基于三维gmrf的高光谱图像空天融合目标检测-陈善静.pdf

《基于三维gmrf的高光谱图像空天融合目标检测-陈善静.pdf》由会员分享，可在线阅读，更多相关《基于三维gmrf的高光谱图像空天融合目标检测-陈善静.pdf（8页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、基于三维GMRF的高光谱图像空天融合目标检测陈善静1，康 青1，顾忠征2，王正刚1，沈志强1，蒲 欢1，辛 颖1(1. 后勤工程学院国防建筑规划与环境工程系，重庆 401311；2. 空军工程大学理学院，陕西西安 710051)摘 要院 针对传统高光谱目标检测技术仅依靠单一的航空或航天高光谱图像进行目标检测，未能综合利用航空和航天遥感成像各自优势的问题，结合三维高斯马尔科夫随机场(GMRF)模型和D-S证据理论提出了一种空天融合目标检测方法。利用三维GMRF算法分别对航空航天遥感图像进行目标检测，再将检测结果进行决策级D-S证据理论融合，实现空天融合目标检测。实验结果表明，该目标检测技术实现了

2、空天高光谱图像的优势互补，提升了目标检测精度，是一种融合处理空天高光谱遥感图像的目标检测新方法。关键词院 高光谱图像； 目标检测； 高斯马尔科夫随机场； 空天融合检测模型； D-S证据理论中图分类号院 TP751.1 文献标志码院 A DOI院 10.3788/IRLA201645.S223003Hyperspectral target detection by airborne and spaceborne imagefusion based on 3D GMRFChen Shanjing1, Kang Qing1, Gu Zhongzheng2, Wang Zhenggang1, Shen

3、 Zhiqiang1, Pu Huan1, Xin Ying1(1. Department of National Defense Construction Planning and Environment Engineering, Logistical Engineering University,Chongqing 401311, China; 2. College of Science, Air Force Engineering University, Xi忆an 710051, China)Abstract: To solve the problem that traditional

4、 hyperspectral target detection is based on either airborneimage or spaceborne image, and doesn忆 t utilize the advantage of aerial and space imagingcomprehensively, a target detection method for airborne and spaceborne image fusion, which combined3D GMRF with D-S evidence theory, was proposed in thi

5、s paper. The 3D GMRF detection results fromairborne image and spaceborne image were fused by D -S evidence theory in decision level. Theexperimental results show that the proposed target detection method complements the advantage of aerialhyperspectral image and space hyperspectral image, and enhanc

6、es accuracy on target detection. Thistechnology is new target detection method by fusing the aerial and space hyperspectral image.Key words: hyperspectral image; target detection; GMRF;detection model of airborne and spaceborne image fusion; D-S evidence theory收稿日期院2016-08-08曰 修订日期院2016-09-07基金项目院国家

7、863计划(2013AA030704)曰后勤工程学院青年科学基金(X2050105)作者简介院陈善静(1985-)袁男袁讲师袁博士袁主要从事高光谱遥感技术及应用尧信号与信息处理方面的研究遥Email:chengshanjing_S223003-1第45卷第S2期 红外与激光工程 2016年12月Vol.45 No.S2 Infrared and Laser Engineering Dec. 2016万方数据红外与激光工程第S2期 第45卷S223003-20 引 言高光谱成像能同时获得地物目标的光谱信息和空间形状信息袁在目标检测与精确识别方面有着巨大的技术优势和应用前景遥当前高光谱图像目标检

8、测通常基于单一平台遥感图像进行袁利用数理统计尧模式识别和机器视觉等理论结合图像光谱信息实现目标的发现尧分类与识别遥随着航空航天技术与光谱成像技术的飞速发展袁利用空天多遥感平台获得地物目标实时或近实时的高光谱图像已成为可能遥空天多平台获得遥感数据融合处理尧优势互补尧相互印证袁最大程度地发掘高光谱图像中各类目标特征信息袁将成为遥感图像目标精确检测识别的重要研究方向遥高光谱图像目标检测按是否使用到目标先验信息可分为光谱匹配检测和异常检测遥参考文献1提出了一种基于聚类核空间RX算法(CKRX)的高光谱图像异常与变化检测方法遥该方法将背景像素分组聚类袁应用快速特征值分解算法获得异常变化信息袁并结合图像变

