摘 要： 目標檢測是高光譜遙感領域一個重要研究方向，其在礦物勘探和國防偵查等領域都有著廣泛的應用。簡明、系統地介紹了高光譜圖像目標檢測中的一些關鍵算法及其在實際應用中存在的問題，并對未來發展方向進行了展望。
關鍵詞： 高光譜圖像；目標檢測；背景模型
0 引言
高光譜遙感是近年來隨著遙感技術發展起來的一種信息獲取技術。成像光譜儀可以同時獲取可見光到近紅外區域內數百個近乎連續的波段內地物的反射信息，使得高光譜圖像在具有空間信息的同時也含有豐富的光譜信息，而光譜特征是不同物質所固有的，利用圖像中的光譜信息可以有效地區分場景中的不同物質。充分利用光譜信息和空間信息，可以更精確地檢測出場景中的目標。隨著高光譜遙感技術的發展，高光譜圖像目標檢測技術得到了廣泛的使用，并在礦物勘探、農業、環境監測以及國防情報等領域發揮著越來越重要的作用[1]。
從理論上講，高光譜圖像目標檢測實際上是一個二分問題：將圖像中的像元標記為目標或背景。在給定目標先驗知識的情況下可以根據光譜信息和空間信息實現圖像中目標的判別。經過十多年的發展，高光譜圖像目標檢測算法已經由最初的僅僅利用單一信息檢測，逐漸向著空譜信息聯合利用的方向發展。本文從高光譜圖像信息的利用層次入手，系統回顧高光譜圖像目標檢測中的關鍵算法，同時簡要介紹和討論基于線性光譜信息的檢測算法、基于非線性光譜信息的檢測算法以及空譜信息聯合的檢測算法。
1 高光譜圖像目標檢測算法
1.1 基于線性光譜信息的檢測算法
基于線性光譜信息的檢測算法主要是利用線性信號處理等方法對高光譜數據進行處理，從復雜的背景中檢測出微弱的目標信號。根據背景模型構建方式，它又可分為基于概率統計模型的檢測方法和基于子空間模型的檢測方法。
（1）基于概率統計模型的檢測方法
基于概率統計模型的檢測方法通過構建高光譜數據概率統計模型，結合目標的先驗知識達到目標檢測的效果。基于概率統計背景模型的檢測算法主要有光譜匹配濾波[2]（Spectral Matched Filter，SMF）算法、自適應余弦估計[3]（Adaptive Cosine Estimator，ACE）算法以及約束能量最小化[4]（Constrained Energy Minimization，CEM）算法等。
SMF算法是一種基于廣義似然比的恒虛警率檢測算法，在簡單的背景下具有較好的檢測效果。但對子像元目標，需要已知目標信號的豐度，在實際應用中具有很大的限制。ROBEY F C等人在原有SMF算法的基礎上提出了未知目標豐度的自適應匹配濾波[5]（Adaptive Matched Filter，AMF）算法。KRAUT S等人對目標噪聲和背景噪聲協方差矩陣加上不同的權重因子提出了ACE算法。
CEM算法是設計一個在目標信號約束下使得整體能量輸出最小的濾波器，突出目標信息，抑制背景信息，實現目標檢測效果。CEM對圖像中的小目標有較好的檢測效果，但對大目標檢測效果不佳。為此耿修瑞等人對CEM改進得到了加權自相關矩陣的CEM[6]（Weighted Correlation Matrix CEM，WCM-CEM）算法。
為了克服場景復雜性差異、異常及目標信號對背景模型參數估計的影響，研究人員在原有算法的基礎上進行了許多改進來提高算法的魯棒性。劉凱等人通過對高光譜圖像分割處理，將高光譜圖像分割成多個均質背景子類，然后利用局部背景進行背景參數估計進而對目標進行檢測[7]。THEILER J等人提出一種基于目標信號修正的協方差矩陣估計方法[8]。BASENER W F先將可能的異常像元去除，然后用余下的背景數據估計背景協方差矩陣[9]，從而提升參數估計的準確性。THEILER J等人將稀疏矩陣變換（Sparse Matrix Transform，SMT）等[10]優化的協方差矩陣求解辦法應用到高光譜圖像目標檢測中來，從而提升算法的魯棒性。
（2）基于子空間模型的檢測算法
基于子空間模型的高光譜圖像目標檢測算法主要有Chang課題組的子空間投影算法和Manolakis課題組的子空間匹配算法。
