劉志剛，劉 翔，廖佳俊，蔡 尚

?

一種基于RGB比值特征統(tǒng)計模型的高亮點檢測算法

劉志剛，劉 翔，廖佳俊，蔡 尚

（第二炮兵工程大學(xué)，陜西 西安 710025）

高光譜圖像反射率反演問題，已成為制約高光譜圖像走向應(yīng)用的重要障礙之一。常用的平場域法關(guān)鍵在于高亮點的正確選取，而目前的人工方法和自動方法均存在選點不準(zhǔn)確和效率較低的缺陷。在進行大量的高光譜圖像采集實驗的基礎(chǔ)上，以標(biāo)準(zhǔn)白板圖像為基準(zhǔn)，對理想白色區(qū)域的R、G、B三個譜段的DN值進行了統(tǒng)計分析，用高斯分布擬合了R、G、B的比值特征，以此模型為依據(jù)，給出了一種基于R、G、B譜段DN值分析的自動高亮點搜索方法。實驗表明，本算法可有效提高高光譜圖像反射率反演的準(zhǔn)確性。

高光譜；反射率反演；平場域法；高亮點檢測

0 引言

高光譜遙感技術(shù)在軍事偽裝目標(biāo)探測與識別領(lǐng)域正越來越受到重視。目前，基于高光譜圖像的目標(biāo)探測與識別，主流的方法還是基于光譜匹配的思想。但由于高光譜成像過程中受目標(biāo)狀態(tài)、環(huán)境、儀器及采集尺度等因素的影響，常出現(xiàn)“同物異譜”和“同譜異物”現(xiàn)象，使光譜匹配無法進行下去。一種普遍的解決方案是，在進行光譜匹配之前，先對高光譜圖像進行預(yù)處理，將每個像元的DN值（輻射能量）波譜曲線換算成地物的光譜反射率曲線，使數(shù)據(jù)具有一定的穩(wěn)定性，這就是所謂的反射率反演問題。但嚴(yán)格意義上的地物波譜反射率反演非常困難，它已經(jīng)成為制約高光譜圖像走向應(yīng)用的重大障礙之一。

高光譜反射率反演[1-2]方法主要有3類：基于大氣輻射傳輸方程的反射率反演[3]、借助特殊地物的反射率反演和基于圖像數(shù)據(jù)本身的反射率反演。第1類方法需要用到較為苛刻的環(huán)境參數(shù)，第2類方法要求在視場內(nèi)有特殊地物，這兩類方法在實際應(yīng)用中均受到很大的限制，因而第3類方法常常被作為首選方法。基于圖像本身的反射率反演[4]方法又有3種：對數(shù)殘差法[5]、內(nèi)部平均法[6]和平場域法[7]。其中，對數(shù)殘差法需要利用圖像的全體像元數(shù)據(jù)，其計算結(jié)果受噪聲的影響非常嚴(yán)重，同時存在對同種物質(zhì)光譜的微小差別進行過分放大的缺陷[4]。內(nèi)部平均法則在很多情況下（如圖像中某一種地物所占比例高達90%）完全失效。平場域法是最常用的一種方法，其關(guān)鍵之處在于如何準(zhǔn)確、高效地選取高亮區(qū)域。通常的做法是人工選取高亮區(qū)。由于人眼對色彩與亮度的判斷并不客觀，甚至還會出現(xiàn)視覺錯覺現(xiàn)象，因此常常會選入錯誤的像元[4]。當(dāng)圖像中本身就不存在連續(xù)的高亮區(qū)域時，這種錯誤就更難以避免。

針對上述問題，本文在進行大量的高光譜成像實驗的基礎(chǔ)上，對白板的R、G、B三個譜段的DN值進行統(tǒng)計建模，以此為基礎(chǔ)，提出了一種只用到3個譜段數(shù)據(jù)的快速高效的自動高亮點檢測算法，實驗表明，該方法用于高光譜圖像的反射率反演與波譜匹配中，可取得很好的效果。

