高光谱探测异常目标识别方案

夏如迪 倪辰荫

（南京理工大学电子工程与光电技术学院 江苏省南京市 210094）

随着微型窃听、窃视设备的普及，会议场所、私人房间、技术实验室等场所中进行的各类活动面临着日益严峻的信息泄露威胁。目前，传统的目标识别的方法有很多，例如激光探测技术[1]、雷达探测技术[2]、红外探测技术[3-4]和视频监控技术等，其优势特点各异。基于激光探测和雷达探测的目标识别技术需要主动向目标发射电磁波，具有同时完成多目标探测的特点，但容易受到外界电磁干扰、且不具备分析识别被测目标种类特性的能力[5]。红外探测技术虽然能够全天候对目标进行探测，但是红外隐身技术的发展制约了该项技术的应用。视频监控技术是最常用的目标识别手段，通过对多组视频图像进行组合分析，进而分析得到其外形、种类等信息。该方法常与红外、激光雷达联用，进行被测目标的定位及识别。但存在一个严重的漏洞，即被测目标如果有伪装时，识别监控的目标识别率会大幅下降。以上方法均具有一定的局限性，但随着高光谱成像技术的迅猛发展，光谱分辨率不断的提高，高光谱能同时获取光谱图像和目标一定波长的特征曲线，即使被测目标利用颜色形似的物体伪装起来，但是由于不同物体，其光谱曲线不同，利用其具有探测目标光谱分布的能力，将伪装目标与背景特性进行对比分析，从而对伪装目标进行更加有效地识别。

本文针对的异常目标主要指室内环境中安装的窃听、窃视设备，通常具有目标小、安装隐蔽、伪装精妙的特点，在可见光区域内，其光学特性与环境背景一致程度较高，导致目视或可见光相机难以发现。从安全保密领域面临的挑战和需求出发，以光谱分析为基本原理，开展针对室内环境中异常目标的识别方法研究。通过对常见的室内场景伪装特点进行分析，结合光谱分析技术特点，设计异常目标识别的方案。结果显示，基于计算光谱成像技术，获取场景从可见光到近红外区间的精细光谱结构和多波段的数据立方体，可以有效拓展数据源的范围，提高对伪装目标的识别能力。

1 不同伪装方式分析

计算光谱成像技术获取的数据立方体，同时包含了目标场景的空间信息和光谱维数据，使得色彩、形状、纹理等空间特征和组成相关的光谱特征有机的结合在一起，为异常目标的识别提供多源化的数据。根据目标物是否直接暴露在环境中，将伪装方式分为遮蔽和融合两类。对于在目标物表面覆盖伪装材料进行遮蔽的方式，由于室内装潢中建材中常用有机染料通常针对可见光波段研制，随波长向近红外波段延伸，有机色素吸光度普遍下降，上层覆盖的遮蔽物呈现“透明化”，这为观测伪装目标提供了可能的途径。

图1：光谱角填图示意图

图2：K均值聚类算法示意图

对于需直接暴露在环境中的目标物，其伪装方式一般选择与场景进行融合，既目标物在色彩、亮度、形状、纹理等表观特征与背景保证相似性，外观无法保持一致的部分(如相机镜头)则尽量减小尺寸，弱化目标、背景间的差异，达到隐蔽的效果。采用这一伪装方式的目表通常具体积较小，提高光谱成像仪器的空间分辨率，保留较为精细的空间信息，一方面有助于获取“纯净”的目标和背景光谱数据，强化差异性，另一方面可通过外形轮廓进行辨识分类，有助于揭示出伪装。

此外，部分设置在墙壁、家具内部的目标，安装过程需对原有表面进行破拆，待完成后重新进行修复。对于这一类目标，如修复过程与原始材料不完全一致，则可能在光谱特征中呈现差异。这一类伪装目标的识别，通常涉及到较为精细的光谱结构，对光谱数据立方体在光谱维的延伸范围及分辨率由较高的要求。

针对不同类别伪装的识别需求，分别设计了高光谱点扫描成像光谱测量和高分辨率谱段扫描成像光谱测量两套实验装置，验证计算光谱成像技术识别目标、揭示伪装的能力。

2 理论计算

高光谱数据分析与分类可采用多种算法，结合本系统使用场景及数据特点，可采用光谱角填图、K均值聚类算法、小目标检测算法等。

2.1 光谱角填图

光谱角匹配（Spectral Angle Mapping，简称SAM）是一种监督分类技术，是基于物理的一种光谱分类算法，利用n维角度来匹配像元光谱和参考光谱。将光谱看成是维数与波段数相等的空间里的向量，通过计算光谱间的角度的算法，决定了两个光谱之间的相似性。端元光谱是从ASCII文件或光谱数据库中获得，或者可以直接从影像中获得（ROI的平均光谱）。SAM比较端元光谱向量和每一个像素的向量在n维空间中的角度。角度越小代表与参考光谱越匹配，当像素比特定的最大角度的弧度阈值更大的时候就不会被分类。该算法是将图像光谱直接同参考光谱匹配的一种交互式分类方法，是一种比较图像光谱与目标光谱或光谱库中目标光谱数据的自动分类方法。