正交子空間投影[11]（Orthogonal Subspace Projection，OSP）算法具有實現容易、計算代價小等優點，但是目標信號的豐度信息事先難以獲得。特征子空間投影[12]（Signature Subspace Projection，SSP）算法可以有效解決這個問題，通過向特征子空間方向投影得到目標信號和背景的豐度信息，然后根據OSP原理實現目標檢測效果。斜子空間投影[13]（Oblique Subspace Projection，OBSP）算法利用非正交背景和目標子空間構造投影算子，提升檢測精度。非監督向量量化目標子空間投影[14]（Unsupervised Vector Quantization-based Target Subspace Projection，UVQTSP）算法通過非監督向量量化得到背景的特征光譜，不需要預先知道背景信息，使得算法的適用性增強。
Manolakis在線性混合模型的基礎上得到匹配子空間檢測器[15]（Matched Subspace Detector，MSD）。MSD以結構化的背景模型為基礎，在噪聲未知的情況下，利用廣義似然比來構造檢測器。HEINZ D C等人根據像元的線性解混分析方法構造了基于約束最小二乘法的檢測方法[16]。杜博等人結合上述兩種算法的優點，提出基于最小二乘分解的自適應匹配子空間目標檢測方法[17]，在自適應子空間檢測的基礎上結合具有實際物理意義的豐度信息實現目標檢測。
1.2 基于非線性光譜信息的檢測算法
前面介紹的檢測算法只利用了高光譜圖像數據的二階統計特征，完全忽略了對判別也至關重要的大量非線性信息。為了更好地描述高光譜圖像的復雜特征，核方法和流形學習等非線性方法被用到了高光譜圖像目標檢測中。通過更加復雜的模型構建，充分利用圖像中的非線性信息，從而更好地分離背景與目標信息，提高目標的檢測精度。
KWON H等人將現有的SMF、MSD、SSP等線性檢測算法通過核方法擴展到它們對應的非線性版本[18-20]，充分利用高光譜圖像數據中非線性信息提高檢測效果。參考文獻[18]詳細介紹了基于核空間的高光譜圖像目標檢測算法，并將其性能與傳統目標檢測算法進行了比較。相對于傳統算法，核化的檢測算法在檢測性能上有了顯著的提升。然而，目前核方法中普遍使用高斯徑向基核函數，沒有一個指導性的核函數選取規則。Zhang Lefei等人將流行學習的方法應用到高光譜目標檢測中[21]，利用監督的稀疏變換流形嵌入框架實現高光譜圖像的降維，再在降維后的空間中通過計算目標特征向量的最近鄰實現目標檢測。
1.3 空譜信息聯合的目標檢測算法
目前國內外學者對高光譜圖像目標檢測的研究重點主要集中在上文所介紹的基于圖像光譜特征信息的目標檢測方法上，沒有利用高光譜圖像中的空間結構信息。充分利用高光譜圖像中的空間信息和光譜信息，將二者的優點結合起來進行目標檢測是需要重視的問題[22]。
CAPOBIANCO L等人提出了一種基于組合核函數的上下文信息結合的KOSP（Kernel-OSP）方法[23]，將像元空間鄰域信息應用到目標檢測中來。趙遼英等人提出了一種基于形態學的組合核正交投影算法[24]，將空間信息和光譜信息構造組合核實現高維特征空間的特征子空間投影算法。趙春暉等人構造待測像元及其4-鄰域像元的平滑稀疏表示和聯合稀疏表示模型實現檢測的效果[25]。Zhang Lefei等人提出了一種基于張量學習機的高光譜圖像目標檢測方法[26]，將以向量作為輸入的監督學習方法SVM擴展成為以向張量作為輸入的張量學習機，取得了較好的目標探測效果。
2 問題分析與展望
為了從高光譜圖像復雜的背景中檢測出微弱的目標信號，許多統計信號處理以及機器學習領域的新技術被用到了高光譜圖像目標檢測中，通過更加復雜準確的背景描述來提高目標的檢測效果。然而，由于高光譜圖像數據比較大，訓練數據量較少以及光譜差異性等因素的影響，高光譜目標檢測在實際應用時仍存在許多問題。
