（光学工程专业论文）遥感图像的目标检测方法研究.pdf

摘要摘要近年来，随着遥感技术的发展，遥感图像的目标检测引起了广泛的关注。研究遥感图像的目标检测对于资源勘探，自然灾害评估，军事目标检测和识别等都具有重要的意义。由于受到地表温度以及大气衰减等因素的影响，遥感系统所受到的干扰比普通的地面监控系统更强，干扰有时会大大超过所要检测目标的强度，因此，实现遥感图像的目标检测更具挑战性。本文的工作主要是研究遥感图像的目标检测方法，包括无目标先验信息的异常检测和己知目标先验信息的目标检测，开展了如下工作：1 分析了遥感图像的背景分布特性，提出了一种改进的背景描述方法。首先分析了单波段遥感图像和高光谱图像的统计分布特性，并比较了高斯模型与实际遥感图像背景特性的偏差，在此基础上，提出采用背景高斯化的方法来描述背景，得到了一种基于背景高斯化的单波段遥感图像异常检测方法和一种基于背景高斯化的高光谱图像异常检测方法。2 分析了检测算法中常用的目标模型，并将目标光谱模型应用于序列图像的目标检测。首先分析了单波段遥感图像目标检测算法中常用的目标模型，然后讨论了高光谱图像目标检测算法中的多元高斯模型、奇异值分解模型和自回归模型，在此基础上，将光谱模型应用于序列图像的时域目标检测，得到了一种新的基于时域剖面分析的弱小目标检测算法。3 分析了遥感图像的异常检测方法。首先介绍了基于亮度聚类的异常检测算法的优缺点，以此为基础，提出利用背景分解的思想来描述复杂背景的影响，并采用二维纹理分割来实现复杂背景分解，得到了一种基于二维纹理分割的单波段遥感图像的目标检测算法。接着分析了高光谱图像的特点和高光谱图像异常检测的经典算法r x 算法，将背景分解的思想应用于高光谱图像的异常检测，并对二维纹理分割方法进行扩展，获得了一种基于三维纹理分割的高光谱图像异常检测算法。4 分析了遥感图像的目标检测方法，根据目标大小与成像系统分辨率的关系，分别讨论了高光谱图像的全像素目标检测方法和亚像素目标检测方法，重点分析了k e h y 检测法，自适应余弦估计法和自适应子空间匹配法三种高光谱图像亚像素目标检测方法。将背景分解的思想应用于高光谱图像的目标检测，给出了一种基于背景分解的全像素目标检测法和三种基于背景分解的亚像素目标检测方法。关键词：目标检测，异常检测，背景分解，纹理分割，高斯分布。a b s t r a c ti i ia b s t r a c ta l o n g 诚斑t h ed e v e l o p m e n to fr e m o t es e n s i n g , t a r g e td e t e c t i o ni nr e m o t es e n s i n gi m a g e sa t t r a c t sm o r ea n dm o r ea t t e n t i o n si nr e c e n ty e a r s t a r g e td e t e c t i o ni nr e m o t es e n s i n gi m a g e si so fg r e a ti m p o r t a n c ei nav a r i e t yo fa p p l i c a t i o n ss u c ha sr e s o u r c e ss u r v e y , d i s a s t e re v a l u a t i o n , a n dm i l i t a r yt a r g e td e t e c t i o ne t c f o rt h ea f f e c t i o no fl a n dt e m p e r a t u r e ，a t m o s p h e r ea t t e n u a t i o na n dr e m o t es e n s i n gs y s t e m s ，t h ei n t e r f e r e n c e si nr e m o t es e n s i n ga r em o r es e v e r et h a nc o m m o ns u r v e i l l a n c es y s t e m s0 1 1l a n d ，w h i c ha r et h ek e yc h a l l e n g eo ft a r g e td e t e c t i o ni nr e m o t es e n s i n gi m a g e s i nt h i sa r t i c l ew ew i l li n v e s t i g a t et a r g e td e t e c t i o ni nr e m o t es e n s i n gi m a g e si n c l u d i n ga n o m a l yd e t e c t i o na n dt a r g e td e t e c t i o n n l ef o l l o w i n gw o r k sa r ec a r r i e do u t 1 b a c k g r o u n dm o d e l si nt a r g e td e t e c t i o na l g o r i t h m sa n dt h e i rd i s a d a v a n t a g e sa r ea n a l y z e d ，b a s e d0 1 1w h i c han e wm o d e li sp r o p o s e d f i r s t , t h ed i s t r i b u t i o no fg r a ys c a l ei m a g e sa n dh y p e r s p e c t r a li m a g e si sd i s c u s s e d a n dt h ed e r i v a t i o no fg a u s s i a nm o d e la n dr e a lb a c k g r o u n dd i s t r i b u t i o ni sa l s oe v a l u a t e d t h r o u g ha r 迸y z i n gt h el i m i t a t i o no fg u s s i a nm o d e l ，w ep r e s e n tan e wa n o m a l yd e t e c t i o na l g o r i t h mb yt r a n s f o r m i n gb a c k g r o u n di n t og a u s s i a ns p a c e ，a n dt h eg a u s s i a nt r a n s f o r m a t i o nb a s e dm o d e li sa l s oe x t e n d e dt ot h eh y p e r s p e c t a li m a g e s 2 t a r g e tm o d e l si nt a r g e td e t e c t i o na l g o r i t h m sa r er e v i e w e da n da l la p p l i c a t i o no fat a r g e ts p e c t r a lm o d e li sa d d r e s s e d 弧et a r g e tm o d e l si nb o t hg r a ys c a l ei m a g e sa n dh y p e r s p e e t r a li m a g e sa r ed i s c u s s e de s p e c i a l l yh y p e r s p e e t a lt a r g e tm o d e l ss u c ha sm u l t i d i m e n s i o n a lg a u s s i a nm o d e l ，s i n g u l a rv a l u ed e c o m p o s i t i o nm o d e l ，a n da u t o r e g r e s s i o nm o d e l b yc