楊帥，計(jì)璐艷，耿修瑞

(中國(guó)科學(xué)院大學(xué)， 北京 100049；中國(guó)科學(xué)院空天信息創(chuàng)新研究院 中國(guó)科學(xué)院空間信息處理與應(yīng)用系統(tǒng)技術(shù)重點(diǎn)實(shí)驗(yàn)室， 北京 100094)

高光譜遙感指具有高光譜分辨率的遙感數(shù)據(jù)獲取、處理、分析和應(yīng)用的科學(xué)與技術(shù)，通常采用覆蓋一定波譜范圍的成像光譜儀和非成像光譜儀兩種傳感器獲取數(shù)據(jù)，利用大量窄波段電磁波獲取感興趣目標(biāo)的理化信息[1]。隨著高光譜遙感技術(shù)的發(fā)展，現(xiàn)在的傳感器已經(jīng)可以獲取地物從可見到紅外的多個(gè)甚至數(shù)百個(gè)波段[2]。這些豐富的光譜信息使得高光譜遙感數(shù)據(jù)能夠提供更為精細(xì)的地物信息，從而提高地物的分類及目標(biāo)識(shí)別的精度?，F(xiàn)在高光譜手段已經(jīng)在軍事偵察、環(huán)境監(jiān)測(cè)、地質(zhì)調(diào)查及精準(zhǔn)農(nóng)業(yè)等方面得到極大應(yīng)用[3]，例如遙感技術(shù)以其能快速、連續(xù)、大面積地獲取地面信息的優(yōu)勢(shì)，迅速成為環(huán)境監(jiān)測(cè)的重要手段[4]。

在眾多的圖像應(yīng)用中，目標(biāo)檢測(cè)一直是高光譜遙感領(lǐng)域研究的熱點(diǎn)內(nèi)容。目標(biāo)檢測(cè)大概有以下幾種方式：1)基于光譜的吸收特征。比如植被的歸一化植被指數(shù)[5]，歸一化差分水指數(shù)[6]等。這些方法都是基于光譜吸收特征，利用目標(biāo)反射率計(jì)算，需要知道目標(biāo)的光譜吸收特征，但是要求背景地物不具有這種特征。2)簡(jiǎn)單的光譜匹配，比如基于光譜間的最小距離匹配算法[7]，光譜角度匹配法(spectral angle mapping，SAM)[8]等，光譜匹配檢測(cè)是通過與目標(biāo)光譜先驗(yàn)特征相關(guān)或匹配來尋找目標(biāo)，感興趣目標(biāo)的光譜特征可從光譜庫(kù)中或是從同一觀測(cè)場(chǎng)景中的已知目標(biāo)像素處獲取[9]。但一方面由于“異物同譜”現(xiàn)象的存在，目標(biāo)和背景的光譜可能只有細(xì)微的差別；另一方面簡(jiǎn)單的光譜匹配方法沒有利用任何背景地物信息，難以獲得良好檢測(cè)效果。一個(gè)好的目標(biāo)檢測(cè)算法還需要考慮背景和目標(biāo)在特征空間中的分布結(jié)構(gòu)[10]，從而提高檢測(cè)效果。3)基于單形體幾何的目標(biāo)檢測(cè)，Ren和Chang構(gòu)造了一系列基于信號(hào)子空間投影和最小二乘原理的匹配檢測(cè)方法，包括基于正交子空間投影(orthogonal subspace projection，OSP)的方法[11]，在此基礎(chǔ)上發(fā)展了推廣正交子空間投影(generalized orthogonal subspace projection，GOSP)[12]；利用信號(hào)雜波噪聲模型的干擾子空間投影(interference subspace projection，ISP)算法[13]；利用噪聲子空間的噪聲子空間投影算法(noise subspace projection，NSP)[14]等。這種方法需要把所有背景地物的端元都提出來，然后通過正交投影或者正交子空間投影壓制背景。4)基于統(tǒng)計(jì)的目標(biāo)檢測(cè)，這種方法很好地利用了圖像的統(tǒng)計(jì)信息(主要是二階統(tǒng)計(jì)信息)，是最常用的一系列目標(biāo)檢測(cè)算法。尋麗娜等提出約束能量最小(constrained energy minimization，CEM)檢測(cè)器[15]。Manolakis和Shan提出MF(matched filter)算法[16]，Kraut和Scharf提出自適應(yīng)余弦估計(jì)(adaptive cosine estimate，ACE)算法[17]，近些年還有Geng等提出的慧眼(clever eye，CE)算法[18]。5)非線性目標(biāo)檢測(cè)，如基于核函數(shù)的約束能量最小化(kernel-based constrained energy minimization，KCEM)[19]、基于核函數(shù)的匹配濾波(kernel-based matched filter，KMF)算法[20]，基于張量表示的高光譜圖像目標(biāo)檢測(cè)[21]，分段線性策略(piecewise linear strategy，PLS)[22]。這類方法有很強(qiáng)的非線性檢測(cè)能力，但是也容易把目標(biāo)像元?dú)w成背景。