9、化特征对目标进行检测袁其探测/虚警率和计算时间较传统KRX算法都有较大改善遥参考文献2提出了一种基于回归型正交子空间投影(ROSP)的高光谱图像目标检测方法袁该方法根据回归方程对OSP进行递归迭代处理袁避免了对特征矩阵进行求逆运算袁提高了算法运算速度袁并可实现非监督条件下光谱信号种类数量变化监测袁在自动目标检测方法具有较好的应用前景遥王彩玲等人提出了一种空谱联合探测高光谱影像目标探测算法袁该算法将传统的基于统计的目标探测算子与空域邻域聚类算法相结合袁通过对潜在目标区域进行质心邻域聚类和迭代运算袁实现了对高光谱图像中大目标的精确探测3遥Kaufman等人分析了同时将航空高光谱图像与高分辨率全色图

10、像融合处理对目标探测及分类的影响袁通过对光谱特征和空间特征进行特征级融合袁可有效降低目标探测的虚警率和误分类率袁并且在目标精确探测与分类方面特征级融合其作用效果优于像素级融合方法4遥 Schweizer等人根据高光谱图像中各检验样本点的空间相关性和光谱相关性提了一种基于高斯马尔科夫随机场的高光谱目标检测算法遥该算法在广义似然比算子基础上有效地利用了高光谱图像的空间信息和光谱信息袁并且避免了矩阵求逆运算袁在检测精度和运算速度上都有较大的改进5-8遥Jafari等人提出了一种基于决策融合结构的高分辨率遥感图像分类识别方法袁该方法将单一投票表决和基于EMD测度的模糊识别应用到决策融合中实现了对可见光

11、遥感图像中多类目标的精确分类识别9遥参考文献10对基于SVMs和D-S理论的卫星遥感数据决策级融合方法进行了研究袁相关研究结果表明卫星遥感信息融合处理对目标探测识别的精确性尧可靠性和容错性都有较大提升遥整体而言袁传统目标检测算法通常大多依据光谱特征进行探测与识别袁目标空间形状几何信息用于检测识别也开始逐渐受到关注和重视袁而将航空航天高光谱遥感图像融合处理用于目标检测与精确识别方面的研究却较为鲜有报道遥根据以上分析袁为了发掘航空和航天高光谱图像各自优势袁并综合应用光谱-空间特征信息袁实现对高光谱目标的精确检测袁文中结合三维GMRF模型和D-S证据理论提出了一种空天融合目标检测方法遥从目标光谱-形

12、状特征综合应用和空天遥感信息融合处理角度对传统高光谱目标检测方法进行改进袁有效地提高了目标检测精度遥1 基于三维GMRF的目标检测算法1.1 基于三维GMRF的高光谱数据模型在高光谱图像数据中袁各类目标样本呈多元正态分布袁任意像素点任意一点受周围邻域点的影响相同袁并且在局部统计背景下袁图像中任意一点可以看作邻域点的线性组合遥高光谱图像的以上特性为利用高斯马尔科夫数据模型对其进行建模提供了基础遥将高斯马尔科夫模型应用于高光谱目标检测中时为了充分利用空间和光谱信息需要进行三维扩展袁形成三维GMRF模型遥三维GMRF模型的一阶空间位置关系如图1所示遥图1一阶三维GMRF模型的空间位置关系图Fig.1

13、 Space鄄position relationship for the first order 3D GMRF model万方数据红外与激光工程第S2期 第45卷S223003-3其中袁xi,j,k为马尔科夫窗口内去均值后的像素点的DN值袁其中i袁j袁k分别为像素点的空间位置和光谱位置遥根据马尔科夫特性袁选择一阶三维GMRF模型利用邻域像素点对xmijk进行线性重构袁得到其预测估计值x赞mijk袁其表达式为院x赞mijk=h(xmi(j-1)k+xmi(j+1)k)+v(xm(i-1)jk+xm(i+1)jk)+s(xmij(k-1)+xmij(k+1)+mijk(1)式中院h袁v和s分别

