利用光谱解混合的目标检测

张蕾; 乔凯; 吴银花; 李思远

doi:10.37188/OPE.20233121.3156

您当前的位置：

首页 >

文章列表页 >

利用光谱解混合的目标检测

信息科学 | 更新时间：2023-11-16

- 利用光谱解混合的目标检测
- Target detection using spectral unmixing
- 光学精密工程 2023年31卷第21期页码：3156-3166
- 作者机构：
  
  1.北京跟踪与通信技术研究所，北京 100094
  2.西安工业大学，陕西西安 710021
  3.中国科学院西安光学精密机械研究所，陕西西安710119
- 作者简介：
  
  [ "张蕾（1977-），女，山西长治人，博士，助理研究员，1999年于国防科技大学获得学士学位，2008年于北京工业大学获得博士学位，主要从事光学遥感卫星系统总体设计与应用等方面的研究。E-mail： zlsx369lwfb@163.com" ]
  [ "吴银花（1984-），女，吉林延吉人，博士，副教授，2007年于吉林大学获得学士学位，2012年于中国科学院大学获得博士学位，主要从事高光谱数据处理和高光谱成像技术方面的研究。E-mail： yinhuawoo@163.com" ]
- 基金信息：
  
  国家自然科学基金资助项目(12103039);陕西省自然科学基础研究计划资助项目(2021JQ-640);陕西省教育厅重点科学研究计划资助项目(21JY016)
- DOI：10.37188/OPE.20233121.3156
  中图分类号：
扫描看全文
张蕾,乔凯,吴银花等.利用光谱解混合的目标检测[J].光学精密工程,2023,31(21):3156-3166.

ZHANG Lei,QIAO Kai,WU Yinhua,et al.Target detection using spectral unmixing[J].Optics and Precision Engineering,2023,31(21):3156-3166.
张蕾,乔凯,吴银花等.利用光谱解混合的目标检测[J].光学精密工程,2023,31(21):3156-3166. DOI： 10.37188/OPE.20233121.3156.

ZHANG Lei,QIAO Kai,WU Yinhua,et al.Target detection using spectral unmixing[J].Optics and Precision Engineering,2023,31(21):3156-3166. DOI： 10.37188/OPE.20233121.3156.

摘要

高光谱目标检测中背景信息的统计往往受到目标信息的干扰，而高光谱图像中存在的大量混合像元会进一步加深这一干扰。为了准确统计背景信息、显著降低目标像元对背景统计信息的干扰，提出了一种利用光谱解混合的目标检测算法，通过光谱解混合和目标相似性判断，获取目标端元对应丰度系数，并与光谱夹角系数相结合生成合理的背景加权系数，进行加权约束最小能量算子（CEM）目标检测，从而有效提高混合像元的背景信息统计准确度；利用目标端元对应丰度系数和光谱夹角系数生成初步的目标检测结果，与加权CEM目标检测结果相融合进行进一步优化，有效提高算法稳定性，同时再次提高目标检测精度。实验结果表明：对于模拟高光谱图像和真实高光谱图像，本文算法均得到了较好的目标检测效果，算法稳定性较强，且有效提高了目标检测精度，相比传统CEM算法、基于光谱角的加权CEM算法、归一化丰度系数作为目标结果，AUC值分别平均提高了0.071 2，0.031 2和0.015 0，在高光谱应用中具有较强的实用性。

Abstract

The statistics of background information in hyperspectral target detection are often interfered by target information， and the presence of a large number of mixed pixels in hyperspectral images will further deepen this interference. In this study， we proposed a target detection algorithm using spectral unmixing to accurately calculate background information and significantly reduce the interference of target pixels on background statistical information. First， we obtained the abundance coefficient corresponding to the target end member by spectral unmixing and target similarity judgment. We combined it with the spectral angle coefficient to generate a reasonable background weighting coefficient for weighted constrained energy minimization （CEM） target detection， effectively improving the statistical accuracy of background information of mixed pixels. Second， we generated a preliminary result of target detection by utilizing the abundance coefficient corresponding to the target end member and spectral angle coefficient and fused with the weighted CEM target detection result to optimize further， effectively improving the robustness of the algorithm and target detection accuracy. Experimental results showed that the algorithm proposed in this study has good target detection performance for simulated or real hyperspectral images. The algorithm has strong robustness and effectively improves target detection accuracy. Compared with the traditional CEM algorithm， weighted CEM algorithm based on spectral angle， and normalized abundance coefficient as the target result the AUC of this study was promoted by an average of 0.071 2， 0.031 2， and 0.015 0， respectively. The proposed algorithm has strong practicability in hyperspectral applications.

