成像光譜儀獲取圖像到完成目標(biāo)檢測(cè)，所需的重要環(huán)節(jié)步驟以及關(guān)鍵技術(shù)很多，本文重點(diǎn)介紹異常檢測(cè)算法。首先我們獲取高光譜圖像以后，是一個(gè)原始程度較高，數(shù)據(jù)信息復(fù)雜的圖像，因此要運(yùn)用手段進(jìn)行去噪，為下面的工作減少不必要的數(shù)據(jù)量，降低噪聲對(duì)結(jié)果的影響。其次，在去噪后的圖片中，可能存在我們需要的信息并不清晰、豐富，造成檢測(cè)識(shí)別的困難，因此往往采用超分辨的技術(shù)，來提高圖像分辨率。最后，我們得到經(jīng)過各種處理的，噪聲低，清晰度高的圖像，輸入到數(shù)據(jù)庫中比對(duì)匹配，最終得到結(jié)果完成識(shí)別。在本章最后一節(jié)，特別提到目標(biāo)檢測(cè)的一種特殊方法異常檢測(cè)法，是利用自身圖像在背景信息中尋找異常點(diǎn)的方式，來達(dá)到識(shí)別目的。

在利用高光譜圖像實(shí)現(xiàn)目標(biāo)識(shí)別時(shí)，先前我們提到要將目標(biāo)圖像曲線與現(xiàn)有先驗(yàn)數(shù)據(jù)庫匹對(duì)，才能得知被測(cè)物質(zhì)的名稱、特征、屬性，該方法具有較高的準(zhǔn)確度且建庫后可一勞永逸逐漸豐富數(shù)據(jù)量。然而，在實(shí)際應(yīng)用中，目前發(fā)現(xiàn)或合成的物質(zhì)高達(dá)幾千萬種，漫無目的的實(shí)驗(yàn)各類物質(zhì)成本過高，幾乎不可能建立全備、能應(yīng)用各個(gè)領(lǐng)域的數(shù)據(jù)庫，這就決定了我們無法確保數(shù)據(jù)庫中一定有待測(cè)目標(biāo)的模板數(shù)據(jù)，且匹配時(shí)耗大，應(yīng)用缺乏便利性。在某些特定環(huán)境下，我們有時(shí)并不需要得知目標(biāo)的具體信息，例如在廣袤的大海中成像儀在獲取高光譜圖像時(shí)，海水的光譜信息一定是大量存在的，當(dāng)海下存在明顯存在區(qū)別于海水的其它物質(zhì)時(shí)，如魚群、設(shè)備、船只等，在高光譜圖像中一定會(huì)有突出區(qū)別與海水背景的異常獨(dú)特信息。如何運(yùn)用該原理進(jìn)行目標(biāo)檢測(cè)識(shí)別叫做高光譜異常檢測(cè)。

異常檢測(cè)的優(yōu)勢(shì)在于獨(dú)立性強(qiáng)，不依靠后臺(tái)數(shù)據(jù)庫，直接對(duì)目標(biāo)圖像進(jìn)行分析計(jì)算，在普遍背景信息中區(qū)分出異常點(diǎn)或異常波動(dòng)曲線，相對(duì)數(shù)據(jù)庫法成本也較低?，F(xiàn)實(shí)應(yīng)用中，軍事方面運(yùn)用偵察兵、無人機(jī)、衛(wèi)星等獲取高光譜圖像利用金屬與樹木土壤光譜信息的明顯區(qū)別，就可以可以找到隱藏在森林、沙漠地帶的敵軍武器裝備，這是普通光學(xué)儀器所做不到的，因?yàn)樵诳梢暪獾谋尘跋?，真?zhèn)文繕?biāo)在顏色接近的情況下很難被識(shí)別發(fā)現(xiàn)，甚至一些隱藏目標(biāo)被植被、樹木、河流等自然地物遮蔽，目標(biāo)的外觀、色彩、大小再被刻意的偽裝，更是加大目標(biāo)識(shí)別的難度，這是由于普通光學(xué)儀器不能獲取光譜信息，在圖像中會(huì)表現(xiàn)相同相似的結(jié)果，但是高光譜圖像下，真?zhèn)坞[藏目標(biāo)由于材料、內(nèi)部構(gòu)架狀態(tài)等不同，會(huì)形成較明顯的異常差別。醫(yī)學(xué)方面病變部位與健康組織也有較為明顯的異常曲線，對(duì)特定部位病癥確診有明顯作用。無論應(yīng)用到什么領(lǐng)域，異常檢測(cè)都是在廣泛的大背景中，無或者極少目標(biāo)自身信息可供借鑒，在背景中尋找目標(biāo)，兩者相比，目標(biāo)可以理解成圖像總樣本的低概率情況，背景則是高概率常規(guī)情況。所以異常檢測(cè)算法可以理解為研究高光譜圖像中的統(tǒng)計(jì)分類區(qū)分問題，明確背景物質(zhì)的光譜曲線，嘗試克服該背景對(duì)目標(biāo)曲線的干擾，使之相分離，突出異常目標(biāo)，達(dá)到識(shí)別目的。

