高光谱目标检测文献综述

基于核方法的高光谱图像目标检测技术研究----文献选读综述报告1前言20世纪80年代遥感领域最重要的发展之一就是高光谱遥感的兴起。从20世纪90年代开始，高光谱遥感已成为国际遥感技术研究的热门课题和光电遥感的最主要手段。高光谱遥感图像目标检测在民用和军事上都具有重要的理论价值和应用前景，是当前目标识别及遥感信息处理研究领域中的一个热点研究问题。2研究目的及意义高光谱遥感图像是在电磁波谱的紫外、可见光、近红外和中红外区域，利用成像光谱仪获取的许多非常窄且光谱连续的图像数据（如图1.1所示）。成像光谱仪为每个像元提供数十至数百个窄波段（通常波段宽度小于10nm）的光谱信息，能产生一条完整而连续的光谱曲线。图1.1成像光谱仪探测地物目标示意图[1]高光谱遥感技术主要利用各种地物（例如某种土壤、岩石和作物）对不同的光谱波长具有各不相同的吸收率和反射率的原理，根据每种物质所拥有的独特光谱反射曲线来进行检测和分类。利用高光谱遥感技术，能够很好地提取目标的辐射特性参量，使地表目标的定量分析与提取成为可能。然而，高光谱遥感成像机理复杂、影像数据量大，这导致影像的大气纠正、几何纠正、光谱定标、反射率转换等预处理困难。由于成像光谱仪获取的地物光谱特征曲线近乎连续，波段间相关性很高，数据冗余信息很多。在使用传统目标检测方法对高光谱影像中感兴趣目标进行检测时，波段多且相关性高，会导致训练样本相对不足，致使分类模型参数的估计不可靠，检测分类存在维数灾难现象。因此，高光谱影像给地物分类识别带来了巨大机遇，同时给传统的目标检测方法也带来了挑战。为了充分发挥高光谱遥感技术的优势，必须在影像检测分类基本算法的基础之上，结合高光谱影像分类的特点，研究新的适用于高光谱影像的理论、模型和算法〕。在国内外，许多研究机构在理论和应用上进行了探索，取得了不少成果。自从上世纪90年代中期核方法在支持向量机分类中得到成功应用以后，人们开始尝试利用核函数将经典的线性特征提取与分类识别方法推广到一般情况，在理论和应用中都有许多成果，引起了继经典统计线性分析、神经网络与决策树非线性分析后第三次模式分析方法的变革，成为机器学习、应用统计、模式识别、数据挖掘等许多学科的研究热点，在人脸识别、语音识别、字符识别、机器故障分类等领域得到成功应用[2]。基于核方法的非线性特征提取与分类，为高光谱影像分析提供了一条新的途径。3核方法理论发展概况3.1核理论基础核的理论比较古老，Mercer定理可追溯到1909年，早在20世纪40年代，A.N.Kolmogorov和N.Aronszajn就已经开展了有关再生核理论的研究。该理论最早被引入机器学习领域是在1964年，M.Aizermann、E.Bravermann和L.Rozoener在势函数方法中应用Mercer定理把核解释为特征空间中的内积。1975年Poggiio首次用到了多项式核函数，然而一直到20世纪90年代中期，B.Boser、I.Guyon和V.N.Vapnik提出支持向量机（SVM）算法后，该理论的实际价值才开始被人们所广泛认识。并且在经过B.Scholkopf等人后续的工作以后，逐渐形成了如下的“核技巧”：任何一个只依赖于内积的算法都可以被“核化”[3]。近年来核方法和基于核函数的算法在许多领域都获得了重要的应用。这些应用主要包括图象和计算机视觉(人脸识别、手写体识别等)，文本分类，生物信息技术领域(基因微阵列数据分析、蛋白质数据的分析，DNA数据的分析等)，时间序列预测等等。在高光谱图象处理领域，基于核的机器学习算法已经受到了越来越多的重视，并己经取得了较多应用[4]。核方法就是针对低维空间dR中的非线性问题，通过非线性变换将低维空间数据映射到高维空间H中，进而转化为高维空间中的线性问题解决。由于非线性变换形式通常比较复杂，即便知道了的形式，高维空间H的维数通常也是很高的（可能无穷维），因此，直接使用非线性变换的思想很难实现。