以上這些方法都是基于單時(shí)相的遙感圖像，雖然取得了一定效果并被廣泛應(yīng)用，但是沒有有效利用遙感圖像時(shí)間維度信息。由于水文、植被、土壤狀況等具有季節(jié)性變化的特征，待檢測(cè)目標(biāo)及周邊環(huán)境在不同季節(jié)有不同的光譜，因此多時(shí)相數(shù)據(jù)對(duì)于地物目標(biāo)分類與檢測(cè)具有重要意義。如使用多時(shí)相的SPOT-4植被傳感器數(shù)據(jù)的中國(guó)東北森林的分類[23]和基于多時(shí)相的MODIS圖像的中國(guó)南部水稻田分布檢測(cè)[24]等。在多時(shí)相遙感圖像處理領(lǐng)域，Geng等提出基于多重線性函數(shù)的多時(shí)相目標(biāo)檢測(cè)方法(filter tensor analysis，F(xiàn)TA)[25]，將不同時(shí)相的遙感圖像作為輸入來檢測(cè)目標(biāo)，充分利用多時(shí)相遙感圖像中豐富的地物時(shí)間維度信息，提高檢測(cè)精度。Xi等在此基礎(chǔ)上提出多時(shí)相多目標(biāo)濾波張量算法[26]，能夠?qū)崿F(xiàn)在多時(shí)相遙感數(shù)據(jù)上同時(shí)檢測(cè)多個(gè)目標(biāo)。

FTA對(duì)多時(shí)相遙感數(shù)據(jù)進(jìn)行目標(biāo)檢測(cè)的物理基礎(chǔ)在于，數(shù)據(jù)一般在同一個(gè)時(shí)相內(nèi)光譜變化較小，而在不同的時(shí)相間光譜差異較大。類似地，對(duì)于高光譜數(shù)據(jù)，在光譜維通?？煞譃榭梢姽?、近紅外、短波紅外等波段范圍，在很多情況下，地物在不同譜段間的光譜差異往往大于同一譜段內(nèi)的光譜差異。而現(xiàn)有的高光譜目標(biāo)檢測(cè)算法往往對(duì)各個(gè)波段區(qū)間不加區(qū)分、統(tǒng)一對(duì)待，無法充分利用圖像波段的物理信息。因此為了最優(yōu)化地利用波段物理信息，本文將數(shù)據(jù)的光譜維與時(shí)間維對(duì)應(yīng)，即在波段維對(duì)數(shù)據(jù)進(jìn)行分段，利用多時(shí)相目標(biāo)檢測(cè)算法FTA對(duì)單時(shí)相數(shù)據(jù)進(jìn)行目標(biāo)檢測(cè)，形成一種新的目標(biāo)檢測(cè)非線性算法，稱之為分波段FTA(band-divided FTA，bd-FTA)算法。并與現(xiàn)有的目標(biāo)檢測(cè)算法進(jìn)行比較，以驗(yàn)證本文方法的有效性。

1 數(shù)據(jù)及背景

1.1 實(shí)驗(yàn)數(shù)據(jù)