14、为空间维水平方向尧垂直方向和光谱维方向的权重系数袁也代表对像素点xmijk的预测估计系数曰mijk为最小均方估计误差遥根据狄利克雷(Dirichlet)边界条件袁估计误差mijk具有零均值袁即E(mijk)=0遥用矩阵形式改写公式(1)袁可得如下表达式院AXm=m(2)式中院Xm为背景向量袁矩阵A的具体表达式为5,11院A=INk茚A1+H1Ni茚A2(3)其中袁A1=INi茚B+H1Ni茚CA2=INi茚DB=-hH1Nj+INjC=-vINjD=-sINj(4)三维GMRF模型的背景协方差阵的逆矩阵移-1x可表示为院移-1x=12A (5)1.2 背景模型参数估计为了对变换矩阵A中未知参数

15、h袁v袁s进行求解袁利用背景观测向量X1袁X2袁噎袁Xn对未知参数进行最大似然估计袁取导数为零的极值点构成方程组进行求解遥由于背景向量X1袁X2袁噎袁Xn彼此独立袁并且联合概率密度服从多元高斯数据分布袁因此将公式(5)带入似然函数概率密度的表达式f(X1袁X2袁噎袁Xn| )=|A|n2(2仔 )nNiNjNk2伊exp-122nm=1移XTmAXm蓸 蔀(6)对似然函数取负对数袁进行二阶泰勒级数展开后袁取导数为零的极值点构成方程组遥解以上方程组袁得到h袁v袁s的近似的估计6-7院h=h|h|cos仔Nj+1蓸 蔀+|v|cos仔Ni+1蓸 蔀+ |s|cos仔Nk+1蓸 蔀(7)v=v|h|

16、cos仔Nj+1蓸 蔀+|v|cos仔Ni+1蓸 蔀+ |s|cos仔Nk+1蓸 蔀(8)s=s|h|cos仔Nj+1蓸 蔀+|v|cos仔Ni+1蓸 蔀+ |s|cos仔Nk+1蓸 蔀(9)其中袁=Nk(Nj-1)Nj(Nk-1)(10)=0.5- (11)式中院为一小量袁以确保估计值在参数空间内遥1.3 单边假设检验模型将高光谱图像中选取的局部数据处理窗口分为两部分袁分别为院背景区域和未知类别的检验区域袁如图2所示袁其中袁背景区域大小为I伊J袁未知类别检验区域大小为Nt伊Nt遥设由背景区域构建的观测向量为X=X1袁X2袁噎袁Xn曰由未知检验区域构建未知类检验向量为Y=Y1袁Y2袁噎袁Ym袁

17、其中袁Xi和Yi分别由对应区域的马尔科夫窗口获得遥图2处理窗口背景区域和未知类别检验区域示意图Fig.2 Sketch map of processing window for background area andan unknown test area在单边假设检验条件下袁检测算法只关注高光谱图像处理窗口的背景模型袁通过计算未知类别检万方数据红外与激光工程第S2期 第45卷S223003-4验向量相对到背景模型的GMRF统计距离进行目标检测遥根据1.1节获得的背景模型的协方差矩阵袁在单边假设条件下三维GMRF目标检测算子为院DGMRF(Yi)=1mnm=1移(Yi- )T伊移-1x(Yi

18、- )H1H0(16)文中空天融合目标检测方法的基本流程如图3所示遥图3基于三维GMRF的空天融合检测方法基本流程Fig.3 Flow chart of target detection method by airborne andspaceborne image fusion based on 3D GMRF万方数据红外与激光工程第S2期 第45卷S223003-53 实验结果与分析为了对文中方法的有效性进行验证袁利用AVIRIS扫描Sandi ego海军飞行实验基地的高光谱数据进行了三组对比实验遥高光谱图像波长范围为4292470nm袁去除低信噪比和水汽吸收较严重的波段后剩余189个波段

19、遥文中设计的三组实验分别为院航空高光谱图像三维GMRF算法检测实验和航天高光谱图像三维GMRF算法检测实验袁此两组算法主要对比验证三维GMRF算法与传统高光谱目标检测算法的检测效果遥第三组实验为空天融合检测算法仿真实验袁主要对比验证文中提出的空天融合目标检测算法与航空高光谱图像三维GMRF算法和航天高光谱图像三维GMRF算法的检测效果遥3.1 航空高光谱图像三维GMRF算法检测实验文中首先对用于空天融合检测算法中的三维GMRF目标检测算法进行了飞机目标样本检测实验遥为了验证三维GMRF算法的有效性袁选取了三种广泛应用的标准比对算法进行实验袁三种算法分别院RX算法尧自适应匹配滤波(AMF)13-

