高光谱遥感图像目标探测与分类技术研究

高光谱遥感图像目标探测与分类技术研究目的及意义

高光谱目标探测与分类技术是高光谱遥感最为重要的应用方向，可以有效地应用于环境检测、城市规划、地质岩矿的识别、海洋水色定量检测、植被的精细分类以及军事目标的探测等诸多方面。

一般地，目标探测与分类可以从三个方面入手：图象空间、光谱空间和特征空间。图象空间反映了地物的分布和变化以及不同地物之间的空间关系，图象是对地物最直观的表示。单纯基于图象空间的目标探测与分类属于一般图象处理的范畴，处理效果通常取决于图象的空间分辨率，而往往这正是高光谱图象的局限所在；光谱空间由景物中的各个象元对应的光谱曲线所组成，基于光谱空间的分析方法侧重于地物本身的物理属性，主要利用不同地物有不同光谱特征这一性质来进行探测与处理；景物中的每个象元在高维特征空间均对应于一个点，利用高光谱数据在高维空间的特性可以更有效的进行目标探测与分类的处理，这也是高光谱遥感的巨大内涵及独到之处。

高光谱遥感是一门新兴的科学，是当前遥感技术的前沿；相对于高光谱数据提供的巨大的数据量，当前的数据处理技术还有很大的发展空间。尤其是国内，高光谱图象处理算法研究尚处于初级阶段，与国外相比还有很大的差距。因此，本论文期望根据高光谱数据的内在特性，综合高光谱数据在图象空间、光谱空间尤其是特征空间的信息建立起具有一定理论意义和实用价值的目标探测与分类算法，进一步促进高光谱遥感的广泛应用和发展。

1.2研究现状

1.2.1成象光谱技术的发展概况

商光谱分辨率遥感1(#vpRTBPPFPL 将很妙粮略的尾指利用很多很窄的电磁波波段从感兴趣的物体获取有关数据。高光谱遥感具有10²λ的光谱分辨率，它是在电磁波谱的紫外、可见光、近红外和中红外区域，获取许多非常窄且光谱连续的图象数据的技术[Lillesand &Kiefer,1994],所以高光谱遥感技术通常又被称为成像光谱技术。由于成像光谱仪能够得到上百通道、连续波段的图像，从而可以从每个图像像元中提取一条完整的光谱曲线[Goetzet al,1981,1985](如图1.1)

高光谱遥感的出现是遥感界的一场革命。它使本来在宽波段遥感中不可探测的物质，在高光谱遥感中能被探测，研究表明许多地表物质的吸收特征在吸收峰深度一般处的宽度为20~40nm[Hunt,1980]。而成象光谱系统获得的连续波段宽度一般都在10nm以内，因此这种数据能以足够的光谱分辨率区分出那些具有诊断性光谱特征的地表物质，这也是高光谱技术用于探测甚至识别地物的物质基础。由于高光谱遥感将确定物质或地物性质的光谱与把握其空间和几何关系的图象革命性地结合在一起，它所获取的地球表面图象包含了丰富的空间、辐射和光谱三重信息，因而在地质、农业、环境、军事、水文、大气等方面都有着巨大的应用前景[童庆禧，1999;童庆禧，1995,1996;郑兰芬，1995;Cloutis,1996;Green,1998]。自从上世纪70年代末美国喷气推进实验室(JPL)在NASA支持下首先对成象光谱仪进行概念设计[Goetz,1992]以来，高光谱遥感技术就受到了极大的关注，世界上一些有条件的国家，如美、加、澳、法、德等都竞相投入了大量资本进行成象光谱仪器的研制和应用[童庆禧，1998]。比如，在NASA支持下，美国对内华达州Comstock Lode地区进行了长达15年的系统高光谱遥感研究，除获得了大量的地面光谱资料外，还先后用AIS、AVIRIS、Probe-1和HYMAP等航空高光谱成象仪获取了多光谱范围、多时期、多分辨率的高光谱图象、取得了一系列成果，从而直接推动了高光谱在地质遥感应用中的发展[Smailbegovic,2000]。特别是近20年来，在美国、加拿大、澳大利亚、日本和中国等国的重视下，高光谱遥感技术不断发展。最早的航空成象仪AIS是上世界80年代才出现的[Kruse,1988],随后从80年代后期至90年代，各国竞相研制，出现了一系列航空成象光谱仪。如美国的HYDICE、SEBASS[Calvin,et al,2000]和AVIRIS[Green,etal,1998],加拿大的FLI、CASI和SFSI,德国的ROSIS,荷兰的CAESAR[童庆禧，1995],澳大利亚的HYMAP[童庆禧，1998]。其中HYMAP主要针对可见光-短波红外，共有128波段，信噪比达1000:1,SEBASS主要针对中红外(3~5.4μm)和热红外(7.8~13.5μm),各分128波段，信噪比达2000:1,温度敏感度0.05K[Calvin,2000]。我国在九五和十五期间，中科院上海技术物理研究所成功研制了PHI推帚式高光谱成像仪和OMIS实用性模块化高光谱成像仪，也达到了很高的水平。在航空遥感技术进步的同时，航天高光谱遥感也蓬勃发展起来。近年来，国外相继发射了一系列高光谱卫星，如美国EO-1卫星中的HYPERION,MightySat-Ⅱ中的FTHSI,EOS系统中的MODIS、ASTER,美国以及欧空局ENVISAT系统中的MERIS,欧空局PROBA卫星中的CHRIS等。除美国和欧洲以外，澳大利亚和日本也各有完整的航天高光谱遥感系统发展计划，澳大利亚的ARIES系统，日本也将在今后5年内发射高光谱卫星。在我国的神舟三号无人飞船中搭载了一个中分辨率的成象光谱仪(CMODIS),另外，在我国的环境与减灾小卫星星座中，也包括有高光谱遥感器。

