羅素群，郭寶峰，沈宏海，楊名宇

（1.杭州電子科技大學(xué)信息與控制研究所，杭州 310018；2.中科院長春光學(xué)精密儀器與物理研究所，長春 130033）

一種定標(biāo)缺失情況下的高光譜目標(biāo)識別方法*

羅素群1，郭寶峰1，沈宏海2，楊名宇2

（1.杭州電子科技大學(xué)信息與控制研究所，杭州 310018；2.中科院長春光學(xué)精密儀器與物理研究所，長春 130033）

高光譜遙感圖像識別在民用和軍事領(lǐng)域有著廣泛的應(yīng)用。在缺乏定標(biāo)信息、缺乏同步觀測大氣光學(xué)參數(shù)情況下，對高光譜圖像進(jìn)行地物識別尚沒有系統(tǒng)有效的方法，制約了其在定量遙感方向的應(yīng)用。對此提出了一種利用粒子群算法優(yōu)化6S模型參數(shù)基礎(chǔ)上的高光譜遙感數(shù)據(jù)校正方法，并將其應(yīng)用于定標(biāo)缺失情況下的目標(biāo)識別中。實(shí)驗(yàn)表明：在對遙感圖像利用少許先驗(yàn)信息選擇參數(shù)進(jìn)行校正后，分類準(zhǔn)確率為76.25%。而利用粒子群算法優(yōu)化參數(shù)的6S校正后，分類準(zhǔn)確率提高到91.58%，目標(biāo)識別準(zhǔn)確率得到了有效提高。

粒子群優(yōu)化，6S模型，大氣校正，查找表，高光譜遙感

0 引言

近年來，通過衛(wèi)星/機(jī)載遙感成像系統(tǒng)獲取的高光譜圖像廣泛應(yīng)用于民用領(lǐng)域、軍事領(lǐng)域和資源探測領(lǐng)域中。軍事領(lǐng)域中主要用于揭示敵方偽裝和隱藏目標(biāo)，通過對環(huán)境中各物質(zhì)光譜信息定量分析，實(shí)現(xiàn)真實(shí)目標(biāo)與偽裝目標(biāo)的檢測與分類，提高軍事偵查準(zhǔn)確率。這些應(yīng)用都需要定量化的高光譜數(shù)據(jù)分析，定量分析的前提和關(guān)鍵在于輻射定標(biāo)和大氣校正［1］，從成像光譜儀接收到的輻射信息中提取地表輻射信息，并轉(zhuǎn)換為能夠反映地物真實(shí)信息的反射率值。目前輻射定標(biāo)的方法有實(shí)驗(yàn)室定標(biāo)、星上/機(jī)上定標(biāo)和場地定標(biāo)，但在實(shí)際應(yīng)用過程中，經(jīng)常出現(xiàn)定標(biāo)缺失的情況，原因主要有：第1，經(jīng)過實(shí)驗(yàn)室定標(biāo)的成像光譜儀，在實(shí)際運(yùn)行之后，由于環(huán)境轉(zhuǎn)變或時(shí)間推移，性能變化導(dǎo)致定標(biāo)漂移，需要對定標(biāo)參數(shù)進(jìn)行修正，新的定標(biāo)文件難以獲得；第2，衛(wèi)星載荷、經(jīng)濟(jì)能耗等因素限制星上/機(jī)上安裝定標(biāo)設(shè)備，無法進(jìn)行星上/機(jī)上定標(biāo)；第3，場地定標(biāo)需要對地面大氣光學(xué)特性進(jìn)行同步測量，但由于測試環(huán)境不可行，資源消耗大等導(dǎo)致參數(shù)難以獲取，如氣溶膠濃度需要用太陽光度計(jì)測量，氣溶膠模式、水汽含量等需要通過氣象站觀測的探空數(shù)據(jù)來獲取，若缺乏參數(shù)則無法進(jìn)行場地定標(biāo)。