20、14和正交子空间投影(OSP)遥实验中相关参数设置如下院三维GMRF算法的外窗口为9伊9袁内窗口为3伊3遥由于RX算法对背景模型的高斯特性依赖性更强袁因此RX算法的外窗口取为25伊25袁内窗口为3伊3遥AMF和OSP算法的目标窗口均为3伊3遥由于整个图像中异常目标分布具有较大的随机性袁受实验条件的限制不可能完全统计出高光谱中的小飞机的准确分布遥实验中只对高光谱图像中飞机目标分布比较明确的区域进行检测遥图4中黑色多边形内的区域为检验区域袁区域内的小多边形区域表示待检测的飞机样本点遥整个检验区域二值化标定后其分布情况如图5所示遥对飞机样本点的二值化标定后其分布情况如图6所示袁其中背景像素点4522

21、个袁小飞机样本点190个遥图4检验区域和飞机样本分布情况Fig.4 Distribution of test area and plane samples图5二值化标定后的检验区域分布情况Fig.5 Distribution of test area after two binary图6二值化标定后的飞机样本点分布情况Fig.6 Distribution of plane samples after two binary文中采用ROC曲线来对四种目标检测算法的检测概率和虚警概率进行定量分析遥图7为四种算法对飞机样本点检测结果的ROC曲线遥从图中可以看出三维GMRF对小飞机样本点的检测效果最好袁

22、整个曲线位于坐标图的最左上角遥AMF算法的ROC曲线位于四条曲线的最右下方袁其检测效果最差遥RX检测算法的检测结果较AMF算法有一定改善袁但不及OSP算法的对目标的检测性能遥根据ROC曲线图可以发现袁在固定虚警率为0.1时袁三维GMRF算法的检测概率最大袁在0.96左右曰其次是OSP算法在0.83左右曰再次是RX算法袁其检测概率在0.33左右曰AMF的检测效果最差袁只有0.22左右遥四种算法对高光谱图像的检测结果如图8所示遥图7四种算法对飞机样本点检测结果的ROC曲线Fig.7 ROC curves for plane samples detection by four algorithms万

23、方数据红外与激光工程第S2期 第45卷S223003-6(a) AMF算法检测结果(b) RX算法检测结果(a) Result of target detection (b) Result of target detectionby AMF by RX(c) OSP算法检测结果(d)三维GMRF检测算法检测结果(c) Result of target detection (d) Result of target detectionby OSP by 3D GMRF图8四种算法对高光谱图像的检测结果(虚警率为0.1)Fig.8 Results of target detection by fo

24、ur algorithms in hyperspectralimage(probability of false alarm is set to 0.1)3.2 航天高光谱图像三维GMRF算法检测实验此部分实验所用数据为Sandi ego海军实验基地航拍高光谱图像经课题组前期研究的融合仿真建模方法变换处理后得到的航天高光谱图像袁相关变换处理方法见参考文献15遥实验以此仿真模拟航天高光谱图像进行算法对比验证实验遥由于仿真模拟得到的高光谱图像面积较小袁因此三维GMRF算法采用固定背景窗口法袁即选择固定坐标点附近外窗作为背景窗口进行目标检测遥图9中实线带圆圈的曲线为三维GMRF算法检测航天高光谱图像

25、中飞机目标点得到的ROC曲线遥为了便于对比算法效果袁相应的给出了3.1节实验中其他三种算法的ROC曲线遥从图中可以看出袁基于航天遥感图像的三维GMRF算法对飞机样本点的检测效果优于RX尧AMF算法遥虽然基于航天遥感图像的三维GMRF算法在虚警率低于0.06的小区间范围内其检测精度略差于OSP算法袁但整体而言袁基于航天遥感图像的三维GMRF算法的检测精度都优于OSP算法遥相对于基于航空遥感图像的三维GMRF算法袁基于航天遥感图像的GMRF算法检测性能略有下降袁这主要是空天变换后图像的分辨率变大袁目标部分信息丢失袁造成其检测精度变差遥基于航天遥感图像的三维GMRF算法检测结果如图10所示遥从图中可