為了測(cè)試分波段FTA在目標(biāo)檢測(cè)中的性能，選擇兩景AVIRIS高光譜圖像：Salinas和Indian Pines數(shù)據(jù)(數(shù)據(jù)來源：http:∥www.ehu.eus/ccwintco/index.php/Hyperspectral_Remote_Sensing_Scenes)。圖像的具體描述如下：

1)Salinas高光譜數(shù)據(jù)。該數(shù)據(jù)的獲取時(shí)間是1998年，地點(diǎn)是美國(guó)加州的薩利納斯谷，由AVIRIS高光譜傳感器獲取，原始數(shù)據(jù)包含220個(gè)波段，波段覆蓋范圍為400～2 500 nm，去除水汽吸收嚴(yán)重的第 108～112，154～167，和第 224 個(gè)波段后，還剩下204個(gè)波段。圖像大小為512像素×217像素，其空間分辨率較高，可達(dá)到3.7 m。從圖1(a)可以看到，地物空間分布相對(duì)均勻，共有16種地物覆蓋類型；其中第13種植物lettuce romaine 6wk 被選為待檢測(cè)目標(biāo)。

2)Indian Pines高光譜數(shù)據(jù)。該數(shù)據(jù)由美國(guó)國(guó)家航空航天局在1992年利用AVIRIS采集于美國(guó)印第安納州，其波長(zhǎng)覆蓋范圍為400～2 500 nm，原始數(shù)據(jù)為220個(gè)波段，剔除第104～108，150～163和第220個(gè)水吸收波段后，剩余200個(gè)有效波段。圖像大小為145像素×145像素，空間分辨率約為20 m，共包含16種地物覆蓋類別；其中第9種植物Oats 被選為待檢測(cè)目標(biāo)，如圖1(b)所示。

圖1 2個(gè)數(shù)據(jù)集的假彩色圖像、各類別真值圖及目標(biāo)真值圖Fig.1 The false color images, groundtruth classes， and the groundtruth images of the target for Salinas and Indian Pines data

1.2 CEM算法

CEM在保持目標(biāo)輸出為常數(shù)的情況下，從能量的角度對(duì)背景進(jìn)行壓制，該算法的設(shè)計(jì)思想與數(shù)字信號(hào)處理領(lǐng)域的線性約束最小方差波束形成器類似，其在保持特定信號(hào)輸出不變的同時(shí)，將其他可能存在的干擾信號(hào)進(jìn)行衰減壓制。CEM算子及其濾波輸出結(jié)果[15]為

(1)

(2)

其中：R為數(shù)據(jù)的自相關(guān)矩陣，r為圖像像元光譜，d為目標(biāo)光譜向量，wCEM為CEM算子，yCEM為輸出結(jié)果。

1.3 FTA算法

通常，光譜目標(biāo)在不同的時(shí)間階段具有不同的光譜特征。因此，對(duì)于M時(shí)相遙感數(shù)據(jù)集，可以使用一個(gè)M階張量濾波器進(jìn)行目標(biāo)檢測(cè)，它對(duì)應(yīng)于M重線性函數(shù)，在保持目標(biāo)輸出值不變的同時(shí)，最小化檢測(cè)器輸出能量，這個(gè)算法被稱為FTA。

(3)

其中

(4)

(5)

(6)

其中：?表示克羅內(nèi)克積?？梢钥吹紽TA算子在形式上與CEM是一致的。

其中L=L1×L2×…×LM，因此總共的時(shí)間復(fù)雜度是

O((L1×L2×…×LM)2(N+1)+

(L1×L2×…×LM)3).

