］.火力与指挥控制，2010，35（2）：1-5.

［12］武永利，栾青，田国珍.基于6S模型的FY-3A/MERSI可见光到近红外波段大气校正［J］.应用生态学报，2011，22（6）：1537-1542.

［13］LAURENT V，VERHOEF W，CLEVERS J，et al.Estimating forest variables from Top-of-atmosphere radiance satellite measurements using coupled radiative transfer models［J］.Remote Sensing of Environment.2011：1-5（4）：1043-1052.

［14］LI Z Z，YANG R H，DANG F X，et al.A review on the geological applications of hyperspectral remote sensing technology［J］.Hyperspectral Image and Signal Processing：Evolution in Remote Sensing（WHISPERS），2012（4）：1-4.

［15］戎志国，张玉香，邱康睦，等.利用敦煌辐射校正场对FY-2B静止气象卫星进行可见光通道的在轨辐射定标［J］.应用气象学报，2004，19（3）：266-272.

A Hyperspectral Target Recognition Method without Calibration Information

LUO Su-qun1，GUO Bao-feng1，SHEN Hong-hai2，YANG Ming-yu2
（1.Institute of Information and Control，Hangzhou Dianzi University，Hangzhou 310018，China；2.Changchun Institute of Optics，Fine Mechanics and Physics，Chinese Academy of Sciences，Changchun 130033，China）

Hyperspectral remote sensing image has been widely used in civil and military applications.Due to the lack of calibration information and atmospheric optical parameters，no systematic and effective method has been specifically developed for hyperspectral targets recognition，which has restricted its application in quantitative remote sensing.A method using particle swarm optimization to choose the parameters in 6S model is proposed，and is applied to hyperspectral target recognition.Simulations show that：without calibration information and atmospheric optical parameters，this method can be used to inverse the reflectance of hyperspectral images.Compared with the empirical method，the classification accuracy based on 6S model with particle swarm optimization algorithm for parameter optimization has been effectively improved from 76.25%to 91.58%.

Particle Swarm Optimization （PSO），6S model，atmospheric correction，Look-Up Table（LUT），remote sensing

TP79

：A

10.3969/j.issn.1002-0640.2017.06.006

2016-05-05

：2016-06-07

国家自然科学基金（61375011）；浙江省自然科学基金资助项目（LY13F030015）

罗素群（1988- ），女，江西南城人，硕士研究生。研究方向：遥感图像处理与目标识别。

1002-0640（2017）06-0022-06