关键词

高光谱图像目标检测光谱解混合丰度光谱角

Keywords

hyperspectral imagetarget detectionhyperspectral unmixingabundancespectral angle

references

时旭，李远，黄鸿. 面向高光谱显微图像血细胞分类的空-谱可分离卷积神经网络［J］. 光学精密工程， 2022， 30（8）：960-969. doi: 10.37188/ope.20223008.0960http://dx.doi.org/10.37188/ope.20223008.0960

SHI X， LI Y， HUANG H. Spatial-spectral separable convolutional neural network for cell classification of hyperspectral microscopic images［J］. Optics and Precision Engineering， 2022， 30（8）：960-969.（in Chinese）. doi: 10.37188/ope.20223008.0960http://dx.doi.org/10.37188/ope.20223008.0960

于磊，陈结祥，薛辉，等. 用于沿海水色探测的机载紫外-可见-近红外高光谱成像仪［J］. 光学精密工程， 2018， 26（10）： 2363-2370. doi: 10.3788/ope.20182610.2363http://dx.doi.org/10.3788/ope.20182610.2363

YU L， CHEN J X， XUE H， et al. Hyper-spectral imaging sensor in UV-VIS-NIR region in air for coastal ocean observation［J］. Opt. Precision Eng.， 2018， 26（10）： 2363-2370. （in Chinese）. doi: 10.3788/ope.20182610.2363http://dx.doi.org/10.3788/ope.20182610.2363

漆成莉，周方，吴春强，等. 风云三号红外高光谱探测仪的光谱定标［J］. 光学精密工程， 2019， 27（4）：747-755. doi: 10.3788/ope.20192704.0747http://dx.doi.org/10.3788/ope.20192704.0747

QI CH L， ZHOU F， WU CH Q， et al. Spectral calibration of Fengyun-3 satellite high-spectral resolution infrared sounder［J］. Optics and Precision Engineering， 2019， 27（4）：747-755.（in Chinese）. doi: 10.3788/ope.20192704.0747http://dx.doi.org/10.3788/ope.20192704.0747

SONG S G， GIBSON D， AHMADZADEH S， et al. Low-cost hyper-spectral imaging system using a linear variable bandpass filter for agritech applications［J］. Applied Optics， 2020， 59（5）： A167-A175. doi: 10.1364/ao.378269http://dx.doi.org/10.1364/ao.378269

张兵. 高光谱图像处理与信息提取前沿［J］. 遥感学报， 2016， 20（5）：1062-1090. doi: 10.11834/jrs.20166179http://dx.doi.org/10.11834/jrs.20166179

ZHANG B. Advancement of hyperspectral image processing and information extraction［J］. Journal of Remote Sensing， 2016， 20（5）：1062-1090.（in Chinese）. doi: 10.11834/jrs.20166179http://dx.doi.org/10.11834/jrs.20166179

MORALES-SILLERO A， PIERNA J A F， SINNAEVE G， et al. Quantification of protein in wheat using near infrared hyperspectral imaging： performance comparison with conventional near infrared spectroscopy［J］. Journal of Near Infrared Spectroscopy， 2018， 26（3）： 186-195. doi: 10.1177/0967033518780506http://dx.doi.org/10.1177/0967033518780506

王勃凡，赵海涛. 基于径向基激活函数的高光谱小目标检测［J］. 光学学报， 2021， 41（23）： 2311001. doi: 10.3788/AOS202141.2311001http://dx.doi.org/10.3788/AOS202141.2311001

WANG B F， ZHAO H T. Hyperspectral small target detection based on radial basis function［J］. Acta Optica Sinica， 2021， 41（23）： 2311001.（in Chinese）. doi: 10.3788/AOS202141.2311001http://dx.doi.org/10.3788/AOS202141.2311001

杨帅，计璐艳，耿修瑞. 基于滤波张量分析的高光谱目标检测方法［J］. 中国科学院大学学报， 2022， 39（5）：684-694.