可以明顯看出，F(xiàn)TA的時(shí)間復(fù)雜度隨著N和L1,L2,…,LM增加而增加，尤其是當(dāng)時(shí)相數(shù)M或者相應(yīng)的波段數(shù)L1,L2,…,LM較大時(shí)，計(jì)算復(fù)雜度將會(huì)變得十分巨大。

2 分波段FTA算法

在多時(shí)相目標(biāo)檢測(cè)中，F(xiàn)TA能夠最優(yōu)化地利用各個(gè)時(shí)相的光譜信息，從而取得比CEM和MF更加令人滿意的結(jié)果。在單時(shí)相高光譜目標(biāo)檢測(cè)中，F(xiàn)TA對(duì)時(shí)相信息的優(yōu)化策略可以被借鑒，以實(shí)現(xiàn)對(duì)波段信息的更優(yōu)利用。分波段FTA將多時(shí)相數(shù)據(jù)的時(shí)相與高光譜數(shù)據(jù)的波段相對(duì)應(yīng)，將高光譜數(shù)據(jù)在波段維進(jìn)行波段分區(qū)，實(shí)現(xiàn)對(duì)單時(shí)相高光譜數(shù)據(jù)的目標(biāo)檢測(cè)。算法流程圖如圖2所示，主要包括以下3個(gè)步驟：

1)波段分區(qū)：將單時(shí)相高光譜圖像劃分為幾個(gè)波段區(qū)間，每個(gè)波段范圍對(duì)應(yīng)多時(shí)相數(shù)據(jù)的每個(gè)時(shí)相，相當(dāng)于將單時(shí)相高光譜圖像變換為多時(shí)相高光譜圖像，即將波段信息轉(zhuǎn)換為時(shí)相信息，以充分利用波段的物理信息。

圖2 分波段FTA 算法流程圖Fig.2 Flow chart of band-divided FTA

2)數(shù)據(jù)降維：對(duì)于高光譜數(shù)據(jù)，由于波段數(shù)多，即使分段后，各個(gè)波段區(qū)間的波段數(shù)仍然較多，而FTA算法計(jì)算及空間復(fù)雜度較高，因此需對(duì)各個(gè)波段區(qū)間采用降維處理，本文選擇性能較優(yōu)的最小噪聲分離(minimum noise fraction，MNF)法[27]，獲得有限量波段。

3)FTA目標(biāo)檢測(cè)：將分波段降維后的數(shù)據(jù)利用FTA目標(biāo)檢測(cè)算法，實(shí)現(xiàn)對(duì)單時(shí)相高光譜圖像目標(biāo)進(jìn)行檢測(cè)。

下面對(duì)各個(gè)部分進(jìn)行分別介紹。

2.1 波段區(qū)間劃分

一方面，高光譜傳感器在不同波段范圍的成像機(jī)理往往不同，比如可見光(400～750 nm)、近紅外(750～1 000 nm)、短波紅外(1 000～2 500 nm)等。另一方面，在很多情況下，地物在不同譜段間的光譜差異往往大于同一譜段內(nèi)的光譜差異。本文實(shí)驗(yàn)將數(shù)據(jù)分為2個(gè)波段區(qū)間。首先從傳感器角度而言，AVIRIS可見光波段探測(cè)器類型為Si探測(cè)器，近紅外波段為InGaAr探測(cè)器，而短波紅外探測(cè)器為InSb探測(cè)器。所以本文從傳感器角度而言，首先將高光譜數(shù)據(jù)分為可見光、近紅外及短波紅外波段3個(gè)區(qū)間，這種波段區(qū)間劃分稱為分段方法1。

從另一個(gè)角度，光譜特征曲線而言，本文以Salinas數(shù)據(jù)為例，如圖3所示為Salinas高光譜圖像隨機(jī)獲取100個(gè)像素點(diǎn)的光譜特征曲線。從中能夠看出，由于水吸收影響，光譜特征曲線在820，950，1 150，1 400和1 900 nm附近反射率出現(xiàn)了谷值，而可見光部分則無該情況出現(xiàn)。因此，從光譜特征曲線角度，本文將高光譜數(shù)據(jù)分為可見光波段(400～750 nm)，近紅外和短波紅外波段(750～2 500 nm)2個(gè)區(qū)間，這種波段區(qū)間劃分稱為分段方法2。