1 基本思路

平場域法的本質(zhì)是要找出視場中的“標(biāo)準(zhǔn)白板”來，由于“標(biāo)準(zhǔn)白板”的反射率處處為1，該處的DN值曲線就可看作是入射光的光譜。當(dāng)然，這樣的“標(biāo)準(zhǔn)白板”并不存在，即使存在，也不見得在每幅圖像中都存在。盡管如此，很多時候找到一些接近“標(biāo)準(zhǔn)白板”的點或區(qū)域還是可以的。

傳統(tǒng)的人工選取平場域法以R、G、B譜段合成的彩色圖像為依據(jù)，雖然準(zhǔn)確性上存在問題，但至少說明高亮區(qū)域與R、G、B三個譜段的DN值存在著某種關(guān)聯(lián)。因為R、G、B三個譜段是與人眼視覺特性密切相關(guān)的3個譜段，而幾乎沒有人認(rèn)為太陽光在正午時刻是偏色的，這就是說，根據(jù)經(jīng)驗，利用R、G、B這3個譜段是可以很好地檢測出“白色”的太陽光的。不過，太陽光在一天之中會發(fā)生強弱和角度的變化，再加上儀器的感光參數(shù)也會隨之發(fā)生變化，所以高亮區(qū)對應(yīng)的R、G、B譜段的DN值肯定也會發(fā)生變化。如果只考慮光線強弱和儀器增益的變化的話，高亮區(qū)的R、G、B譜段DN值之比應(yīng)基本不變?；谶@一思路，本文對包含白板（高亮區(qū)）的同一目標(biāo)，在不同時段采集了大量的高光譜圖像，然后對白板區(qū)的R、G、B三個譜段DN值的比值進行統(tǒng)計分析，進而建立其概率分布模型。根據(jù)這一模型，通過對待處理的高光譜圖像每個象素的R、G、B三個譜段之DN值進行自動分析與篩選，可以很快從中找出符合要求的高亮點來。

2 基于實驗的白板R、G、B譜段關(guān)系模型

2.1 白板高光譜數(shù)據(jù)采集實驗

使用地面MSHyperSIS成像光譜儀對由高光譜儀器原廠配送的標(biāo)準(zhǔn)參考白板進行光譜數(shù)據(jù)采集?？紤]到地物光譜數(shù)據(jù)在采集過程中，受到空氣中水分、光照角、尺度、光照強度等多種因素的影響，為提高結(jié)果的準(zhǔn)確性，選擇兩個晴朗無云且光照充足的夏季白天進行采集，采集時間為早11:00至晚17:00，每間隔半小時，采集一幅圖像，總共采集20幅標(biāo)準(zhǔn)參考白板的高光譜圖像數(shù)據(jù)，其中部分實驗數(shù)據(jù)如圖1所示，圖1(a)～(c)分別為11:00、14:00、17:00采集到的圖像數(shù)據(jù)。

2.2 白板R、G、B三個譜段DN值數(shù)據(jù)分析

根據(jù)高光譜圖像中標(biāo)準(zhǔn)參考白板在可見光譜段（400～760nm）上R譜段（700nm）、G譜段（540nm）以及B譜段（430nm）所呈現(xiàn)出的特征，定義RGB比例特征1、2如下：

1＝DNR/DNB(1)

2＝DNG/DNB(2)

式中：DNR、DNG、DNB分別為R、G、B譜段上的DN值。

利用ENVI軟件中的裁剪功能，將圖像數(shù)據(jù)中的白板裁剪下來，每張圖像數(shù)據(jù)根據(jù)裁剪大小的不同，有4000～6000個像元點不等，裁剪下來的圖像數(shù)據(jù)仍然保留白板上每個像元的光譜曲線。對20幅圖像數(shù)據(jù)中白板像元的1、2分別計算概率分布(1)、(2)（直方圖包絡(luò)線），如圖2(a)和圖2(b)所示。