26、以看出袁由于使用了固定背景窗口的三维GMRF算法袁并且图像左下角和右上角的区域跟背景区域存在较大差异袁因此这两部分区域也被错误地检测为了目标点遥但此区域不在检验区域内袁因此对该区域检测结果无效袁并不计算到检测概率和虚警概率中遥综合以上分析袁三维GMRF目标检测算法在航天高光谱图像中有较好的检测效果袁优于多种对比算法遥图9利用航天高光谱图像对小飞机样本点检测结果的ROC曲线对比图Fig.9 Comparison of ROC curves for small plane samples detectionusing space hyperspectral image图10基于航天遥感图像的三维G

27、MRF算法检测结果图Fig.10 Result of target detection based on 3D GMRF inhyperspectral image3.3 空天融合检测算法仿真实验文中选择3.1节的航空高光谱图像和3.2节用到的航天高光谱图像进行空天融合目标检测实验遥实验中设基于航空图像的GMRF算法的识别概率Pr1=0.97袁其他相关参数见3.1节遥基于航天图像的GMRF算法的识别概率Pr2=0.90袁其他相关参数见3.2节遥在空天图像目标检测D-S证据融合中袁将归一化的GMRF统计距离作为有无目标时的决策信万方数据红外与激光工程第S2期 第45卷S223003-7度Bi1

28、袁Bi0遥航空遥感图像经过GMRF检测算法获得的GMRF统计距离图如图11所示遥航天遥感图像经过GMRF检测算法后目标检查区域的GMRF统计距离如图12所示遥图11航空遥感图像GMRF统计距离图Fig.11 GMRF statistical distance for airborne remote sensing image图12航天遥感图像目标检测区域的GMRF统计距离图像Fig.12 GMRF statistical distance for spaceborne remote sensingimage in test area根据2.2节的空天图像目标检测模型在有无目标时的决策信度分别为

29、B1袁B0袁其对应的基本概率分布如图13和图14所示遥通过设定不同的检测阈值再根据公式(16)即可实现基于三维GMRF的空天融合目标检测遥对目标检测的ROC曲线如图15所示遥图13 D-S证据融合后目标存在时(H1)的基本概率Fig.13 Basic probability for target detected after D-S evidencefusion(H1)从ROC曲线图中可以看出通过D-S证据融合后的空天融合目标检测算法仅在虚警率小于0.016的区间内对飞机样本的检测率略低于基于航空遥感图像GMRF算法袁但整体而言袁空天融合检测算法的ROC曲线在整个坐标空间的分布更偏左上角袁该算

30、法整体性能优于单独的基于航空遥感图像或航天遥感图像的GMRF目标检测算法遥图16为空天融合目图14 D-S证据融合后目标不存在时(H0)的基本概率Fig.14 Basic probability for target not detected after D-S evidencefusion(H0)图15基于三维GMRF的空天融合目标检测ROC曲线对比图Fig.15 Comparison of ROC curves for target detection by airborneand spaceborne image fusion based on 3D GMRF图16基于三维GMRF的空天

31、融合目标检测结果图(检测概率院0.935袁虚警概率院0.037)Fig.16 Result picture of target detection by airborne and spaceborneimage fusion based on 3D GMRF(probability of detection:0.935, probability of false alarm: 0.037)万方数据红外与激光工程第S2期 第45卷S223003-8标检测算法在检测概率为0.935袁虚警概率为0.037时对飞机样本点的检测结果图遥在多种目标检测对比算法中袁文中提出算法的ROC曲线处于最左上角袁其

32、整体算法优于其他对比算法遥从检测结果图还可以看出袁文中目标检测算法的检测结果与飞机目标的真实分布较为相近袁目标检测结果优于单独基于航天或航空图像的三维GMRF目标检测算法遥4 结 论文中提出的基于三维GMRF的空天融合目标检测方法以充分利用航空遥感图像和航天遥感图像各自信息优势为出发点袁在基于三维GMRF的目标检测算法和D-S证据理论的基础上袁建立了基于空天高光谱图像的目标检测数据融合处理模型袁将航空高光谱图像和航天高光谱图像通过三维GMRF检测器的检测结果进行D-S证据融合袁以此改善单独基于航空或航天图像的传统目标检测算法的探测概率和虚警概率遥多种算法对比实验结果表明院基于三维GMRF的高光