在定標(biāo)缺失、未同步觀測大氣光學(xué)參數(shù)情況下，如何對高光譜圖像進(jìn)行輻射校正來實(shí)現(xiàn)定量遙感至今沒有一個(gè)系統(tǒng)有效的方法［2］。針對此問題，本文提出了一種基于粒子群算法對參數(shù)優(yōu)化的6S模型校正法，具體步驟如下：第1步，基于物理輻射傳輸?shù)?S模型原理，建立包含天頂角、氣溶膠模式、氣溶膠濃度，波段信息和大氣校正參數(shù)xa，xb，xc的查找表。第2步，引入粒子群算法，結(jié)合查找表進(jìn)行查找和插值，對6S模型參數(shù)進(jìn)行尋優(yōu)，得到一組使得目標(biāo)物校正后反射率與地面實(shí)測反射率的均方根誤差最小的最優(yōu)大氣參數(shù)。第3步，依據(jù)最優(yōu)參數(shù)對高光譜圖像進(jìn)行輻射校正。第4步，基于地面實(shí)測反射率，對高光譜圖像進(jìn)行目標(biāo)識別和分類。

1 實(shí)驗(yàn)數(shù)據(jù)說明及預(yù)處理

本文所用實(shí)驗(yàn)數(shù)據(jù)由中國科學(xué)院長春光學(xué)精密機(jī)械與物理研究所提供。2014年8月29日在長春利用低空平臺的成像光譜儀進(jìn)行推掃成像獲取遙感圖像，同時(shí)用光譜輻射計(jì)對地面目標(biāo)反射率進(jìn)行了測量，但是缺乏定標(biāo)文件，也未觀測大氣光學(xué)參數(shù)。

1.1 實(shí)驗(yàn)數(shù)據(jù)獲取

目標(biāo)反射率的測量采用地面光譜輻射計(jì)獲取，波長范圍為350 nm～2 500 nm。光譜分辨率為1 nm。測量目標(biāo)為迷彩軍服和迷彩木箱。

高光譜數(shù)據(jù)包括129個(gè)波段的可見光近紅外數(shù)據(jù)，光譜范圍為400 nm～1 000 nm；256個(gè)波段的短波紅外數(shù)據(jù)，光譜范圍為1 000 nm～2 500 nm；可見光近紅外和短波紅外數(shù)據(jù)的單波段灰度圖如圖1所示，圖 1（a）方框標(biāo)記區(qū)域?yàn)槊圆受姺?，圖 1（b）方框標(biāo)記區(qū)域?yàn)槊圆誓鞠洌溆嗑鶠楸尘?，本文任?wù)是對這兩類目標(biāo)進(jìn)行識別。

1.2 數(shù)據(jù)預(yù)處理

可見光近紅外和短波紅外數(shù)據(jù)分別由不同的傳感器獲得，空間和光譜分辨率都不同，需要對這兩組數(shù)據(jù)進(jìn)行預(yù)處理［3］。第1，從兩組數(shù)據(jù)的單波段灰度圖中提取相同的地物特征，將圖1中垃圾桶的邊緣點(diǎn)，窗口的對角點(diǎn)等作為配準(zhǔn)的參考點(diǎn)，以可見光近紅外數(shù)據(jù)為基準(zhǔn)，采用雙線性插值法對短波紅外數(shù)據(jù)進(jìn)行放大，然后對兩組數(shù)據(jù)相同區(qū)域進(jìn)行裁剪，最后融合為一組384個(gè)波段的數(shù)據(jù)。第2，依據(jù)光譜參數(shù)對高光譜圖像進(jìn)行頭文件的編輯，添加中心波長和波長半徑值，確立各波段的波長信息。

