地面目標偽裝特征的高光譜成像檢測方法
摘 要：根據光譜揭露偽裝的檢測機制分析，對偽裝材料及應用背景的紫外、可見(jiàn)光、近紅外波段光譜反射特 征進(jìn)行了研究，探索試驗目標光譜模擬偽裝材料的檢測技術(shù)，經(jīng)光譜特征選擇及空間降維處理，建立特征參數 的判別函數，確定判別規則。針對多類(lèi)判別和譜空間模式重疊的情況，提出數學(xué)分析模型及統計計算和判別效 果檢驗相結合的光譜特征檢測新方法。探索適合區分人工目標與背景光譜的最佳分類(lèi)特征和判別函數。

1 高光譜成像技術(shù)威脅 高光譜成像技術(shù)已成功地應用于遙感和航空航 天軍事偵察領(lǐng)域，高光譜成像儀能夠在連續光譜段 上對同一目標同時(shí)成像，可直接反映出被觀(guān)測物體 的光譜特征，甚至物體表面物質(zhì)的成分L1]。研究表 明，高光譜數據可得到空間探測信息與地面實(shí)際目 標之間存在精確的相互關(guān)系。通過(guò)測出的光譜特征 曲線(xiàn)，可反演出對應每一個(gè)像素的目標物組成成分， 如樹(shù)葉、綠色油漆或者塑料。從而區分自然背景與軍 事目標的差別，并判斷出目標的性質(zhì)和種類(lèi) 臺灣先馳SENTRY| 臺灣固緯GWinstek| 時(shí)代儀器TIME| 蘭泰儀器LANDTEK| 富貴儀器ESCORT| 森美特SUMMIT| 韓國 FINEST| 韓國美勝MCSCO
2 。最突 出的特點(diǎn)是能夠鑒別材料的組成成分，進(jìn)一步揭露 與背景材料不同的目標及其偽裝。 在廣泛的應用研究領(lǐng)域，已開(kāi)展了建立目標和 背景特征光譜數據庫的研究。美國提出的數字化地 球研究要建立全球地表每一平方米的數據庫，包括 光譜數據在內的幾十種參數。完成這項任務(wù)后，全球 任何地方的軍事目標都會(huì )受到其準確定位、動(dòng)態(tài)跟 蹤、明確揭示和精確打擊的威脅
3：。 以色列的科學(xué)家E．Ben—Dor等人利用CASI成 像光譜儀對特拉維夫市進(jìn)行了研究。他們利用光譜 識別技術(shù)，特別是采用了一種稱(chēng)為混合調制匹配濾 波的方法(MTMF)，從經(jīng)過(guò)嚴格大氣校正的CASI 圖像中選擇可明確定義和表征的地物作為端元數 據，對河流、沙土、草地、柏油、水泥、紅褐色土、海水、 植被、白色屋頂以及陰影等地物都取得了很好的識 別效果 ]。高光譜遙感的特點(diǎn)是對地物識別和分類(lèi) 能力的提高。光譜的比較和匹配成為重要技術(shù)之一。 以色列科學(xué)家在研究中建立了能代表城市地物的 29種特征地物光譜數據庫。  頻閃儀| 測高儀| 測距儀| 金屬探測器| 試驗機| 扭力計| 流速儀| 粗糙度儀| 流量計| 平衡儀| 利用美國海洋光學(xué)公司PSD1000測試的光譜 數據，以及陽(yáng)面光譜樣本判別樹(shù)種的PDA 評價(jià)方 法，采用光譜微分技術(shù)、人工神經(jīng)元網(wǎng)絡(luò )算法、判別 分析方法和懲罰性判別分析方法，對6種不同的針 葉樹(shù)進(jìn)行高光譜數據識別。一階微分光譜計算總平 均精度達91％，獲得以光譜數據識別樹(shù)種的最佳結 果瞳]。在軍事上，則可鑒別出人工材料與自然植被的 區別，從而發(fā)現軍事目標及其偽裝。美國空軍發(fā)射了 “強力星”高光譜成像偵察衛星，已形成航天高光譜 成像偵察能力【4]。 高光譜成像偵察技術(shù)對現有偽裝技術(shù)、方法、材 料和裝備等提出了嚴峻挑戰，對戰場(chǎng)目標的生存構 成了新的威脅。