圖1 不同時刻采集到的白板實驗數(shù)據(jù)示意圖

圖2 20幅白板各自的k1、k2分布擬合示意圖

觀察圖2發(fā)現(xiàn)，1、2在各個時段均近似滿足高斯分布，其中，1在不同時段的分布特性基本一致，2則表現(xiàn)出隨時間變化而出現(xiàn)漂移的現(xiàn)象。分析認(rèn)為，2的漂移主要表現(xiàn)在早晚，由于大氣折射而出現(xiàn)入射光偏紅引起。由于漂移不大，我們對不同時段采集到的全部1、2特征數(shù)據(jù)進行疊加，得到關(guān)于1、2的總體概率分布，如圖3所示。

圖3顯示，不同時段的RGB比例特征仍能夠近似地滿足高斯分布，可近似表示為：

式中：、分別為比例特征k的均值和方差。

根據(jù)參數(shù)估計理論，可利用測量數(shù)據(jù)估計出和：

式中：k()（＝1,2，＝1,2,…）為k的第個樣本；為樣本總量。

圖3 20幅白板所有像元點的k1、k2分布擬合示意圖

在獨立高斯概率模型基礎(chǔ)上，可進一步將RGB比例特征作為特征矢量定義如下：

＝[1,2]T(6)

則可得特征矢量的聯(lián)合高斯分布密度模型為：

式中：為特征矢量均值＝[1,2]T，可根據(jù)式(4)計算得到。為特征矢量的協(xié)方差矩陣，即：

式中：

且的對角線元素（＝1,2）可由式(5)得出。

3 基于RGB比值特征統(tǒng)計模型的高亮點檢測算法

綜上可知，僅根據(jù)采集到的光譜數(shù)據(jù)樣本即可求得概率模型參數(shù){,}，在此基礎(chǔ)上，可在任意光譜圖像中利用概率模型搜索滿足高亮點（白板）統(tǒng)計特性的光譜圖像像元點作為反射率反演的參考像元點。

為在概率模型式(7)基礎(chǔ)上建立搜索準(zhǔn)則，將一維高斯分布的歸一化置信區(qū)間定義推廣到多維高斯分布情形，此時多維歸一化置信區(qū)間可由馬氏距離（）定義如下，即對于任意光譜圖像的第個像元點提取的特征矢量(j)，有馬氏距離M((j))如下：

設(shè)M((j))＝，則距離＝1,2,3,…，即對應(yīng)于一維標(biāo)準(zhǔn)高斯分布的-置信區(qū)間。因此可作為搜索相似度閾值參數(shù)，本文中取＝2，即：若某個像元點(j)的M((j))≤2，則認(rèn)為該像元點是與高亮點（白板）相似的。

4 實驗與分析

我們以綠草和假草的光譜曲線作為研究對象，針對不同實驗數(shù)據(jù)，采用本文方法和傳統(tǒng)方法計算綠草和假草的相對反射率光譜曲線，并對結(jié)果進行比較分析。綠草的光譜反射特性主要是由植物單葉的光譜反射特性決定的，在450～1000nm光譜曲線上，550nm處有一個反射峰，680nm處有一個吸收峰，700～740nm譜段反射率急劇增大，幾乎達到最大值，740nm以后反射率增長緩慢。假草的光譜反射特性根據(jù)材質(zhì)的不同有所區(qū)別，本文采集的圖像中假草在550nm處有一個反射峰，在690nm和750nm處還有2個反射峰。

4.1 實驗數(shù)據(jù)