圖1 高光譜數(shù)據(jù)的波段灰度圖

2 原理和方法

現(xiàn)有研究成果中，大多是已知表觀反射率和大氣光學(xué)參數(shù)，基于6S模型原理求地表反射率，或者已知地表反射率和大氣光學(xué)參數(shù)，求表觀輻亮度來對傳感器進(jìn)行定標(biāo)［4］。但本文實(shí)驗(yàn)中缺乏定標(biāo)文件和大氣光學(xué)參數(shù)，針對這個(gè)問題直接用6S模型無法實(shí)現(xiàn)反射率反演。而6S模型輸入?yún)?shù)中有多個(gè)是未知的，若通過窮舉法進(jìn)行取值，就需要對參數(shù)逐次試驗(yàn)執(zhí)行6S模型，最后對所有的校正結(jié)果進(jìn)行檢驗(yàn)來選擇參數(shù)。這種方法由于變量參數(shù)多，取值范圍廣導(dǎo)致數(shù)據(jù)量巨大，而且目標(biāo)函數(shù)復(fù)雜需要用算法來實(shí)現(xiàn)，無法直接用物理解析式來表達(dá)，實(shí)際應(yīng)用中是不可行的。若根據(jù)先驗(yàn)知識設(shè)定多參數(shù)，所選值可能跟真實(shí)情況相差過大，實(shí)驗(yàn)結(jié)果不準(zhǔn)確也不科學(xué)，可行性也不高。針對這種多參數(shù)非線性的復(fù)雜極值優(yōu)化問題，本文提出了一種基于粒子群算法優(yōu)化6S模型參數(shù)的校正法。方法流程圖如圖2所示。

圖2 利用粒子群算法優(yōu)化6S模型參數(shù)的數(shù)據(jù)校正方法流程圖

2.1 6S模型大氣校正原理及流程

6S模型是由Eric Vemote等人在5S模型基礎(chǔ)上改進(jìn)，吸收最新的散射計(jì)算方法發(fā)展起來的［5］。其算法原理為：

式中，ρa(bǔ)為大氣路徑等效反射率；ρt為目標(biāo)反射率；S為半球反射率；T（θs）T（θv）為大氣透過率。ρa(bǔ)，S，T（θs）T（θv）由6S模型參數(shù)決定，下面簡要說明這9個(gè)參數(shù)：

①幾何觀測條件：太陽天頂角和方位角，傳感器天頂角和方位角，成像時(shí)間。根據(jù)實(shí)驗(yàn)場地吉林長春的經(jīng)度125.325°，緯度43.886°來計(jì)算太陽天頂角、方位角；傳感器方位角0°；成像時(shí)刻已知；傳感器天頂角未知。

②大氣模式：根據(jù)季節(jié)緯度信息確認(rèn)為中緯度夏季。

③氣溶膠模式：未知；

④氣溶膠濃度：未知。

⑤目標(biāo)海拔高度：可查詢中國各省市海拔高度表。

⑥傳感器作用高度：已知。

⑦成像光譜儀的波段信息：根據(jù)光譜參數(shù)確定波段信息。

⑧地表反射率：該值不影響大氣校正參數(shù)值，可任取。

⑨rapp值：rapp值決定6S模型的工作狀態(tài)，rapp〉-1激活大氣校正并計(jì)算大氣校正系數(shù)xa，xb，xc。

將以上參數(shù)輸入6S模型求得大氣校正參數(shù)xa，xb，xc，其中參數(shù)xa，xb，xc與 ρa(bǔ)，S，T（T（θ）sT（θ）v）之間的關(guān)系為：

式中，Tg為波段內(nèi)總分子吸收透射率；Es為大氣頂層太陽輻照度；θs為太陽天頂角。

依據(jù) 6S 模型原理，將 xa，xb，xc代入式（5）求得校正后反射率ρ：

式中，L為表觀輻亮度。

2.2 查找表建立

對6S模型參數(shù)分析得出：傳感器天頂角，氣溶膠模式，氣溶膠濃度為未知變量。首先，本次實(shí)驗(yàn)為推掃成像，且考慮鄰近像元對目標(biāo)像元的影響，依據(jù)先驗(yàn)知識確立為大傾角遙感，傳感器天頂角取值范圍為0°～50°。其次，實(shí)驗(yàn)場地吉林地處東北地區(qū)，氣溶膠模式以大陸型、海洋型、城市型為主。最后，根據(jù)氣溶膠濃度與能見度的關(guān)系如式（6）確定氣溶膠濃度，其取值范圍主要集中在［0.1，2］之間，由于拍攝時(shí)天氣為晴朗，能見度范圍在40 km～100 km，則［0.1，1］范圍內(nèi)以 0.1 為步長遞增，（1，2］以 0.2 的步長遞增［6］。