（1）目標光譜信息通常是從光譜庫中獲得，這些光譜信息都是直接在實驗室中采集的。高光譜圖像在成像過程中受到大氣、光照以及周圍環境等復雜外界因素的影響，會導致圖像中的目標信號和光譜庫中的目標信號存在一定的差異。如何準確地分析高光譜圖像采集時外界因素的影響，將目標光譜信息和圖像中的光譜信息轉換到同等條件下是檢測結果準確性的關鍵。
（2）高光譜圖像既包括空間信息又包括光譜信息，然而目前的檢測方法大多數都只利用光譜信息，對圖像的空間信息利用很少。充分利用高光譜圖像中包含的各種信息，實現空間信息和光譜信息聯合處理的目標檢測方法也應是一個需要重視的問題。
（3）高光譜圖像的數據量比較大，數據處理的壓力比較大。在實際應用中對檢測結果的實時性要求比較高，如何利用算法優化、并行計算、硬件加速等方法實現實時的檢測結果也是非常重要的。
3 結論
本文從高光譜圖像信息利用層次方面對高光譜圖像目標檢測算法進行了簡要的介紹。針對大量的高光譜圖像目標檢測應用場景，研究學者采用線性概率分布和子空間、非線性核方法和流形學習以及空間和光譜聯合表示等背景模型構建方法提出了各種各樣的檢測方法。然而，實際高光譜圖像數據是非常復雜的，自然結構和人造結構相互組合使得高光譜圖像高度不平滑。各種背景模型在描述實際背景時都會存在一定的偏差。盡管已有算法在理論實驗中都有較好的檢測效果，但是并沒有一種算法對任何場景都可以得到滿意的檢測結果，每種算法都有一定的使用限制。所以探索更加高效的、魯棒性強的檢測算法，形成成熟的目標檢測體系仍是研究的重點。
參考文獻
[1] MANOLAKIS D， TRUSLOW E， PIEPER M， et al. Detection algorithms in hyperspectral imaging systems： an overview of practical algorithms[J]. Signal Processing Magazine， IEEE， 2014，31（1）：24-33.
[2] MANOLAKIS D G， SHAW G A， KESHAVA N. Comparative analysis of hyperspectral adaptive matched filter detectors[C]. AeroSense 2000， International Society for Optics and Photonics， 2000：2-17.
[3] KRAUT S， SCHARF L L， BUTLER R W. The adaptive coherence estimator： a uniformly most-powerful-invariant adaptive detection statistic[J]. IEEE Transactions on Signal Processing， 2005，53（2）：427-438.
[4] HARSANYI J C. Detection and classification of subpixel spectral signatures in hyperspectral image sequences[D]. University of Maryland Baltimore County， 1993.
[5] ROBEY F C， FUHRMANN D R， KELLY E J， et al. A CFAR adaptive matched filter detector[J]. IEEE Transactions on Aerospace and Electronic Systems， 1992，28（1）： 208-216.
[6] 耿修瑞，趙永超.高光譜遙感圖像小目標探測的基本原理[J].中國科學（D輯），2007，37（8）：1081-1087.