實驗中使用了3幅高光譜圖像作為驗證傳統(tǒng)算法與本文算法的實驗數(shù)據(jù)。圖像數(shù)據(jù)全部是用地面MSHyperSIS成像光譜儀獲取的陜西省西安市某地的高光譜圖像，實驗選在夏季，拍攝角度為水平向下15°，視場域中的主要地物為綠草和人工假草，圖4(a)～(c)分別為11:40、12:50、14:15采集到的圖像數(shù)據(jù)，圖像數(shù)據(jù)的光譜范圍均為450～1000nm，共256個譜段，剔除其中的無效譜段（噪聲），保留譜段231個。3幅圖為各自個圖像數(shù)據(jù)中第37、76、114譜段（分別為B譜段（430nm處）、G譜段（540nm處）、R譜段（700nm處））合成的RGB彩色圖像。圖像中位于圖片下方的草地為綠草，位于圖片上方的草地為人工假草。

在匹配標(biāo)準(zhǔn)（對比標(biāo)準(zhǔn)）的選取問題[8]上，考慮到不同時段的空氣水分、光照角度等因素影響，由MSHyperSIS成像光譜儀采集一組圖像數(shù)據(jù)中存在符合當(dāng)時天氣狀況的標(biāo)準(zhǔn)白板的實驗數(shù)據(jù)，利用視場內(nèi)白板(圖中右下角)的DN值對綠草及假草進行反射率反演，選取兩天中不同時段的20個反演結(jié)果的平均值作為最后的參考基準(zhǔn)，即綠草和假草的標(biāo)準(zhǔn)相對反射率(相對于標(biāo)準(zhǔn)白板)，其中部分實驗數(shù)據(jù)如圖5所示，圖5(a)～(c)分別為14:00、16:00、17:30采集到的圖像數(shù)據(jù)。

4.2 實驗結(jié)果

依據(jù)本文算法針對圖4數(shù)據(jù)進行高亮像元提取的實驗結(jié)果如圖6所示。

分別利用內(nèi)部平均法、人工選點的平場域法、本文方法對圖4所示3幅圖像數(shù)據(jù)中綠草和假草的光譜曲線進行反射率反演，得到各自的結(jié)果。綠草和假草的結(jié)果分別如圖7、圖8所示。

4.3 實驗分析

在分析討論實驗結(jié)果前，我們先通過光譜角匹配[9]（SAM）與光譜相似度[10]（SCF）定量地評估所有結(jié)果與標(biāo)準(zhǔn)綠草曲線及標(biāo)準(zhǔn)假草曲線的匹配結(jié)果。

通過匹配的結(jié)果可以看出，本文方法在利用3幅圖像數(shù)據(jù)進行反射率反演的情況下，所得結(jié)果的匹配率上都優(yōu)于傳統(tǒng)方法。

圖4 不同時刻采集到的實驗數(shù)據(jù)示意圖

圖5 提取標(biāo)準(zhǔn)相對反射率的實驗數(shù)據(jù)示意圖

圖6 本文算法提取出的高亮像元示意圖

圖7 綠草的標(biāo)準(zhǔn)相對反射率與針對3幅數(shù)據(jù)使用3種方法的結(jié)果對比

圖8 假草的標(biāo)準(zhǔn)相對反射率與針對3幅數(shù)據(jù)使用3種方法的結(jié)果對比

表1 綠草相對反射率與參考反射率的匹配結(jié)果

表2 假草相對反射率與參考反射率的匹配結(jié)果

5 結(jié)論

以平場域法的2個局限性為切入點，通過實驗統(tǒng)計白板的譜段特征，設(shè)計了基于R、G、B譜段關(guān)系的概率模型，對圖像數(shù)據(jù)中的高亮像元進行自動搜索，實現(xiàn)了基于高光譜圖像本身數(shù)據(jù)的自動反射率反演。總的來說，本文算法有效地克服了高亮區(qū)域主觀選擇的隨機性，可有效解決圖像數(shù)據(jù)中沒有連續(xù)高亮區(qū)域的問題，提高了反射率反演的準(zhǔn)確性，對進一步實現(xiàn)基于光譜匹配的目標(biāo)檢測有重要意義。另一方面，在研究過程中，根據(jù)高光譜儀器的敏感性及不同地區(qū)光照角度不同，我們發(fā)現(xiàn)本文算法尚且存在一定不足，如不同地區(qū)或不同時段，統(tǒng)計模型可能會出現(xiàn)參數(shù)變化，這也是我們下一步的研究方向。

[1] Philpot W. The derivative ration algorithm: Avoiding atmospheric effects in remote sensing[J]., 1991, 29(3):350-357.