1.2.2目标探测与分类技术研究现状

随着成象光谱仪的迅速发展，高光谱图象分析与处理算法也日益蓬勃发展。

目标探测与分类技术是其中一个最为重要的分支。一般的，目标探测与分类可以从图象空间、光谱空间和特征空间来进行。理想情况下，如果成象光谱仪能获取没有噪声和外界干扰的具有无限空间分辨率的图象，那么可以从图象空间上探测目标，然后再根据所研究区域的先验知识从光谱库中找出与目标光谱具有最佳匹配效果的参考光谱，从而达到目标识别与分类的目的。然而空间分辨率与光谱分辨率往往是一对矛盾，目前高光谱遥感数据的空间分辨率尚不够高，使得某些感兴趣的小目标在图象中只能以子象元的形式存在，即图象中只存在感兴趣目标与别的地物的混合象元，而没有只含有此目标的纯粹象元，这无疑是对传统的目标探测与分类技术的一个巨大的挑战。但随着光谱分辨率的提高、波段数的增多，高光谱图象有足够的维数容纳地物在其特征空间的单形体结构，而传统的一般光学图象处理手段以及多光谱图象处理方法显然已经不能完全适应或者不能充分利用高光谱数据在特征空间中的这种内在属性，各种针对高光谱数据这种内在特

点的处理算法应运而生。

目标探测的四个方面

1.低维空间情况：

高光谱图象通常都具有几十甚至上百个波段，对如此大的数据量进行处理往往需要以时间为代价，尤其是当这些数据需要传输的时候还要求传输介质有足够的带宽(比如星上数据下传),所以很多情况下，在保证目标与背景有足够分离度的基础上先对原始数据进行降维操作，这其实也是一个特征提取的过程。在遥感图象分析中，特征提取可以从两个意义上来实施：一种是按照一定的准则直接从原始特征空间中选出一个子集(即子空间),光学遥感中的波段选择即属于这一类。另一种是找到一个映射关系P:P:x→y。将原始特征空间X={x₁x₂,…,x。}映射到维数降低了的特征空间Y上去，其中Y={y₁,y,,…,y,},n<m。高光谱遥感图象特征提取包含的内容非常广泛，提取方法也很多，光谱维特征提取和空间维特征提取是表现图象特征提取的两个方面。主成分分析(PCA)是一种把原来多个指标化为少数几个互不相关的综合指标的一种分析技术。应用PCA可以在基本保持数据信息量的基础上把海量的高光谱数据投影到仅有少数几个主分量所构成的正交子空间中。Jia &Richards[1999]发展的分块主成分分析法用于特征提取，取得了一定的分类和显示效果，他们将全部波段的相关阵按照相邻波段的相关性分成若干块。一般高度相关的块沿对角线分布，而相关性低的远离对角线。块矩阵本身集合了相邻波段间相关性高的波段。因此沿相关矩阵对角线可分成若干块(波段组),并对每组进行主成分变换，最后将每组的重要特征(主成分)再重新组合在一起作为进一步主成分分析与特征选择之用。典范分析也是将较多的变量化为少数几个典范变量，通过这较少的典范变量之间的相关性来综合地描述两个多元随机变量之间关系的一种数学方法。PCA主要想最大限度地将不同类别分开，而典范分析则是在低维变量间寻找能代表高维变量的相关性，以达到分类、识别目标的目的。刘建贵[1999]在分析K-L变换性质的基础上，根据高光谱数据用于城市目标识别提取的特点，提出了面向分类的特征提取的规范分析(CA)改进方法，设法使原特征空间的各类的样本点在光谱维上的投影能使类间距离与类内距离的比值达到最大。根据这一原则来决定变换矩阵的选择。刘建贵用这种改进的方法实施对北京沙河镇城市地物特征的提取，取得了较好的结果。