天氣條件與估算能見度關(guān)系如表1所示。

表1 天氣條件與估算能見度關(guān)系

變量取值列出如表2所示。

表2 輸入?yún)?shù)中變量取值

將上述參數(shù)組合后輸入6S模型進(jìn)行循環(huán)計(jì)算，得到不同參數(shù)下的校正系數(shù) xa，xb，xc查找表［7］（表內(nèi)有6×3×16×384=110 592條記錄）。

2.3 對一組輸入?yún)?shù)利用6S模型反演地表反射率

直接用6S模型對高光譜數(shù)據(jù)進(jìn)行地表反射率的反演需兩個(gè)前提，其一具備定標(biāo)文件，其二已知6S模型參數(shù)。本實(shí)驗(yàn)不具備這兩個(gè)前提，則在給定一組輸入?yún)?shù)后兩次調(diào)用6S模型間接完成地表反射率反演，第1次調(diào)用6S模型進(jìn)行輻亮度轉(zhuǎn)換系數(shù)的求解，第2次調(diào)用6S模型執(zhí)行大氣校正，算法步驟如下：

①對給定一組輸入?yún)?shù)在查找表中進(jìn)行插值，求出對應(yīng)的大氣校正系數(shù) xa，xb，xc。

②xa，xb，xc代入式（5），基于 6S 模型原理將地面實(shí)測反射率ρ轉(zhuǎn)換為表觀輻亮度L。

③從高光譜圖像中找到目標(biāo)所對應(yīng)的像元位置，并讀取DN值，將目標(biāo)各波段表觀輻亮度Li與讀取的DNi值進(jìn)行擬合，求輻亮度轉(zhuǎn)換系數(shù)（ai和bi）。

④根據(jù)輻亮度轉(zhuǎn)換系數(shù)對高光譜圖像進(jìn)行輻亮度轉(zhuǎn)換。

⑤依據(jù)大氣校正系數(shù)xa，xb，xc，對經(jīng)過輻亮度轉(zhuǎn)換的高光譜圖像進(jìn)行6S大氣校正。

⑥計(jì)算校正后反射率和地面實(shí)測反射率的均方根誤差。

2.4 粒子群算法對6S模型參數(shù)優(yōu)化

1995年，美國的James Kennedy和Russell E-berhart共同提出了粒子群算法［8］。粒子群算法根據(jù)對環(huán)境的適應(yīng)度將群體中的個(gè)體移動(dòng)到最好的區(qū)域。粒子的速度-位置更新公式為：

式中，xid，vid為粒子的位置和速度，i為第i個(gè)粒子，d為粒子維度，t為更新次數(shù)，w為慣性權(quán)重，c1和c2為加速常數(shù)，rand1（），rand2（）為在［0，1］范圍內(nèi)的隨機(jī)數(shù)。粒子群算法步驟為：

①粒子群的初始化：設(shè)定粒子總數(shù)n，以及所有粒子的初始位置x和初始速度v；初始化群體最大迭代次數(shù)；

②設(shè)計(jì)適應(yīng)度函數(shù)，計(jì)算初始適應(yīng)度值；

③對每一個(gè)粒子，比較當(dāng)前位置適應(yīng)度值和歷史最優(yōu)適應(yīng)度值，選擇最佳值作為當(dāng)前個(gè)體最優(yōu)位置；