[7] 劉凱，張立福，楊杭，等.面向對象分析的非結構化背景目標高光譜探測方法研究[J].光譜學與光譜分析，2013，33（6）：1653-1657.
[8] THEILER J， FOY B R. Effect of signal contamination in matched-filter detection of the signal on a cluttered background[J]. Geoscience and Remote Sensing Letters， IEEE， 2006，3（1）：98-102.
[9] BASENER W F. Clutter and anomaly removal for enhanced target detection[C]. SPIE Defense， Security， and Sensing， International Society for Optics and Photonics， 2010， 769525.
[10] THEILER J， CAO G， BACHEGA L R， et al. Sparse matrix transform for hyperspectral image processing[J]. IEEE Journal of Selected Topics in Signal Processing， 2011， 5（3）：424-437.
[11] REN H， CHANG C I. Automatic spectral target recognition in hyperspectral imagery[J]. IEEE Transactions on Aerospace and Electronic Systems，2003，39（4）：1232-1249.
[12] TU T M， CHEN C H， CHANG C I. A least squares orthogonal subspace projection approach to desired signature extraction and detection[J]. IEEE Transactions on Geoscience and Remote Sensing， 1997，35（1）：127-139.
[13] TU T M， SHYU H C， LEE C H， et al. An oblique subspace projection approach for mixed pixel classification in hyperspectral images[J]. Pattern Recognition， 1999，32（8）：1399-1408.
[14] BRUMBLEY C， CHANG C I. An unsupervised vector quantization-based target subspace projection approach to mixed pixel detection and classification in unknown background for remotely sensed imagery[J]. Pattern Recognition， 1999，32（7）：1161-1174.
[15] SCHARF L L， FRIEDLANDER B. Matched subspace detectors[J]. IEEE Transactions on Signal Processing， 1994， 42（8）： 2146-2157.
[16] HEINZ D C， CHANG C I. Fully constrained least squares linear spectral mixture analysis method for material quantification in hyperspectral imagery[J]. IEEE Transactions on Geoscience and Remote Sensing， 2001，39（3）：529-545.
[17] 杜博，鐘燕飛，張良培，等.一種自適應匹配子空間亞像元目標探測方法[J].遙感學報，2009，13（4）：597-603.
[18] KWON H， NASRABADI N M. A comparative analysis of kernel subspace target detectors for hyperspectral imagery[J]. EURASIP Journal on Advances in Signal Processing， 2007， 29250.
[19] KWON H， NASRABADI N M. Kernel spectral matched filter for hyperspectral imagery[J]. International Journal of Computer Vision， 2007，71（2）：127-141.
[20] 趙遼英，張凱，厲小潤.高光譜圖像目標檢測的核信號空間正交投影法[J].遙感學報，2011，15（1）：13-28.
[21] Zhang Lefei， ZHANG L， TAO D， et al. Sparse transfer manifold embedding for hyperspectral target detection[J]. IEEE Transactions on Geoscience and Remote Sensing， 2014，52（2）：1030-1043.
[22] 孫林，鮑金河，劉一超.高光譜圖像目標檢測算法分析[J].測繪科學，2012，37（001）：131-132.
[23] CAPOBIANCO L， CAMPS-VALLS G. Target detection with a contextual kernel orthogonal subspace projection[C]. SPIE Defense， Security， and Sensing， International Society for Optics and Photonics， 2008： 71090D.
[24] 趙遼英，沈銀河，厲小潤，等.基于數學形態學的高光譜圖像組合核目標檢測[J].光學學報，2012，31（12）：269-274.
[25] 趙春暉，李曉慧，朱海峰.空間4-鄰域稀疏表示的高光譜圖像目標檢測[J].哈爾濱工程大學學報，2013，34（9）：1171-1178.
[26] Zhang Lefei， ZHANG L， TAO D. Tensor-based learning machine for remotely sensed image target detection[J]. Journal of Remote Sensing， 2010，14（3）：519-533.