[2] Farrand W H, Singer R B, Merengi E. Retrieval of apparent surface reflectance from AVIRIS data: A comparison of empirical line, radiative transfer, and spectral Mixing methods[J]., 1994, 47:311-321.

[3] Gao B C, Goetz F H. Colmun atmospheric water vapor and vegetation liquid water retrieval from airborne imaging spectrometer data[J]., 1990, 95(D4): 3549-3563.

[4] 張兵. 時空信息輔助下的高光譜數(shù)據(jù)挖掘[D]. 中國科學(xué)院, 2002. Zhang Bing. Hyperspectral data mining supported by temporal and spatial information[D]. Chinese Academy of Sciences. 2002.

[5] Green A A, Craig M D. Analysis of aircraft spectrometer data with logarithmic residuals[C]//, JPLPublication, 1985: 111-119.

[6] Goetz A F H, Srivastava V. Mineralogical mapping in the Cuprite mining district, Nevada[C]//(), JPL Publication, 1985: 22-31.

[7] Conel J E. Calibration of data using ground-based spectral reflectance measurements[C]//, JPL Publication 85-41, 1985: 184-185.

[8] 張翔. 基于光譜特征增強的高光譜圖像地物目標(biāo)識別[J]. 紅外技術(shù), 2010, 32(12): 717-722.

ZHANG Xiang. Target recognition of hyperspectral image based on enhanced spectral characteristics[J]., 2010, 32(12): 717-722.

[9] Kruse F A, Lefkoff A B, Boardman J W, et a1. The spectral image processing system (SIPS)-software for integrated analysis of AVIRIS data[C]//4. JPL Publication, 1992: 23-25.

[10] 許衛(wèi)東, 尹球, 匡定波. 地物光譜匹配模型比較研究[J]. 紅外與毫米學(xué)報, 2005, 4(4): 296-300.XU Weidong, YIN Qiu, KUANG Dingbo. Comparison of different spectral match models[J]., 2005, 4(4): 296-300.

A Highlight Pixel Detection Algorithm Based on Statistical Model of RGB Ratio Feature

LIU Zhigang，LIU Xiang，LIAO Jiajun，CAI Shang

(，710025，)

The difficulty of reflectivity inversion for hyperspectral images is of the main obstacle to the application of hyperspectral images. The performance of the commonly used Flat Field method heavily rely on the correct selection of highlight field, unfortunately neither the manual nor automatic selections method performs well in the perspective of accuracy and efficiency. On the basis of extensive experimental collections for hyperspectral images, with the standard referential white board served as ideal white region, the three band in spectrum, i.e. Red, Green and Blue band are chosen in order to exact the ratio characteristics among them. The ratio characteristics are statistically analyzed and demonstrated to be nearly Gaussion distribution, a Gausssion density is thus used to model these characteristics. Subsequently an automatic referential white pixel search method is proposed based on the established Gaussian statistical model, the resultant white pixels lay the foundation of reflectivity inversion for hyperspectral images. Experimental results suggest that the proposed method can effectively improve the accuracy of reflectivity inversion.

hyperspectral，reflectivity inversion，flat field，highlight pixel detection

TP75

A

1001-8891(2016)06-0461-06

2015-09-06；

2015-10-09.

劉志剛（1975-），男，博士，副教授，研究方向：信號與信息處理。

國家自然科學(xué)基金項目（41174093）；陜西省自然科學(xué)基金（2013JM5012）。