④根據(jù)位置速度公式對粒子更新；

⑤如果進(jìn)化次數(shù)達(dá)到最大迭代次數(shù)，則終止搜索；否則返回第②步繼續(xù)操作。

本組實(shí)驗(yàn)中，取校正后目標(biāo)反射率與地面實(shí)測目標(biāo)反射率之間的均方根誤差作為適應(yīng)度函數(shù)，用粒子群算法對未知參數(shù)進(jìn)行尋優(yōu)，找到適應(yīng)度值最小時(shí)對應(yīng)的參數(shù)：傳感器天頂角10°，大氣模式為海洋型，氣溶膠濃度為0.68。而用先驗(yàn)信息設(shè)定的未知參數(shù)為傳感器天頂角20°，大氣模式為城市型，氣溶膠濃度0.5。兩種方法得到的未知參數(shù)存在偏差，粒子群算法優(yōu)化參數(shù)后校正的效果比先驗(yàn)信息設(shè)定參數(shù)后校正的效果更佳。

3 實(shí)驗(yàn)結(jié)果和分析

依據(jù)圖2的流程對融合后的高光譜數(shù)據(jù)進(jìn)行處理：建立一個(gè)不同光學(xué)參數(shù)下的查找表，對給定的一組參數(shù)基于6S模型反演地表反射率，結(jié)合粒子群算法對6S模型參數(shù)進(jìn)行優(yōu)化，基于最優(yōu)參數(shù)對高光譜圖像進(jìn)行校正與目標(biāo)識別。首先定性分析校正效果，比較目標(biāo)校正前反射率，基于先驗(yàn)知識設(shè)定參數(shù)校正后反射率，基于粒子群算法優(yōu)化參數(shù)校正后反射率這三者與地面實(shí)測反射率之間的差異。檢測目標(biāo)為迷彩軍服和迷彩木箱，3組對比曲線如下頁圖3和圖4所示。

對比圖3、圖4發(fā)現(xiàn)：在校正前，高光譜圖像中目標(biāo)的輻射信息與地面實(shí)測的反射率信息是完全不匹配的，不具備同物同譜的性質(zhì)，這種情況無法進(jìn)行定量化分析。在基于先驗(yàn)知識設(shè)定6S模型參數(shù)后校正的目標(biāo)反射率相比校正前與地面實(shí)測目標(biāo)反射率更接近，具有相似光譜特征，但是反射率絕對誤差比較大。而在利用粒子群算法優(yōu)化6S模型參數(shù)后校正得到的目標(biāo)反射率與地面實(shí)測數(shù)據(jù)是最接近的，光譜特征最相似，并且反射率值的絕對誤差得到有效的降低。不同實(shí)驗(yàn)下目標(biāo)反射率與地面實(shí)測反射率間的均方根誤差（RMSE）結(jié)果如表3所示。

圖3 迷彩軍服不同實(shí)驗(yàn)下反射率對比圖

圖4 迷彩木箱不同實(shí)驗(yàn)下反射率對比圖

表3 不同實(shí)驗(yàn)下的均方根誤差

對比表3數(shù)據(jù)發(fā)現(xiàn)，迷彩軍服和迷彩木箱校正前的均方根誤差分別為0.400 2和0.389 1，在結(jié)合先驗(yàn)信息進(jìn)行校正后均方根誤差分別為0.215 6和0.123 5，而利用粒子群算法優(yōu)化參數(shù)后進(jìn)行校正的均方根誤差降到了0.088 2和0.037 8。RMSE值的有效降低驗(yàn)證了本文方法的可行性。下面對高光譜圖像進(jìn)行目標(biāo)識別，用分類效果圖對其進(jìn)行定量分析。