核方法的的绝妙之处在于：针对这个问题，核方法运用统计学理论中的Mercer条件，提出了实现上述非线性映射思想的方法，即高维空间中的内积运算转化为输入空间的向量运算实现：(,)()()kΦΦxzxz。因此，核方法避免了确定非线性映射的具体形式，并且也大大降低了计算量和复杂度。核函数方法的实施步骤：1.收集和整理样本，并进行标准化；2.选择或构造核函数；3.用核函数将样本变换成为核矩阵；4.在特征空间对核矩阵实施各种线性算法；5.得到输入空间中的非线性模型。其中，第3步求解核矩阵的过程相当于将输入数据通过非线性函数映射到高维特征空间核矩阵作为信息瓶颈，成为数据输入和学习算法之间的界面，不仅是核机器的设计和分析方面的中心概念，而且被认为是核机器实现方面的中心数据结构。核方法之所以能够得到广泛应用，是因为其具有以下特点[5]：1.核函数的引入避免了传统模式分析方法遇到的“维数灾难”，大大减小了计算量。输入空间维数对核矩阵无影响，因此，核函数方法可以有效处理高维输入。2.无需求解非线性变换映射的具体形式和参数，减小算法的复杂度。3.核函数的形式和参数的变化会隐式地改变从输入空间到特征空间的映射，进而对特征空间的性质产生影响，最终改变各种核函数方法的性能。4.核方法可以与不同分析算法相结合，形成不同的基于核函数的算法，且这两部分可以单独进行设计，可以为不同的应用选择不同的核函数和算法。从计算的角度来看，核方法有两个重要的性质。首先，他们能够以在空间上和时间上都较低的计算代价，处理高维的和相应灵活的特征空间中的问题；其次，尽管结果得到的函数比较复杂，但一般都是解凸优化问题，而不会受到局部极小化的困扰。从实现的角度来看，内存限制意味着对于很大的数据集，把整个核矩阵装入内存是不可能的，在这种情况下，算法中用到核矩阵中元素的值，需要随时通过核函数计算得到。这就会影响到算法选择和实现细节。3.2现有常用核函数极其构造常用的核函数如下：1.高斯核函数：22(,)exp(),2kxzxz其中为核参数。2.多项式核函数：T(,)(),bkacxzxz其中ac、b、、为核参数。3.Sigmoid核函数：)tanh(),(zxzxkT，其中、为核参数。其中，高斯核函数是最常用的。另外，梅锋在2009年提出一种新型光谱相似度量核，该方法对于因光照强度变化，阴影和遮挡等引起的同种地物光谱变化的适应性较强，有利于改善基于核方法的高光谱异常检测算法的性能。4高光谱目标检测国内外研究现状4.1国外研究现状目前国内外很多专家学者对于高光谱遥感目标探测进行了深入研究，可归结为4个大类算法。4.1.1投影法投影法主要是美国马里兰大学的教授Chang的研究小组在开展此项研究。投影法主要包括正交子空间投影(orthogonalsubspaceprojection)、投影寻踪法(ProjectionPursuit)和凸面几何体投影变换(convexgeometryprojection)等3类典型算法。1994年，Chang等提出了正交子空间投影法[6]。其基本思想是将每个像元向量映射到一个子空间中，在这个子空间中，非理想特征是正交的。这个作法在最小二乘意义上是最优的干扰抑制过程。一旦干扰特征归零，将其他特征映射到感兴趣特征上，得到最大化信噪比并获得一个单一成分图像，即感兴趣目标的分类图。OSP操作子可以扩展到k个感兴趣特征，这样在降低了k的维数的同时给高光谱图像进行了分类。该方法适用于纯像元和混合像元目标探测和分类，如探矿、识别植被等。投影寻踪法的研究起始于20世纪70年代，是由Friedman教授提出的一种专门对高维数据线性降维的数据处理方法。投影寻踪的基本思想为：将高维数据空间按照某种兴趣结构线性投影到低维子空间中，进而达到在低维子空间中分析和研究数据的目的。Jimenenz等于2000年将投影法和遗传算法应用到高光谱数据特征提取和分类中[7]。其过程为：利用投影矩阵，将相邻的波段分组，然后将每组内各个特征波段投影到一个特征。