高光譜遙感圖像目標探測與分類技術研究目的及意義

高光譜目標探測與分類技術是高光譜遙感最為重要的應用方向，可以有效地應用于環(huán)境檢測、城市規(guī)劃、地質巖礦的識別、海洋水色定量檢測、植被的精細分類以及軍事目標的探測等諸多方面。

一般地，目標探測與分類可以從三個方面入手：圖象空間、光譜空間和特征空間。圖象空間反映了地物的分布和變化以及不同地物之間的空間關系，圖象是對地物最直觀的表示。單純基于圖象空間的目標探測與分類屬于一般圖象處理的范疇，處理效果通常取決于圖象的空間分辨率，而往往這正是高光譜圖象的局限所在；光譜空間由景物中的各個象元對應的光譜曲線所組成，基于光譜空間的分析方法側重于地物本身的物理屬性，主要利用不同地物有不同光譜特征這一性質來進行探測與處理；景物中的每個象元在高維特征空間均對應于一個點，利用高光譜數據在高維空間的特性可以更有效的進行目標探測與分類的處理，這也是高光譜遙感的巨大內涵及獨到之處。

高光譜遙感是一門新興的科學，是當前遙感技術的前沿；相對于高光譜數據提供的巨大的數據量，當前的數據處理技術還有很大的發(fā)展空間。尤其是國內，高光譜圖象處理算法研究尚處于初級階段，與國外相比還有很大的差距。因此，本論文期望根據高光譜數據的內在特性，綜合高光譜數據在圖象空間、光譜空間尤其是特征空間的信息建立起具有一定理論意義和實用價值的目標探測與分類算法，進一步促進高光譜遙感的廣泛應用和發(fā)展。

1.2研究現(xiàn)狀

1.2.1成象光譜技術的發(fā)展概況

商光譜分辨率遙感1(#vpRTBPPFPL 將很妙糧略的尾指利用很多很窄的電磁波波段從感興趣的物體獲取有關數據。高光譜遙感具有102λ的光譜分辨率，它是在電磁波譜的紫外、可見光、近紅外和中紅外區(qū)域，獲取許多非常窄且光譜連續(xù)的圖象數據的技術[Lillesand &Kiefer,1994],所以高光譜遙感技術通常又被稱為成像光譜技術。由于成像光譜儀能夠得到上百通道、連續(xù)波段的圖像，從而可以從每個圖像像元中提取一條完整的光譜曲線[Goetzet al,1981,1985](如圖1.1)

高光譜遙感的出現(xiàn)是遙感界的一場革命。它使本來在寬波段遙感中不可探測的物質，在高光譜遙感中能被探測，研究表明許多地表物質的吸收特征在吸收峰深度一般處的寬度為20~40nm[Hunt,1980]。而成象光譜系統(tǒng)獲得的連續(xù)波段寬度一般都在10nm以內，因此這種數據能以足夠的光譜分辨率區(qū)分出那些具有診斷性光譜特征的地表物質，這也是高光譜技術用于探測甚至識別地物的物質基礎。由于高光譜遙感將確定物質或地物性質的光譜與把握其空間和幾何關系的圖象革命性地結合在一起，它所獲取的地球表面圖象包含了豐富的空間、輻射和光譜三重信息，因而在地質、農業(yè)、環(huán)境、軍事、水文、大氣等方面都有著巨大的應用前景[童慶禧，1999;童慶禧，1995,1996;鄭蘭芬，1995;Cloutis,1996;Green,1998]。自從上世紀70年代末美國噴氣推進實驗室(JPL)在NASA支持下首先對成象光譜儀進行概念設計[Goetz,1992]以來，高光譜遙感技術就受到了極大的關注，世界上一些有條件的國家，如美、加、澳、法、德等都競相投入了大量資本進行成象光譜儀器的研制和應用[童慶禧，1998]。比如，在NASA支持下，美國對內華達州Comstock Lode地區(qū)進行了長達15年的系統(tǒng)高光譜遙感研究，除獲得了大量的地面光譜資料外，還先后用AIS、AVIRIS、Probe-1和HYMAP等航空高光譜成象儀獲取了多光譜范圍、多時期、多分辨率的高光譜圖象、取得了一系列成果，從而直接推動了高光譜在地質遙感應用中的發(fā)展[Smailbegovic,2000]。特別是近20年來，在美國、加拿大、澳大利亞、日本和中國等國的重視下，高光譜遙感技術不斷發(fā)展。最早的航空成象儀AIS是上世界80年代才出現(xiàn)的[Kruse,1988],隨后從80年代后期至90年代，各國競相研制，出現(xiàn)了一系列航空成象光譜儀。如美國的HYDICE、SEBASS[Calvin,et al,2000]和AVIRIS[Green,etal,1998],加拿大的FLI、CASI和SFSI,德國的ROSIS,荷蘭的CAESAR[童慶禧，1995],澳大利亞的HYMAP[童慶禧，1998]。其中HYMAP主要針對可見光-短波紅外，共有128波段，信噪比達1000:1,SEBASS主要針對中紅外(3~5.4μm)和熱紅外(7.8~13.5μm),各分128波段，信噪比達2000:1,溫度敏感度0.05K[Calvin,2000]。我國在九五和十五期間，中科院上海技術物理研究所成功研制了PHI推帚式高光譜成像儀和OMIS實用性模塊化高光譜成像儀，也達到了很高的水平。在航空遙感技術進步的同時，航天高光譜遙感也蓬勃發(fā)展起來。近年來，國外相繼發(fā)射了一系列高光譜衛(wèi)星，如美國EO-1衛(wèi)星中的HYPERION,MightySat-Ⅱ中的FTHSI,EOS系統(tǒng)中的MODIS、ASTER,美國以及歐空局ENVISAT系統(tǒng)中的MERIS,歐空局PROBA衛(wèi)星中的CHRIS等。除美國和歐洲以外，澳大利亞和日本也各有完整的航天高光譜遙感系統(tǒng)發(fā)展計劃，澳大利亞的ARIES系統(tǒng)，日本也將在今后5年內發(fā)射高光譜衛(wèi)星。在我國的神舟三號無人飛船中搭載了一個中分辨率的成象光譜儀(CMODIS),另外，在我國的環(huán)境與減災小衛(wèi)星星座中，也包括有高光譜遙感器。