2 高光譜成像獲取目標信息的途徑 高光譜成像數據包括空間、輻射和光譜三重信 息。需要分析目標的位置和形狀等空間幾何特征、目 標與背景的譜亮度差別等輻射特征以及表面材料的 光譜特征L5]。 從高光譜數據的結構看，如果將對應坐標的每 一幅窄波段二維圖像按探測波長(cháng)^重疊起來(lái)，就可 得到高光譜圖像數據的立方體。在數據應用分析中， 主要從3個(gè)方面獲取目標的信息。
(1)在空間圖像維上，高光譜數據與一般的圖像 相似�？捎靡话愕倪b感圖像模式識別算法進(jìn)行高光 譜數據的目標信息檢測。
(2)在光譜維上，高光譜圖像的每一個(gè)像元可以 獲得一個(gè)連續的光譜曲線(xiàn)，基于光譜數據庫的光譜 匹配技術(shù)可以實(shí)現對地物與目標的識別。
(3)在特征空間維上，高光譜圖像提供了超維特 征空間，根據實(shí)際數據所反映的景物特征分布差異， 將其有效應用數據映射到低維的子空間，在此低維子 空間的信息檢測是目標識別分析技術(shù)研究的重點(diǎn)。

3 光譜偽裝檢測方法 高光譜圖像偽裝檢測的技術(shù)核心是模式識別。 統計的、模糊的、神經(jīng)元網(wǎng)絡(luò )的模式識別技術(shù)都適用 于偽裝檢測 ]。 在廣泛調研的基礎上，對國內外偽裝材料及應 用背景的紫外、可見(jiàn)光、近紅外波段光譜反射特性進(jìn) 行分析，研究背景光譜模擬材料及檢測技術(shù)L7]，從鑒 別目標光譜特征的需求出發(fā)，提出數學(xué)分析模型、統 計計算和判別效果檢驗相結合的光譜特征提取新方 法。探索適合區分人工目標與背景光譜的最佳分類(lèi) 特征和判別函數。 對每一個(gè)被區分的目標類(lèi)型都可以從多方面加 以表征，即可以用多個(gè)變量 ，X ，⋯ ， 進(jìn)行描述， 整體構成一個(gè) 維測量空間，其中每一個(gè)變量是這 個(gè)測量空間的一個(gè)分量。若高光譜成像儀有256個(gè) 光譜成像通道，則測量空間為256維，即 一256。測 得的每一個(gè)通道反射比值對應一個(gè)空間分量，因同 一類(lèi)目標的采樣結果不會(huì )完全相同，故 ， ：，⋯ ， 都是隨機變量，用一個(gè) 維測量空間的隨機矢量 X一( 1，X2，⋯ ，X ) 表征。 實(shí)際檢測數據及偽裝原理都證明，對一定的目 標和背景，其有效區分特征往往只在特定的譜段上。 測量空間的維數 越高，給計算帶來(lái)的難度越大， 而且維數 高并不一定能提高分類(lèi)精度。因此，選 擇有效的特征譜段，壓縮維數是必要的�？疾旃庾V數 據，可知鄰近波段間存在著(zhù)很大程度的相關(guān)(即光譜 信息的冗余度)，這就為信息壓縮提供了可能。 以某人工綠色材料與相應的植被背景分類(lèi)為 例。在任何一個(gè)一維空間里都不能很好的分類(lèi)，在 ， z 的二維空間里就可以實(shí)現很好的分類(lèi)。通過(guò) 某種變換找到一個(gè)綜合變量尺，用于表示類(lèi)別可分 性更為有效的特征參數。由特征參數構成特征空間。 經(jīng)特征選擇，從 維原始測量參數變換到 維特征 參數(，2< )。 設佇 為判別函數，則判別規則為 僻 ( )> 0，V ≠ ∈ 。 即對所有的i， 一1，2，⋯ ， ；睜 。有：若僻 ( )>O， 則 屬于 類(lèi)。判別函數D (z)是特征參數的函數， 每一模式類(lèi)都有自己的判別函數。 對模式類(lèi)別在譜空間不重疊的情況，適用于決 定論方法求解。 維線(xiàn)性判別函數的形式為 D ( )一w?x， 一1，2，⋯ ， ； 或 H D ( )一 ：W ★+W +l， 一1，2，⋯，7 。 k。。。= — — l 對確定判別函數的權向量，采用最小距離判別 法、逐次參數估計法、梯度法、最小均方誤差法和費 歇準則法。 非線(xiàn)性判別函數可表示為多項式的形式。對于 維特征空問(wèn)中的m個(gè)類(lèi)的， 階多項式，判別函數 可表示為 D ( )一o．Ji1fl( )+ (u 2f2( )+ ⋯ + ∞ fL(z j廣m + ， 一1，2，⋯ ， ； 其中： j J(x 一Xpl s1Xp2 s2~~~z ： ， Pl，P 2，⋯ ，P 一1，2，⋯ ， ； s1，s2，⋯ ，S = 0或1；J一1，2，⋯ ，L， L 一 一 。 當r一2時(shí)，判別函數稱(chēng)為二次判別函數，此時(shí) f ( )一 ，戶(hù)，口一1，2，⋯ ， ； S，t一0，1； 一1，2，⋯ ，L。 D ( )一ΣW ；+Σ ΣW + |= 1 l= 1i— i+ 1 ΣW ，+W +1o 』= 1 由于多項式的判別邊界可以是曲線(xiàn)(面)，因此 能夠實(shí)現較高精度的分類(lèi)。經(jīng)實(shí)際分類(lèi)實(shí)驗，六階多 項式判別函數達到最高分類(lèi)精度(分類(lèi)誤差為O)。