2.2 分波段降維

FTA算法的時(shí)間和空間復(fù)雜度均很高，特別是當(dāng)數(shù)據(jù)波段數(shù)較大時(shí)，對(duì)計(jì)算機(jī)的內(nèi)存要求會(huì)大大增加，且計(jì)算時(shí)間將遠(yuǎn)遠(yuǎn)無法滿足實(shí)際應(yīng)用需求。通常，在高光譜圖像目標(biāo)檢測(cè)中如果計(jì)算復(fù)雜度較高，則需要進(jìn)行降維處理。本文采用MNF，該方法可以判定圖像數(shù)據(jù)內(nèi)在的維數(shù)(即波段數(shù))，分離數(shù)據(jù)中的噪聲，以減少后續(xù)處理中的計(jì)算需求量。MNF本質(zhì)上是兩次層疊的主成分變換。第1次變換(基于估計(jì)的噪聲協(xié)方差矩陣)用于分離和重新調(diào)節(jié)數(shù)據(jù)中的噪聲，該操作使變換后的噪聲數(shù)據(jù)只有最小的方差且沒有波段間的相關(guān)。第2步是對(duì)噪聲白化數(shù)據(jù)的標(biāo)準(zhǔn)主成分變換。為了進(jìn)一步進(jìn)行波譜處理，通過檢查最終特征值和相關(guān)圖像來判定數(shù)據(jù)的內(nèi)在維數(shù)。數(shù)據(jù)空間可分為兩部分：一部分與較大特征值和相對(duì)應(yīng)的特征圖像相關(guān)，其余部分與近似相同的特征值以及噪聲占主導(dǎo)地位的圖像相關(guān)。具體地，

1)噪聲估計(jì)，假設(shè)數(shù)據(jù)中噪聲的協(xié)方差矩陣CN，將其對(duì)角化為矩陣DN，即

DN=UTCNU,

(7)

式中：DN為CN的特征值按照降序排列的對(duì)角矩

圖3 Salinas數(shù)據(jù)隨機(jī)選取100個(gè)像素光譜曲線Fig.3 Spectral characteristic curves of 100 randomly selected pixels in Salinas dataset

陣；U為由特征向量組成的正交矩陣，進(jìn)一步變換得

I=OTCNO,

(8)

(9)

其中：I為單位矩陣，O為變換矩陣。

2)對(duì)噪聲數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)主成分變換，即

G=OTCXO,

(10)

式中：CX為數(shù)據(jù)X的協(xié)方差矩陣；G為經(jīng)過O變換后的矩陣，進(jìn)一步將其對(duì)角化為矩陣F

F=VTGV,

(11)

式中：F為G的特征值按照降序排列的對(duì)角矩陣；因此，對(duì)數(shù)據(jù)X可通過以下表達(dá)式進(jìn)行MNF變換

Y=OVX.

(12)

2.3 分波段FTA

(13)

此處，運(yùn)算符×j(j=1,2,…,P)代表模j乘法運(yùn)算符。式(13)中的張量向量積W×1y(1)×2y(2)×…×Py(P)是個(gè)標(biāo)量，可以用下式表示：

W×1yi(1)×2yi(2)×…×Pyi(P)=

(yi(P)?yi(P-1)?…?yi(1))Tvec(W).

(14)

其中:?表示克羅內(nèi)克積,vec()是一個(gè)將L1×L2×…×LP維的張量轉(zhuǎn)化為L(zhǎng)1×L2×…×LP維的向量的運(yùn)算符，同理可得

W×1d(1)×2d(2)×…×Pd(P)=

(d(P)?d(P-1)?…?d(1))Tvec(W).

(15)

(16)

可得分波段FTA濾波算子的表達(dá)式

(17)

類似FTA，可以得到分波段FTA的計(jì)算復(fù)雜度為O((L1×L2×…×LP)2(N+1)+(L1×L2×…×LP)3)，其中L1,L2,…,LP為經(jīng)過MNF降維后的波段數(shù)，如實(shí)驗(yàn)中經(jīng)過MNF降維后，波段數(shù)由幾十個(gè)降低至幾個(gè)，復(fù)雜度大大降低。FTA復(fù)雜度較高，很難直接應(yīng)用于高光譜數(shù)據(jù)。本文由于對(duì)各個(gè)波段區(qū)間使用了MNF變換，大大降低了各個(gè)波段區(qū)間的波段數(shù)，因此相比于原始FTA，分段FTA的計(jì)算和空間復(fù)雜度均得到極大的降低，可應(yīng)用于高光譜目標(biāo)檢測(cè)。