通过投影有效地减小数据维，为后续的分析和处理提供方便。但是求取投影矩阵的过程较为复杂。投影法适用范围为纯点像元和混合像元目标探测，如矿石和植被。也能发现图像中目视不可见的异常点。Chang等于1999年提出了凸面几何是描述和处理凸集（convexsets）的几何[8]。凸面几何体投影变换法解决的问题：将高维的几何体投影到感兴趣的低维空间上，以突显和压抑某些特征，实现图像上的目标识别和分类，它是一种正交投影变换，能够用来进行特征选择和提取、高维数据降维等。表达式为Y=ATX，其中X和Y分别为变换前后的数据矩阵。凸面几何体投影变换法适用范围：纯点和混合像元目标探测与分类，适合于区分不同材质的目标。4.1.2约束法[9]基于约束的方法来源于数字信号处理中的线性约束最小方差波束形成器(Linearlyconstrainedminimizedvarianceadoptivebeam-forming)。该方法又称为Frost波束形成算法，它是根据阵列接收数据的统计特性，对权向量加以线性约束，使波束形成器在信号方向保持单位响应的同时，输出功率达到最小。Chang的研究小组对此类算法进行了深入研究，并提出了一系列新方法和改进算法。Harsanyi于1993年提出了约束能量最小目标探测法(CEM)。CEM来源于数字信号处理领域中的线性约束最小方法波束形成器，该方法的思想为提取特定方向的信号而衰减其他方向的信号干扰。与OSP相比，前者需要图像目标的完全的先验知识，而CEM仅需要理想目标的先验知识。因此OSP可用于图像中所有目标的识别分类，而CEM滤波器仅能用来探测理想目标。CEM在小目标探测方面取得了广泛的应用，但是随着目标像元数目的增多，它的探测效果显著下降，对于大目标，CEM几乎没有什么效果。CEM算法适用范围：探测图像中的小目标，如草地上不同材质的板材。缺点是仅能探测理想目标。Chang等提出了目标约束干扰最小滤波器(Target-ConstrainedInterference-MinimizedFilter，TCIMF)方法。TCIMF解决的问题：能将非理想目标与理想目标进行区分，所以TCIMF能够在去除非理想目标的同时，探测到理想的目标并将干扰效应最小化。TCIMF假设图像像元由三个分离的信号源组成，即D(理想目标)，U(非理想目标)，I(干扰)。TCIMF通过应用一个约束向量来同时约束D和U，以使得在去除U中的非理想目标的同时，可以探测到D中的理想目标。TCIMF适用的范围：TCIMF方法由于不仅使用了欲探测目标的信息，而且也应用了欲删除的目标的信息，因而其探测效果好于CEM方法。适用于纯点和混合像元目标探测，如板材。TCIMF方法还适合逐行的实时处理。在TCIMF的基础上，Chang等又提出了线性约束最小方差(Linearlyconstrainedminimumvariance,LCMV)方法。其原理为：设计一个有限响应滤波器来通过目标，同时应用一些线性约束使来自未知信号源的方差最小化。LCMV的优点为：(1)不需要图像内的自然背景特征或干扰的知识，这些未知干扰可在滤波器输出端最小化。(2)LCMV的滤波器结构可使用QR分解。LCMV方法适用范围：实时处理纯点和混合点像元目标，如矿石、植被的区分和草地上不同材质的板材的探测。Chang等于2004年提出了高光谱目标探测的信号分解和干扰消除(Signal-decomposedandInterference-annihilated,SDIA)的方法。Chang等将人造目标看作是未知信号源，这些目标不能通过目视或者先验知识来分辨，称其为干扰(interferers)。在许多应用中，感兴趣的信号可以被进一步的分成理想信号和非理想信号，理想信号是要提取的，为了提高信号可探测性，就要去除非理想信号。通过提出的SDIN模型，基于正交子空间投影的模型和信号/背景/噪声模型在特殊情况下，可以被包括进来。SDIA方法解决的问题：该方法将干扰因素和非理想信