4 模式類(lèi)型統計判別
統計學(xué)方法確定的判別函數給出任一輸入歸屬 哪類(lèi)的概率大小，由歸屬概率大的決定輸入的歸屬 種類(lèi)。這種統計學(xué)方法特別適用于多類(lèi)判別及模式 類(lèi)在譜空問(wèn)重疊的情況。 將兩類(lèi)模式相近的程度稱(chēng)為類(lèi)似度。分類(lèi)就是 根據未知的模式與各已知類(lèi)別的模式類(lèi)似度的大小 (在非監督分類(lèi)中根據各待判模式間類(lèi)似度的大 小)，把其歸到類(lèi)似度大的一類(lèi)中去。 通常以距離大小來(lái)衡量類(lèi)似度，常用距離有： (1)明氏(Minkowski)距離 ，，(g)=[Σ 一 兒； (2)絕對值距離(g一1) ，(1)一Σ —z l； I= 1 (3)歐氏(Euclidean)距離(口一2) ，(2)一[Σ — ； (4)馬氏(Mahalanobis)距離 一( 一X ) ／Σ( 一X，)。 il 在實(shí)際檢測應用中，以馬氏距離為基礎，研究構 成統計量F對兩個(gè)總體差異顯著(zhù)性進(jìn)行檢驗，馬氏 距離越大，差異越顯著(zhù)。

5 應用實(shí)例
綠色偽裝材料是最典型也是最常用的一種偽裝 材料，是綠色植被的模擬材料，可以直接用于技術(shù)兵 器、車(chē)輛和軍服等軍事裝備的迷彩偽裝。