3 實(shí)驗(yàn)與分析

3.1 實(shí)驗(yàn)技術(shù)指標(biāo)

在本實(shí)驗(yàn)中，將本文所提出的分波段FTA算法檢測(cè)結(jié)果與前文所提的CEM，KCEM，KMF，CE算法相比較。為了評(píng)估不同方法的目標(biāo)檢測(cè)結(jié)果，選用接收者操作特性曲線 (receiver operating characteristic curve，ROC)[28]描述目標(biāo)檢測(cè)算法的性能。ROC曲線是指在特定刺激條件下，以被試在不同判斷標(biāo)準(zhǔn)下所得的虛報(bào)概率為橫坐標(biāo)，以擊中概率為縱坐標(biāo)，畫得的各點(diǎn)的連線。通常來講，如果某條ROC曲線一直在其他ROC曲線的左上方，表明該曲線對(duì)應(yīng)的檢測(cè)算法的性能是最優(yōu)的。但是對(duì)于性能相近的方法而言，其ROC曲線往往會(huì)交疊在一起，僅僅從視覺的角度上，很難分辨其優(yōu)劣性，為此需要一些具體的數(shù)值指標(biāo)對(duì)分類器的性能進(jìn)行輔助判定。一種較為常用的性能指標(biāo)為曲線下面積(area under curve，AUC)表示ROC曲線下各部分的面積求和。AUC越大表明檢測(cè)效果越好[29]。

3.2 Salinas數(shù)據(jù)實(shí)驗(yàn)

在Salinas高光譜數(shù)據(jù)實(shí)驗(yàn)中，第13種植物lettuce romaine 6wk 被選為待檢測(cè)目標(biāo)。針對(duì)2種不同的分段方法進(jìn)行實(shí)驗(yàn)。

3.2.1 分段方法1

首先204個(gè)波段被分為3個(gè)波段區(qū)間——可見光(400～750 nm)、近紅外(400～1 000 nm)及短波紅外波段(1 000～2 500 nm)，可見光有波段1～43共43個(gè)，近紅外有波段44～68共25個(gè)，短波紅外有波段69～204共136個(gè)。每個(gè)波段區(qū)間用MNF降維后得到6個(gè)波段，利用分波段FTA處理得到檢測(cè)結(jié)果。為保證波段數(shù)一致，204個(gè)波段用MNF降維獲取18個(gè)波段，利用CEM、KCEM、KMF、CE處理得到檢測(cè)結(jié)果。5種算法的結(jié)果和ROC曲線如圖4所示，從目視判讀角度可以看到，分波段FTA對(duì)于lettuce romaine 6wk的檢測(cè)更加準(zhǔn)確，對(duì)于背景噪聲的抑制均優(yōu)于其他算法，特別是目標(biāo)鄰近區(qū)域。5種檢測(cè)算法的AUC結(jié)果如表1所示，分波段FTA的AUC值(加粗，下同)為最大，效果最優(yōu)。

圖4 Salinas實(shí)驗(yàn)結(jié)果圖及ROC曲線圖(分段方法1)Fig.4 The experiment results of Salinas and ROC curve (band division method one)

3.2.2 分段方法2

類似地，根據(jù)分段方法2，將數(shù)據(jù)分成可見光波段(400～750 nm)，近紅外和短波紅外波段(750～2 500 nm)2個(gè)波段區(qū)間，然后利用MNF將2個(gè)波段區(qū)間均降為6個(gè)波段，輸入CEM、KCEM、KMF、CE，分波段FTA進(jìn)行目標(biāo)檢測(cè)，如圖5、表1所示，可以看到，與分段方法1結(jié)果類似，分波段FTA性能最優(yōu)。

圖5 Salinas實(shí)驗(yàn)結(jié)果圖及ROC曲線圖(分段方法2)Fig.5 The experiment results of Salinas and ROC curve (band division method two)

表1 Salinas實(shí)驗(yàn)2種分段方法各檢測(cè)算法AUC值Table 1 AUC of each detection algorithm in Salinas experiment with two band division methods

