高光谱图像异常目标检测算法研究

成像光谱仪获取图像到完成目标检测，所需的重要环节步骤以及关键技术很多，本文重点介绍异常检测算法。首先我们获取高光谱图像以后，是一个原始程度较高，数据信息复杂的图像，因此要运用手段进行去噪，为下面的工作减少不必要的数据量，降低噪声对结果的影响。其次，在去噪后的图片中，可能存在我们需要的信息并不清晰、丰富，造成检测识别的困难，因此往往采用超分辨的技术，来提高图像分辨率。最后，我们得到经过各种处理的，噪声低，清晰度高的图像，输入到数据库中比对匹配，最终得到结果完成识别。在本章最后一节，特别提到目标检测的一种特殊方法异常检测法，是利用自身图像在背景信息中寻找异常点的方式，来达到识别目的。

在利用高光谱图像实现目标识别时，先前我们提到要将目标图像曲线与现有先验数据库匹对，才能得知被测物质的名称、特征、属性，该方法具有较高的准确度且建库后可一劳永逸逐渐丰富数据量。然而，在实际应用中，目前发现或合成的物质高达几千万种，漫无目的的实验各类物质成本过高，几乎不可能建立全备、能应用各个领域的数据库，这就决定了我们无法确保数据库中一定有待测目标的模板数据，且匹配时耗大，应用缺乏便利性。在某些特定环境下，我们有时并不需要得知目标的具体信息，例如在广袤的大海中成像仪在获取高光谱图像时，海水的光谱信息一定是大量存在的，当海下存在明显存在区别于海水的其它物质时，如鱼群、设备、船只等，在高光谱图像中一定会有突出区别与海水背景的异常独特信息。如何运用该原理进行目标检测识别叫做高光谱异常检测。

异常检测的优势在于独立性强，不依靠后台数据库，直接对目标图像进行分析计算，在普遍背景信息中区分出异常点或异常波动曲线，相对数据库法成本也较低。现实应用中，军事方面运用侦察兵、无人机、卫星等获取高光谱图像利用金属与树木土壤光谱信息的明显区别，就可以可以找到隐藏在森林、沙漠地带的敌军武器装备，这是普通光学仪器所做不到的，因为在可视光的背景下，真伪目标在颜色接近的情况下很难被识别发现，甚至一些隐藏目标被植被、树木、河流等自然地物遮蔽，目标的外观、色彩、大小再被刻意的伪装，更是加大目标识别的难度，这是由于普通光学仪器不能获取光谱信息，在图像中会表现相同相似的结果，但是高光谱图像下，真伪隐藏目标由于材料、内部构架状态等不同，会形成较明显的异常差别。医学方面病变部位与健康组织也有较为明显的异常曲线，对特定部位病症确诊有明显作用。无论应用到什么领域，异常检测都是在广泛的大背景中，无或者极少目标自身信息可供借鉴，在背景中寻找目标，两者相比，目标可以理解成图像总样本的低概率情况，背景则是高概率常规情况。所以异常检测算法可以理解为研究高光谱图像中的统计分类区分问题，明确背景物质的光谱曲线，尝试克服该背景对目标曲线的干扰，使之相分离，突出异常目标，达到识别目的。

异常算法研究领域常用算法一般有两类，一种是纯像元异常检测，是将高光谱图像投影到建立的子空间中来分离背景和目标。典型的算法为低概率检测算法（LPD），该算法运用回归分析、集群分析、主成分分析等非监督分类方式，将高光谱图像中背景信息各波段数据分离，而后计算互相关程度构建正交的互相关矩阵，将矩阵内各数据的特征向量建成正交的子空间。当把高光谱原图像投影至该空间时，背景数据将被抑制，也就是说图像中大概率出现的譬如树木、土壤、海水等地物的信息在子空间中被正交，抑制了背景信息的表现，此时由于小概率出现的异常目标数据与该空间不正交，经投影后其与背景数据的对比度变得更强烈，从而突出异常目标达到识别目的。另一种较为常用的是由Reed和Yu最先提出的RX算法，该算法是将高光谱图像中异常目标数据从图像背景中分离出来，作为一种以局部异常点为目标的识别算法，是分别在异常窗口和背景窗口内监测数据，可知背景窗口的监测量远大于异常窗口，在待识别图像数据中采用PCA变换使空间向量不具有相关性，即空间白化且服从高斯分布，在此条件下计算异常窗口和背景窗口的均值方差，而后与设定的临界阈值相比较，判断数据是否为异常数据。

高光谱图像技术作为现代逐渐崛起的新生事物，具有诸多该领域内同类技术所不具有的优势，高分辨率光谱信息与空间信息相结合的特性，两种信息能在目标检测识别时互相弥补缺陷，这是传统光学图像、多光谱或超高光谱图像无法相比的。但是也正因如此也让它拥有高数据量、高维度的特点，无法适用传统图像的处理算法，加之起步较晚，这无疑对数据处理产生了不小的难度。随着时间的推移，各专家学者研究的进一步推进，高光谱图像异常目标检测技术会在越来越多的领域被应用，而且使用门槛和成本也在逐渐降低。

參考文献：

[1]贺霖.高光谱图像自动目标检测技术研究[D] . 西安： 西北工业大学， 2007.

[2]吴玲达，姚中华，任智伟. 面向战场环境感知的高光谱图像处理技术综述[A].北京：装备学院学报，2017.

[3]范金华，陈锻生.高光谱图像目标检测研究进展[J].微型机与应用，2015，34（16）：8-10，14.

[4]Harsanyi J C.Detection and classification of subpixel spectral signatures in hyperspectral image sequences.Ph.D.dissertation，University of Maryland，1993

作者简介：

李殊瑶，1992年，汉，女，山西汾阳，硕士研究生，助教，图像处理。