1.2.2目標探測與分類技術研究現(xiàn)狀

隨著成象光譜儀的迅速發(fā)展，高光譜圖象分析與處理算法也日益蓬勃發(fā)展。

目標探測與分類技術是其中一個最為重要的分支。一般的，目標探測與分類可以從圖象空間、光譜空間和特征空間來進行。理想情況下，如果成象光譜儀能獲取沒有噪聲和外界干擾的具有無限空間分辨率的圖象，那么可以從圖象空間上探測目標，然后再根據所研究區(qū)域的先驗知識從光譜庫中找出與目標光譜具有最佳匹配效果的參考光譜，從而達到目標識別與分類的目的。然而空間分辨率與光譜分辨率往往是一對矛盾，目前高光譜遙感數據的空間分辨率尚不夠高，使得某些感興趣的小目標在圖象中只能以子象元的形式存在，即圖象中只存在感興趣目標與別的地物的混合象元，而沒有只含有此目標的純粹象元，這無疑是對傳統(tǒng)的目標探測與分類技術的一個巨大的挑戰(zhàn)。但隨著光譜分辨率的提高、波段數的增多，高光譜圖象有足夠的維數容納地物在其特征空間的單形體結構，而傳統(tǒng)的一般光學圖象處理手段以及多光譜圖象處理方法顯然已經不能完全適應或者不能充分利用高光譜數據在特征空間中的這種內在屬性，各種針對高光譜數據這種內在特

點的處理算法應運而生。

目標探測的四個方面

1.低維空間情況：

高光譜圖象通常都具有幾十甚至上百個波段，對如此大的數據量進行處理往往需要以時間為代價，尤其是當這些數據需要傳輸的時候還要求傳輸介質有足夠的帶寬(比如星上數據下傳),所以很多情況下，在保證目標與背景有足夠分離度的基礎上先對原始數據進行降維操作，這其實也是一個特征提取的過程。在遙感圖象分析中，特征提取可以從兩個意義上來實施：一種是按照一定的準則直接從原始特征空間中選出一個子集(即子空間),光學遙感中的波段選擇即屬于這一類。另一種是找到一個映射關系P:P:x→y。將原始特征空間X={x?x?,…,x。}映射到維數降低了的特征空間Y上去，其中Y={y?,y,,…,y,},n<m。高光譜遙感圖象特征提取包含的內容非常廣泛，提取方法也很多，光譜維特征提取和空間維特征提取是表現(xiàn)圖象特征提取的兩個方面。主成分分析(PCA)是一種把原來多個指標化為少數幾個互不相關的綜合指標的一種分析技術。應用PCA可以在基本保持數據信息量的基礎上把海量的高光譜數據投影到僅有少數幾個主分量所構成的正交子空間中。Jia &Richards[1999]發(fā)展的分塊主成分分析法用于特征提取，取得了一定的分類和顯示效果，他們將全部波段的相關陣按照相鄰波段的相關性分成若干塊。一般高度相關的塊沿對角線分布，而相關性低的遠離對角線。塊矩陣本身集合了相鄰波段間相關性高的波段。因此沿相關矩陣對角線可分成若干塊(波段組),并對每組進行主成分變換，最后將每組的重要特征(主成分)再重新組合在一起作為進一步主成分分析與特征選擇之用。典范分析也是將較多的變量化為少數幾個典范變量，通過這較少的典范變量之間的相關性來綜合地描述兩個多元隨機變量之間關系的一種數學方法。PCA主要想最大限度地將不同類別分開，而典范分析則是在低維變量間尋找能代表高維變量的相關性，以達到分類、識別目標的目的。劉建貴[1999]在分析K-L變換性質的基礎上，根據高光譜數據用于城市目標識別提取的特點，提出了面向分類的特征提取的規(guī)范分析(CA)改進方法，設法使原特征空間的各類的樣本點在光譜維上的投影能使類間距離與類內距離的比值達到最大。根據這一原則來決定變換矩陣的選擇。劉建貴用這種改進的方法實施對北京沙河鎮(zhèn)城市地物特征的提取，取得了較好的結果。