圖5 不同實(shí)驗(yàn)下的分類效果圖

圖5為不同實(shí)驗(yàn)下的分類效果圖，其中圖5（a）為真值效果圖，左邊白色區(qū)域?yàn)槊圆受姺?，右邊白色區(qū)域?yàn)槊圆誓鞠洌粓D5（b）為結(jié)合經(jīng)驗(yàn)知識設(shè)定參數(shù)校正后的分類效果圖；圖5（c）為基于粒子群算法優(yōu)化6S模型參數(shù)校正后的分類效果圖。通過對比發(fā)現(xiàn)：對基于先驗(yàn)知識設(shè)定參數(shù)校正后的高光譜圖像進(jìn)行目標(biāo)檢測，雖具備一定的識別率，但虛警率非常高。而對利用粒子群算法優(yōu)化6S模型參數(shù)校正后的高光譜圖像進(jìn)行目標(biāo)檢測，迷彩軍服得到了有效識別；迷彩木箱也得到了有效識別，但存在一定的虛警率。分析其原因主要有：第1，參考光譜的樣本點(diǎn)過少產(chǎn)生輻亮度系數(shù)擬合誤差。第2，圖像中存在混合像元，可考慮結(jié)合解混算法對圖像進(jìn)行處理。第3，迷彩木箱其鄰近像元具備相似的光譜值，基于光譜夾角法導(dǎo)致部分像元無法正確分類，可考慮用改進(jìn)的分類法來解決。對高光譜圖像的分類準(zhǔn)確率進(jìn)行統(tǒng)計(jì)，結(jié)果如表4所示。

表4 不同實(shí)驗(yàn)下的分類準(zhǔn)確率統(tǒng)計(jì)

表4中數(shù)據(jù)表明：結(jié)合先驗(yàn)知識設(shè)定參數(shù)對高光譜圖像進(jìn)行校正其目標(biāo)分類準(zhǔn)確率為55.21%，總體分類準(zhǔn)確率為76.25%，而利用粒子群算法優(yōu)化6S模型參數(shù)校正后目標(biāo)分類準(zhǔn)確率為77.82%，總體分類準(zhǔn)確率為91.58%，目標(biāo)識別率提高了22.61%，總體分類準(zhǔn)確率提高了15.33%。通過以上的定性和定量分析，證明了本文所提方法的可行性。

4 結(jié)論

在實(shí)際應(yīng)用過程中，經(jīng)常出現(xiàn)定標(biāo)缺失、大氣光學(xué)參數(shù)未同步觀測的情況，可用本文提出的基于粒子群算法對參數(shù)優(yōu)化的6S校正法，首先結(jié)合粒子群算法實(shí)現(xiàn)了對未知參數(shù)的尋優(yōu)，然后基于最優(yōu)參數(shù)兩次調(diào)用6S模型間接實(shí)現(xiàn)反射率的反演，較好地解決了輻射定標(biāo)和校正問題，并將其應(yīng)用于目標(biāo)識別中，分類準(zhǔn)確率提高了15.33%。但是仍存在一些不足，對參考光譜和樣本點(diǎn)的依賴性很強(qiáng)，加上混合像元的影響，存在一定的虛警率，都是后期需改進(jìn)和研究的內(nèi)容，這對軍事領(lǐng)域中提高偽裝目標(biāo)檢測和分類精確度具有重要意義。

［1］李小文.定量遙感的發(fā)展與創(chuàng)新［J］.河南大學(xué)學(xué)報(bào)：自然科學(xué)版，2006，35（4）：49-56.

［2］黃紅蓮，易維寧，喬延利，等.“天繪一號”衛(wèi)星在軌輻射定標(biāo)方法［J］.遙感學(xué)報(bào)，2012，27（S1）：22-27.

［3］趙鵬，沈庭芝，單寶堂.微小型無人機(jī)遙感圖像應(yīng)用［J］.火力與指揮控制，2009，34（7）：158-161.

［4］張學(xué)文，傅俏燕，韓啟金，等.資源三號多光譜傳感器場地輻射定標(biāo)與驗(yàn)證［J］.光譜學(xué)與光譜分析，2014，34（9）：2476-2480.