3.3 Indian Pines數(shù)據(jù)實(shí)驗(yàn)

在Indian Pines高光譜數(shù)據(jù)實(shí)驗(yàn)中，第9種植物Oats 被選為待檢測(cè)目標(biāo)。與3.2節(jié)相同，針對(duì)2種不同的分段方法進(jìn)行實(shí)驗(yàn)。

3.3.1 分段方法1

5種算法的結(jié)果和ROC曲線圖如圖6所示，從目視判讀角度可以看到，分波段FTA對(duì)于Oats的檢測(cè)更加準(zhǔn)確，圖中藍(lán)色框目標(biāo)區(qū)域的亮度更高。5種檢測(cè)算法的AUC結(jié)果如表2所示，分波段FTA的AUC值為最大，效果最優(yōu)。

3.3.2 分段方法2

5種算法的結(jié)果和ROC曲線圖如圖7所示，5種檢測(cè)算法的AUC結(jié)果如表2所示，結(jié)果與分段方法1類似，分波段FTA藍(lán)色框目標(biāo)區(qū)域更加明顯，對(duì)于周圍背景的抑制效果更好，AUC值再次證明了分波段FTA的有效性。

表2 Indian Pines實(shí)驗(yàn)2種分段方法各檢測(cè)算法AUC值Table 2 AUC results of each detection algorithm in Indian Pines experiment with two band division methods

4 總結(jié)

隨著遙感技術(shù)的快速發(fā)展，遙感圖像的獲取變得極為方便，遙感圖像的質(zhì)量也愈來愈好，空間、時(shí)間以及光譜分辨率均得到很大的提升。但是作為遙感圖像處理領(lǐng)域的一個(gè)很重要的分支，常用的遙感圖像目標(biāo)檢測(cè)算法對(duì)于波段的物理信息利用不夠充分。本研究將高光譜圖像的波段維信息與時(shí)間維信息相對(duì)應(yīng)，對(duì)最新的多時(shí)相目標(biāo)檢測(cè)算法FTA進(jìn)行改進(jìn)，提出分波段FTA算法，實(shí)現(xiàn)對(duì)高光譜數(shù)據(jù)波段信息的最佳利用。經(jīng)Salinas和Indian Pines高光譜圖像實(shí)驗(yàn)驗(yàn)證，在波段區(qū)間數(shù)為2和3的2種不同波段區(qū)間劃分方法中，分波段FTA目標(biāo)檢測(cè)算法的 AUC值均為最大，性能優(yōu)于CEM、KCEM、KMF和CE。其中，波段區(qū)間數(shù)為2的AUC值優(yōu)于波段區(qū)間數(shù)為3的AUC值，波段區(qū)間數(shù)增加時(shí)似乎分波段FTA算法的性能下降。

在本次試驗(yàn)中，基于FTA的高光譜圖像目標(biāo)檢測(cè)算法相對(duì)于算法CEM及KCEM等能夠獲得更優(yōu)效果，算法仍可以從以下方面改進(jìn)：1)波段區(qū)間的劃分對(duì)于基于FTA的高光譜圖像目標(biāo)檢測(cè)性能存在一定的影響，需進(jìn)一步研究分波段區(qū)間數(shù)目對(duì)檢測(cè)結(jié)果的影響，分波段依據(jù)何種準(zhǔn)則對(duì)波段進(jìn)行分類可取得最優(yōu)效果，以充分利用目標(biāo)波段的物理信息。2)由于FTA算法復(fù)雜度較高，而高光譜圖像波段數(shù)多，因此針對(duì)單時(shí)相高光譜圖像的目標(biāo)檢測(cè)需要數(shù)據(jù)降維處理，本實(shí)驗(yàn)以特征提取中的MNF為例，其他數(shù)據(jù)降維方法如波段選擇對(duì)分波段FTA算法的影響有待研究。下一步的工作目標(biāo)是從上述兩個(gè)角度進(jìn)一步優(yōu)化算法，以期提高目標(biāo)檢測(cè)算法的準(zhǔn)確性和穩(wěn)定性。