33、谱图像空天融合目标检测方法其目标探测性能整体优于对比算法遥文中方法将空天遥感图像的目标检测结果以像素为单元进行决策融合袁实现了空天遥感图像优势互补袁检测目标的精确探测遥从目标检测ROC曲线可以看出袁文中提出的空天融合检测方法在相同虚警率条件下能达到更高的目标检测概率遥参考文献:1 Zhou J, Kwan C, Ayhan B, et al. A novel cluster kernelRX algorithm for anomaly and change detection usinghyperspectral images J. IEEE Transactions on Geoscienc

34、eand Remote Sensing, 2016, 54(11): 6497-6504.2 Song M P, Chang C I. A theory of recursive orthogonalsubspace projection for hyperspectral imaging J. IEEETransactions on Geoscience and Remote Sensing, 2015, 53(6): 3055-3072.3 Wang Cailing, Wang hongwei, Hu Bingliang, et al. A newspectral鄄spatial algo

35、rithm method for hyperspectral imagetarget detection J. Spectroscopy and Spectral Analysis,2016, 36(4): 1163-1169. (in Chinese)4 Kaufman J R, Eismann M T, C M. Assessment of spatial鄄spectral feature鄄level fusion for hyperspectral target detectionJ. IEEE Journal of Selected Topics in Applied EarthObs

36、ervations and Remote Sensing, 2015, 8(6): 2534-2544.5 Schweizer S M, Maura J M F. Efficient detection inhyperspectral imagery J. IEEE Transactions on ImageProcessing, 2001, 10(4): 584-594.6 Wang L J, Gao K, Cheng X M, et al. A hyperspectralimagery anomaly detection algorithm based on Gauss鄄Markovmod

37、el C/International Conference on Computational andInformation Sciences (ICCIS), 2012, 7: 135-138.7 Schweizer S M, Maura J M F. hyperspectral imagery: clutteradaptation in anomaly detection J. IEEE Transactions onInformation Theory, 2000, 46(5):1855-1871.8 Li S S, Zhang B, Chen D, et al. Adaptive sup

38、port vectormachine and Markov random field model for classifyinghyperspectral imagery J. Journal of Applied RemoteSensing, 2011, 5: 053538-1-12.9 Jafari A, Heidarpour M. A decision fusion framework forhigh鄄resolution remote鄄sensing image classificationC/20159th Iranian Conference on Machine Vision a

39、nd ImageProcessing (MVIP), Tehran, Iran, 2015, 11: 219-222.10 Chang Z, Liao X J, Liu Y, et al. Research of decisionfusion for multi鄄source remote鄄sensing satellite informationbased on SVMs and DS evidence theory C/2011 FourthInternational Workshop on Advanced ComputationalIntelligence (IWACI), 2011,

40、 10: 416-420.11 Moura J M F, Balram N. Recursive structure of noncausalGauss鄄Markov Random Fields J. IEEE Transactions onInformation Theory, 1992, 3(38): 334-354.12 Chen Y, Nasrabadi N M, Tran T D. Effects of randommeasurements on the performance of target detection inhyperspectral imagery C/Proceed

41、ings of SPIE Algorithmsand Technologies for Multispectral, Hyperspectral, andUltraspectral Imagery XVII, 2011, 8048: D1-D13.13 Sun Jixiang. Pattern Recognition M. Changsha: NationalUniversity of Defense Technology Press, 2002. (in Chinese)14 Truslow E, Manolakis D, Pieper M, et al. Performancepredic

42、tion of matched filter and adaptive cosine estimatorhyperspectral target detectors J. IEEE Journal of SelectedTopics in Applied Earth Observations and Remote Sensing,2014, 7(6): 2337-2350.15 Chen Shanjing, Hu Yihua, Sun Dujuan. A simulationmethod by air and space integrated fusion based on hyper-/multi-spectral imagery J. Acta Physica Sinica, 2013, 62(20): 2042011-2042018. (in Chinese)万方数据