2.已知目标、已知背景：

在目标端元与背景端元都知道的情况下，最简单的目标提取方法是直接利用目标光谱对图象中的象元逐一匹配，从而得到目标在图象中的分布情况。通常的整波形匹配算法主要有以下四种：根据光谱之间的距离，如最小距离匹配；根据光谱之间的夹角，代表性的算法是光谱角度填图(SAM);根据光谱之间的相似系数，如交叉相关光谱匹配技术(CCSM);编码匹配算法，如二值编码匹配算法。整波形匹配的缺陷在于它对噪声非常敏感，因而要求图象光谱有很高的信噪比。实际上，对图象光谱定标和反射率转换的精度往往很难达到光谱匹配的要求。注意到，上述算法并没有用到已知的背景信息，从而只能在没有抑制背景的情况下定性得到目标地物的大致覆盖区域，如果要定量的得到感兴趣目标在图象中各个象元中所占的比例，需要引入混合象元模型。线性混合模型是其中应用最为广泛的模型，它假定：在一定的条件下，高光谱图象中每个象元都可以近似认为是图象中各个端元的线性混合象元。因此，在已经知道图象想所有端元(包括目标与背景)的前提下，可以利用线性解混定量地得到目标地物在图象中每个象元中

所占的百分比。常用的光谱解混算法包括最小二乘法、正交子空间投影算法(0SP)[Harsanyi&Chang,1994]、前景背景分析算法(FBA,Foreground/backgound analysis)[Smith etal.,1994;Smith etal.1996]、滤波廊最篡法成 R)本AARedesso,etal.,1995]等。

3.已知目标、未知背景：

在仅知道目标端元的光谱而未知背景的情况下，可以通过三条途径来进行目

标提取，第一种就是前面所讲的简单的匹配算法，由于这种方法既没有用到目标与背景的信息量分布的差别，也没有利用高光谱图象在其特征空间目标与背景的相对位置的差别，因而一般得不到好的目标探测效果；第二种途径就是利用一组正交基底代替背景，然后再通过光谱解混、OSP、FBA、滤波向量等方法得到目标在图象中的定量分布结果，这就归结为第二种情形。比较常用的正交变换方法包括PCA及奇异值分解(SVD,Singular value decomposition )[Boardman,189];

第三种途径则是利用样本相关矩阵(或者协方差矩阵)的性质对目标进行半解混(Parial Unmixing)提取，匹配滤波(MF,Matched Filter)、约束能量最小化算法(CEM,Constrained energy niiRration(Harsanyi,1993,

1994;Farrand,1997]就是应用最为广泛的小目标提取算法，与基于混合象元模型侧重于从目标与背景在特征空间相对位置的差异入手的目标提取算法相比，CEM(与MF形式上是相同的)主要从能量(信息量)的角度来压制背景继而提取目标的。混合调制匹配滤波器(MTMF,Mixture-Tuned Matched Filtering)[Boardman,1998]则结合了两种算法的优点。

4.未知目标、未知背景：

在图象中的象元满足线性混合的条件下，其中的每个象元都可以由图象中的所有端元线性混合而成，因此高光谱数据端元的提取是理解高光谱数据、继而对数据进行进一步分析(比如解混、填图等)的前提条件。如何从高光谱图象中提取端元一直是一个热点问题，在这方面，已经有很多成熟的方法被提出和应用，Boardman[1993]创造性的提出了利用凸面几何学分析的方法提取图象端元的雏形，他认为高光谱图象的所有数据在其特征空间中均由图象中所有地物所对应的纯粹象元(端元)为顶点的单形体所包围，并与Kruse、Green[1995]在一起发展了纯象元指数(PPI)提取端元的算法。Craig[1994]提出了最小体积变换(MVT):通过求取包围整个高光谱数据“云团”的具有最小体积的单形体来获得端元。