YANG SH， JI L Y， GENG X R. Hyperspectral target detection method based on filter tensor analysis［J］. Journal of University of Chinese Academy of Sciences， 2022， 39（5）：684-694.（in Chinese）

阿茹罕，原晓斌，慕晓冬，等. 结合扩展多属性剖面与快速局部RX算法的高光谱异常目标检测［J］. 光子学报， 2021， 50（9）： 0910002.

A R H， YUAN X B， MU X D， et al. Hyperspectral abnormal target detection based on extended multi-attribute profile and fast local RX algorithm［J］. Acta Photonica Sinica， 2021， 50（9）： 0910002.（in Chinese）

张小荣，胡炳樑，潘志斌，等. 基于张量表示的高光谱图像目标检测［J］. 光学精密工程， 2019， 27（2）： 488-498. doi: 10.3788/ope.20192702.0488http://dx.doi.org/10.3788/ope.20192702.0488

ZHANG X R， HU B L， PAN ZH B， et al. Tensor representation based target detection for hyperspectral imagery［J］. Optics and Precision Engineering， 2019， 27（2）： 488-498.（in Chinese）. doi: 10.3788/ope.20192702.0488http://dx.doi.org/10.3788/ope.20192702.0488

CHONG D， HU B， GAO H， et al.. Hyperspectral anomaly detection via super-resolution reconstruction with an attention mechanism［J］. Applied Optics， 2021， 60（26）：8109-8119. doi: 10.1364/ao.432704http://dx.doi.org/10.1364/ao.432704

WANG Y T， HUANG S Q， LIU Z G， et al. Locality preserving projection based on endmember extraction for hyperspectral image dimensionality reduction and target detection［J］. Applied Spectroscopy， 2016， 70（9）： 1573-1581. doi: 10.1177/0003702816665992http://dx.doi.org/10.1177/0003702816665992

HAN S H， KEREKES J， HIGBEE S， et al. Band selection method for subpixel target detection using only the target reflectance signature［J］. Applied Optics， 2019， 58（11）： 2981-2993. doi: 10.1364/ao.58.002981http://dx.doi.org/10.1364/ao.58.002981

HARSANYI J C. Detection and Classification of Subpixel Spectral Signatures in Hyperspectral Image Sequences［D］. Baltimore County：University of Maryland， 1993.

耿修瑞. 高光谱遥感图像目标探测与分类技术研究［D］. 北京：中国科学院研究生院（遥感应用研究所）， 2005.

GENG X R. Research on Target Detection and Classification Technology of Hyperspectral Remote Sensing Images［D］. Beijing： Institute of Remote Sensing Applications， Chinese Academy of Sciences， 2005. （in Chinese）

杨桄，田张男，李豪，等. 基于线性解混的高光谱图像目标检测研究［J］. 激光技术， 2020， 44（2）：43-147. doi: 10.7510/jgjs.issn.1001-3806.2020.02.001http://dx.doi.org/10.7510/jgjs.issn.1001-3806.2020.02.001

YANG G， TIAN ZH N， LI H， et al. Research of target detection of hyperspectral images in complex background based on linear unmixing［J］. Laser Technology， 2020， 44（2）：43-147. （in Chinese）. doi: 10.7510/jgjs.issn.1001-3806.2020.02.001http://dx.doi.org/10.7510/jgjs.issn.1001-3806.2020.02.001

CHANG C I， REN H， CHANG C C， et al. Estimation of subpixel target size for remotely sensed imagery［J］. IEEE Transactions on Geoscience and Remote Sensing， 2004， 42（6）： 1309-1320. doi: 10.1109/tgrs.2004.826559http://dx.doi.org/10.1109/tgrs.2004.826559

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

强化特征提取能力的下颌骨骨折检测3M-YOLOv5网络

面向无人机平台的轻量化目标检测网络

面向精密微装配的视觉复合定位

面向领域自适应的部分最优传输高光谱图像分类

多图正则多核非负矩阵分解高光谱图像解混