異常算法研究領(lǐng)域常用算法一般有兩類，一種是純像元異常檢測(cè)，是將高光譜圖像投影到建立的子空間中來分離背景和目標(biāo)。典型的算法為低概率檢測(cè)算法（LPD），該算法運(yùn)用回歸分析、集群分析、主成分分析等非監(jiān)督分類方式，將高光譜圖像中背景信息各波段數(shù)據(jù)分離，而后計(jì)算互相關(guān)程度構(gòu)建正交的互相關(guān)矩陣，將矩陣內(nèi)各數(shù)據(jù)的特征向量建成正交的子空間。當(dāng)把高光譜原圖像投影至該空間時(shí)，背景數(shù)據(jù)將被抑制，也就是說圖像中大概率出現(xiàn)的譬如樹木、土壤、海水等地物的信息在子空間中被正交，抑制了背景信息的表現(xiàn)，此時(shí)由于小概率出現(xiàn)的異常目標(biāo)數(shù)據(jù)與該空間不正交，經(jīng)投影后其與背景數(shù)據(jù)的對(duì)比度變得更強(qiáng)烈，從而突出異常目標(biāo)達(dá)到識(shí)別目的。另一種較為常用的是由Reed和Yu最先提出的RX算法，該算法是將高光譜圖像中異常目標(biāo)數(shù)據(jù)從圖像背景中分離出來，作為一種以局部異常點(diǎn)為目標(biāo)的識(shí)別算法，是分別在異常窗口和背景窗口內(nèi)監(jiān)測(cè)數(shù)據(jù)，可知背景窗口的監(jiān)測(cè)量遠(yuǎn)大于異常窗口，在待識(shí)別圖像數(shù)據(jù)中采用PCA變換使空間向量不具有相關(guān)性，即空間白化且服從高斯分布，在此條件下計(jì)算異常窗口和背景窗口的均值方差，而后與設(shè)定的臨界閾值相比較，判斷數(shù)據(jù)是否為異常數(shù)據(jù)。

高光譜圖像技術(shù)作為現(xiàn)代逐漸崛起的新生事物，具有諸多該領(lǐng)域內(nèi)同類技術(shù)所不具有的優(yōu)勢(shì)，高分辨率光譜信息與空間信息相結(jié)合的特性，兩種信息能在目標(biāo)檢測(cè)識(shí)別時(shí)互相彌補(bǔ)缺陷，這是傳統(tǒng)光學(xué)圖像、多光譜或超高光譜圖像無法相比的。但是也正因如此也讓它擁有高數(shù)據(jù)量、高維度的特點(diǎn)，無法適用傳統(tǒng)圖像的處理算法，加之起步較晚，這無疑對(duì)數(shù)據(jù)處理產(chǎn)生了不小的難度。隨著時(shí)間的推移，各專家學(xué)者研究的進(jìn)一步推進(jìn)，高光譜圖像異常目標(biāo)檢測(cè)技術(shù)會(huì)在越來越多的領(lǐng)域被應(yīng)用，而且使用門檻和成本也在逐漸降低。

參考文獻(xiàn)：

[1]賀霖.高光譜圖像自動(dòng)目標(biāo)檢測(cè)技術(shù)研究[D] . 西安： 西北工業(yè)大學(xué)， 2007.

[2]吳玲達(dá)，姚中華，任智偉. 面向戰(zhàn)場(chǎng)環(huán)境感知的高光譜圖像處理技術(shù)綜述[A].北京：裝備學(xué)院學(xué)報(bào)，2017.

[3]范金華，陳鍛生.高光譜圖像目標(biāo)檢測(cè)研究進(jìn)展[J].微型機(jī)與應(yīng)用，2015，34（16）：8-10，14.

[4]Harsanyi J C.Detection and classification of subpixel spectral signatures in hyperspectral image sequences.Ph.D.dissertation，University of Maryland，1993

作者簡介：

李殊瑤，1992年，漢，女，山西汾陽，碩士研究生，助教，圖像處理。