2.已知目標、已知背景：

在目標端元與背景端元都知道的情況下，最簡單的目標提取方法是直接利用目標光譜對圖象中的象元逐一匹配，從而得到目標在圖象中的分布情況。通常的整波形匹配算法主要有以下四種：根據光譜之間的距離，如最小距離匹配；根據光譜之間的夾角，代表性的算法是光譜角度填圖(SAM);根據光譜之間的相似系數，如交叉相關光譜匹配技術(CCSM);編碼匹配算法，如二值編碼匹配算法。整波形匹配的缺陷在于它對噪聲非常敏感，因而要求圖象光譜有很高的信噪比。實際上，對圖象光譜定標和反射率轉換的精度往往很難達到光譜匹配的要求。注意到，上述算法并沒有用到已知的背景信息，從而只能在沒有抑制背景的情況下定性得到目標地物的大致覆蓋區(qū)域，如果要定量的得到感興趣目標在圖象中各個象元中所占的比例，需要引入混合象元模型。線性混合模型是其中應用最為廣泛的模型，它假定：在一定的條件下，高光譜圖象中每個象元都可以近似認為是圖象中各個端元的線性混合象元。因此，在已經知道圖象想所有端元(包括目標與背景)的前提下，可以利用線性解混定量地得到目標地物在圖象中每個象元中

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

3.已知目標、未知背景：

在僅知道目標端元的光譜而未知背景的情況下，可以通過三條途徑來進行目

標提取，第一種就是前面所講的簡單的匹配算法，由于這種方法既沒有用到目標與背景的信息量分布的差別，也沒有利用高光譜圖象在其特征空間目標與背景的相對位置的差別，因而一般得不到好的目標探測效果；第二種途徑就是利用一組正交基底代替背景，然后再通過光譜解混、OSP、FBA、濾波向量等方法得到目標在圖象中的定量分布結果，這就歸結為第二種情形。比較常用的正交變換方法包括PCA及奇異值分解(SVD,Singular value decomposition )[Boardman,189];

第三種途徑則是利用樣本相關矩陣(或者協(xié)方差矩陣)的性質對目標進行半解混(Parial Unmixing)提取，匹配濾波(MF,Matched Filter)、約束能量最小化算法(CEM,Constrained energy niiRration(Harsanyi,1993,

1994;Farrand,1997]就是應用最為廣泛的小目標提取算法，與基于混合象元模型側重于從目標與背景在特征空間相對位置的差異入手的目標提取算法相比，CEM(與MF形式上是相同的)主要從能量(信息量)的角度來壓制背景繼而提取目標的。混合調制匹配濾波器(MTMF,Mixture-Tuned Matched Filtering)[Boardman,1998]則結合了兩種算法的優(yōu)點。

4.未知目標、未知背景：

在圖象中的象元滿足線性混合的條件下，其中的每個象元都可以由圖象中的所有端元線性混合而成，因此高光譜數據端元的提取是理解高光譜數據、繼而對數據進行進一步分析(比如解混、填圖等)的前提條件。如何從高光譜圖象中提取端元一直是一個熱點問題，在這方面，已經有很多成熟的方法被提出和應用，Boardman[1993]創(chuàng)造性的提出了利用凸面幾何學分析的方法提取圖象端元的雛形，他認為高光譜圖象的所有數據在其特征空間中均由圖象中所有地物所對應的純粹象元(端元)為頂點的單形體所包圍，并與Kruse、Green[1995]在一起發(fā)展了純象元指數(PPI)提取端元的算法。Craig[1994]提出了最小體積變換(MVT):通過求取包圍整個高光譜數據“云團”的具有最小體積的單形體來獲得端元。