上式中，α为光谱角，ri为参考光谱向量，ti为目标光谱向量，nb为向量元素个数。

这种方法充分利用了光谱维的信息，强调了光谱的形状特征，大大减少了特征信息。SAM以实验室测量的标准光谱或从图像上提取的已知点的平均光谱为参考，将图像中每一像元矢量与参考光谱矢量求广义夹角，夹角越小相似度越大，见图1。该算法可以很好的克服场景中光照不均匀带来的目标亮度强弱变化，尤其适合于图像中已知目标的搜索与分类。

2.2 K均值聚类算法

K均值聚类属于无监督学习算法。该算法是先随机选取K个对象作为初始的聚类中心。然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。一旦全部对象都被分配了，每个聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件，示意图见图2。

终止条件可以是以下任何一个：

（1）没有（或最小数目）对象被重新分配给不同的聚类。

（2）没有（或最小数目）聚类中心再发生变化。

（3）误差平方和局部最小。

2.3 基于图像白化处理的小目标检测算法

遥感领域常用的CEM、RXD、SAM等基于目标信息分布的探测算法则从图像的二阶统计量、信息分布的角度入手，从图像中提取低概率分布目标，在小目标探测方面有较强优势。此类小目标探测算法之所以有效的本质在于图像的白化处理过程。

假设S={r1,r2,…,rN}为所有样本数据集，ri为图像中的L（L为波段数）维光谱向量，为样本均值向量，K为样本协方差矩阵，矩阵F为K的白化矩阵，则有

FTKF=I,FTF=Δ-1

图3：小目标检测结果

其中Δ=diag{λ1,λ2,…,λL}为由K的特征值组成的对角矩阵（设λ1≥λ2≥…≥λL）。实际上F=EΔ-1/2，这里矩阵E由K的特征向量组成，满足ETKE=Δ。则白化数据为

W={w1,w2…wN}={FTr1,FTr2,…,FTrN}

显然图像经过白化处理之后各个波段的方差为1，各个波段之间的相关性为0。这相当于在特征空间中图像分布信息量比较大的方向上乘以一个缩减比例因子，而在信息量分布比较大的方向上乘以一个扩张比例因子，以使得各个方向上图像有相同的方差。经过这样的处理之后，原本信息量比较大、分布相对较为稀疏的方向上的信息得以压缩而变得稠密；而原来信息量比较小、分布较为密集的方向上的信息得以膨胀开来，尤其是当此方向上有游离于稠密的数据云团之外的小目标时，经过白化之后，此目标将远远的孤立于以其他地物为背景的数据云团之外。运用CEM和SAM算法对白化数据进行小目标检测结果如图3所示。

3 系统设计

图4：实验平台组成示意

图5：实验靶标制作过程

利用两台高光谱成像测量装置，组建针对室内伪装的异常目标检测方法实验平台。实验过程采用卤钨灯作为照明光源，根据不同的伪装方式及目标物设计实验场景。基于对伪装方式和目标特点的分析，分别选用不同的仪器采集高光谱数据，对实验结果进行分析评判。如图4所示。

多色墙面漆是市内装修常用的建材之一，在可见光波段具有较好的遮盖力，我们搭建油漆遮蔽伪装揭露实验，以多种颜色墙面漆对靶标图像进行遮盖，研究以漆层进行伪装时，光谱图像对目标的识别能力。如图5所示。

选用壁纸作为基地材料，表面以书画墨汁绘制“田”字目标，待墨迹风干后，选用德国Dufa墙面漆作为遮蔽物，添加红绿黄蓝标准色浆制成多色漆，均匀刷涂在壁纸表面对目标进行遮蔽，构成实验对象。如图6所示。

使用点扫描成像光谱仪对靶标进行光谱图像扫描，间隔距离设为2m，对应空间分辨率3.5cm。采集的高光谱图像数据如图7所示。

图6：实验靶标实物

从实验结果可见，随波长向长波方向移动，各种颜色墙面漆的遮盖力整体呈下降趋势。从900nm开始，红、黄两种浅色漆层已经趋于透明。虽然蓝、绿两种深色漆层遮盖力弱化稍缓慢，但波长达到1200nm后，各色油漆均已失去遮盖力，另外，经原始数据分析2300nm后图像信噪比显著下降主要源于光源辐射强度减弱及仪器响应度衰减。实验结果显示，用红外光谱成像技术对不同颜色墙面漆构成的遮蔽伪装均有较好的穿透作用，能够有效识别漆层下的异常目标。

4 结论

图7

本课题针对安全保密工作中识别室内环境的异常，保护重要信息安全的需求，以计算光学成像技术为基础，研究对多中类别伪装进行识别的方法，并展开了验证实验。

通过搭建测试场景，本课题中针对多种伪装手段开展了识别实验。基于伪装目标和伪装物的特点，分别设计不同的光谱数据采集及处理方法。实验结果证明，计算光谱成像技术在室内异常目标的识别方面表现出超越目视/可见光识别的优势，且具有良好的通用性和灵活性，能够满足多样性的识别要求。