［5］VERMOTE E，TANRE D，DEUZE J L，et al.Second simulation of a satellite signal in the solar spectrum-vector（6SV）［J］.IEEE Transactions on Geoscience and Remote Sensing，1997，35（3）：675-686.

［6］張楠.基于6S模型的高光譜自動(dòng)化地表反射率反演算法研究與系統(tǒng)實(shí)現(xiàn)［D］.北京：中國地質(zhì)大學(xué)，2013.

［7］胡順石，張立福，佘曉君，等.遙感影像大氣校正通用查找表的設(shè)計(jì)與插值算法［J］.遙感學(xué)報(bào)，2014，29（1）：45-60.

［8］劉建華.粒子群算法的基本理論及其改進(jìn)研究［D］.長沙：中南大學(xué)，2009.

［9］杜鑫，陳雪洋，蒙繼華，等.基于6S模型的環(huán)境星CCD數(shù)據(jù)大氣校正［J］.國土資源遙感，2010，22（2）：22-25.

［10］黃妙芬，邢旭峰，宋慶君，等.反射率基法獲取北京一號小衛(wèi)星多光譜CCD輻射定標(biāo)系數(shù)［J］.資源科學(xué)，2009，33（3）：509-514.

［11］朱衛(wèi)綱，周蔭清，徐華平，等.遙感圖像融合效果客觀評價(jià)［J］.火力與指揮控制，2010，35（2）：1-5.

［12］武永利，欒青，田國珍.基于6S模型的FY-3A/MERSI可見光到近紅外波段大氣校正［J］.應(yīng)用生態(tài)學(xué)報(bào)，2011，22（6）：1537-1542.

［13］LAURENT V，VERHOEF W，CLEVERS J，et al.Estimating forest variables from Top-of-atmosphere radiance satellite measurements using coupled radiative transfer models［J］.Remote Sensing of Environment.2011：1-5（4）：1043-1052.

［14］LI Z Z，YANG R H，DANG F X，et al.A review on the geological applications of hyperspectral remote sensing technology［J］.Hyperspectral Image and Signal Processing：Evolution in Remote Sensing（WHISPERS），2012（4）：1-4.

［15］戎志國，張玉香，邱康睦，等.利用敦煌輻射校正場對FY-2B靜止氣象衛(wèi)星進(jìn)行可見光通道的在軌輻射定標(biāo)［J］.應(yīng)用氣象學(xué)報(bào)，2004，19（3）：266-272.

A Hyperspectral Target Recognition Method without Calibration Information

LUO Su-qun1，GUO Bao-feng1，SHEN Hong-hai2，YANG Ming-yu2
（1.Institute of Information and Control，Hangzhou Dianzi University，Hangzhou 310018，China；2.Changchun Institute of Optics，F(xiàn)ine Mechanics and Physics，Chinese Academy of Sciences，Changchun 130033，China）

Hyperspectral remote sensing image has been widely used in civil and military applications.Due to the lack of calibration information and atmospheric optical parameters，no systematic and effective method has been specifically developed for hyperspectral targets recognition，which has restricted its application in quantitative remote sensing.A method using particle swarm optimization to choose the parameters in 6S model is proposed，and is applied to hyperspectral target recognition.Simulations show that：without calibration information and atmospheric optical parameters，this method can be used to inverse the reflectance of hyperspectral images.Compared with the empirical method，the classification accuracy based on 6S model with particle swarm optimization algorithm for parameter optimization has been effectively improved from 76.25%to 91.58%.

Particle Swarm Optimization （PSO），6S model，atmospheric correction，Look-Up Table（LUT），remote sensing

TP79

：A

10.3969/j.issn.1002-0640.2017.06.006

2016-05-05

：2016-06-07

國家自然科學(xué)基金（61375011）；浙江省自然科學(xué)基金資助項(xiàng)目（LY13F030015）

羅素群（1988- ），女，江西南城人，碩士研究生。研究方向：遙感圖像處理與目標(biāo)識別。

1002-0640（2017）06-0022-06