5．1 綠色植被光譜特征分析 綠色植被光譜反射特性的基本特征，主要是由 植物單葉的光譜反射特性決定的，在整個(gè)可見(jiàn)光的 吸收區域中 在550 nm 處有一個(gè)反射峰，在680 nm 處有一個(gè)吸收峰。在7OO～740 nm 波段反射率急劇 增大，在這40 nm 波長(cháng)間隔內反射率幾乎增加到最 大值，在740 nm 以后反射率的增長(cháng)緩慢，直到1 400 nm 處反射率又開(kāi)始下降。
5．2 建立訓練樣本集 選用瑞典的森林偽裝網(wǎng)、瑞士的森林偽裝網(wǎng)、外 軍偽裝服和不同種類(lèi)、不同季節、不同環(huán)境的綠色植 被建立訓練樣本集，并以森林綠色作為制定分類(lèi)閾 值的標準。
5．3 特征選擇 從光譜特征分析可看到，各種綠色偽裝材料與 綠色植被背景的主要差異在于680 nm 處的吸收峰 不夠理想，定為第1類(lèi)特征波段；7OO～740 nli1波段 的反射率增長(cháng)不夠急劇，定為第2類(lèi)特征波段�；�于 此，分別選用以680 nm 為中心波長(cháng)、左右每間隔 5 nm的9個(gè)通道抽樣值和700~740 nm 波段每間隔 5 nnl的9個(gè)通道抽樣值作為特征值。 5．4 判別函數和測量結果 判別分析的關(guān)鍵是選擇恰當的分辨函數。鑒于 判別的目的是要區分兩類(lèi)目標，且兩類(lèi)光譜在680 nm 附近和700 740 nm 波段的差異信息較大，所 以選擇了線(xiàn)性判別函數。但由于這兩個(gè)波段的光譜 分布規律不同，采用的數學(xué)處理方法也不同。 對以680 nlTl為中心波長(cháng)，左右每間隔5 niP,_的 9個(gè)通道抽樣值尺 (Ⅳ)乘上一個(gè)權重因子a(Ⅳ)后線(xiàn) 性組合成一維特征矢量 K 2 V 一Σa(N)R (Ⅳ)，i一1，2，⋯， 。 Ⅳ Kl 為訓練樣本數，a(N)為第 通道的權重因子。 對700 740 nm 波段每間隔5 nm 的9個(gè)通道 抽樣R (Ⅳ )簡(jiǎn)單線(xiàn)性疊加后組合成一維特征矢量 K 2 ：一Σ R (Ⅳ )， 一1，2，⋯，，”。 N = K 利用采集系統的高速運算和存儲能力，采用信 號平均技術(shù)、找出各類(lèi)訓練樣本的特征矢量平均值： V，一E( )，i一1，2，⋯ ，7"； V 一E( )，i一1，2，⋯ ， 。 未知樣本經(jīng)與訓練樣本同樣的特征提取后，采 用最小距離判別法，求出該樣本的類(lèi)屬范圍，測量結 果如表1所示。 表1 測量結果 Tab．1 M easure resuIt 特征 a b f d e _廠(chǎng)( ) Q， 291．171 55．395 131．1O9 14．982 6O．385 99．5 注：a為材料樣品的特征平均值；b為材料樣品的特征標 準差；c為背景的特征平均值；d為背景的特征標準 差；e為分類(lèi)閾值；f為識別正確率；Q．為第1類(lèi)；Q 為第2類(lèi)。 從分類(lèi)結果可以看出，以光譜特性作為基本識 別特征，分析目前國外的迷彩偽裝材料與多種綠色 植被背景的光譜特性，找到了較為理想的識別分類(lèi) 特征和判別函數，識別正確率達到了99 以上。

6 結 語(yǔ)
對偽裝材料和背景材料進(jìn)行歸類(lèi)整理和成像光 譜檢測實(shí)驗，將計算機模式識別技術(shù)應用于目標偽 裝檢測，以光譜數據作為基本識別特征，研究找到了 較為理想的識別分類(lèi)特征和判別函數。 對不同的識別對象必須用不同的特征提取方 法，高光譜目標偽裝檢測是一個(gè)光譜模型分析、統計 計算和判別效果檢驗相結合的綜合過(guò)程。 面向圖像的判讀一般建立在人工辨識的基礎 上，只能在三維信息以?xún)�，如三維假彩色合成。但譜 識別方法是以計算機數字技術(shù)為基礎的，不受模式 維數的限制，排除人的主觀(guān)因素，具有更好的分類(lèi)重 復性。