o m p a r i n gt h es i m i l a r i t yo ft a r g e tm o d e l si nh y p e r s p e c t r a li m a g e sa n dt e m p o r a lp r o f i l e so fs e q u e n c ei m a g e s ，w ea p p l yat a r g e ts p e c t r a lm o d e lt ot e m p o r a lb a s e dt a r g e td e t e c t i o ni ni n f l a t e di m a g es e q u e n c ea n dp r e s e n tan e wt e m p o r a lp r o f i l eb a s e ds m a l lm o v i n gt a r g e td e t e c t i o na l g o r i t h mi ni n f r a r e di m a g es e q u e n c e e x p e r i m e n t 、i mr e a li n f r a r e di m a g es e q u e n c eh a sp r o v e dt h ev a l i d i t yo ft h en e wa p p r o a c h 3 a n o m a l yd e t e c t i o na l g o r i t h m sa r ed i s c u s s e d f i r s t , ad e t e c t i o na l g o r i t h mb a s e do ng r a ys c a l ed u s t e ri sa n a l y z e d ，a n dab a c k g r o u n ds e g m e n t a t i o nm o d e li sp r o p o s e dt oa v o i dt h ei n f l u e n c eo fc o m p l e xb a c k g r o u n d , w i t hw h i c han e wa l g o r i t h mi sd e v e l o p e db yi n t r o d u c i n g2 dm a r k o vm o d e lt os e g m e n tc o m p l e xb a c k g r o u n di n t oh o m o g e n o u sr e g i o n s t h e nt h ec h a r a c t e r i s t i co fh y p e r s p e c t r a li m a g ei sa n a l y z e da sw e l la st h ei v遥感图像的目标检测方法研究l i m i t a t i o no ft h er xa l g o r i t h m t h eb a c k g r o u n ds e g m e n t a t i o nm o d e li sa l s oe m p l o y e d w eh a v ee x t e n d e dt h e2 dt e x t u r es e g m e n t a t i o nm o d e lt o3 dt om o d e lh y p e r s p e c t r a li m a g e s ，a n do b t a i n e dan e wt e x t u r es e g m e n t a t i o nb a s e da n o m a l yd e t e c t i o na l g o r i t h mi nh y p e r s p e c t r a li m a g e s 4 t a r g e td e t e c t i o na l g o r i t h m sa r ee x a m i n e d a c c o r d i n gt ot h er e l a t i o n s h i pb e t w e e nt h er e s o l u t i o no fi m a g i n gs y s t e m sa n dt a r g e t ss i z e ，s e v e r a lf u l l - p i x e ld e t e c t i o na l g o r i t h m sa n ds u b - p i x e la l g o r i t h m sa l ed i s c u s s e de s p e c i a l l yt h ek e n yd e t e c t i o na l g o r i t h m ，t h ea d a p t i v ec o s i n ee s t i m a t o ra l g o r i t h m ，a n dt h ea d a p t i v eb a c k g r o u n ds u b s p a c ea l g o r i t h m e m p l o y i n gt h ei d e ao ft h eb a c k g r o u n ds e g m e n t a t i o nm o d e l ，an e wb a c k g r o u n d - s e g m e n t a t i o n - b a s e df u l l - p i x e lt a r g e td e t e c t i o na l g o r i t h mi sp r e s e n t e d a n dt h r e eb a c k g r o u n d s e g m e n t a t i o n - b a s e ds u b - p i x e lt a r g e td e t e c t i o na l g o r i t h m sa l ea l s op r e s e n t e di n c l u d i n gb a c k g r o u n ds e g m e n t a t i o nb a s e dk e l l ya l g o r i t h m ，b a c k g r o u n ds e g m e n t a t i o nb a s e da d a p t i v ec o s i n ee s t i m a t o ra l g o r i t h m ，a n db a c k g r o u n ds e g m e n t a t i o nb a s e da d a p t i v eb a c k g r o u n ds u b s p a e ea l g o r i t h m k e yw o r d s ：t a r g e td e t e c t i o n , a n o m a l yd e t e c t i o n , b a c k g r o u n ds e g m e n t a t i o n , t e x t u r es e g m e n t a t i o n , g a u s s i a nd i s t r i b u t i o n 独创性( 或创新性) 声明本人声明所呈交的论文是我个人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别标注和致谢中所罗列的内容以外，论文中不包含其他人已经发表或撰写过的研究成果；也不包含为获得西安电子科技大学或其他教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中做了明确的说明并表示了谢意。申请学位论文与资料若有不实之处，本人承担一切相关责任。本人签名：日期炒歇，lo关于论文使用授权的说明本人完全了解西安电子科技大学有关保留和使用学位论文的规定，即：研究生在校攻读学位期间论文工作的知识产权单位属西安电子科技大学。本人保证毕业离校后，发表论文或使用论文成果时署名单位仍然为西安电子科技大学。学校有权保留送交论文的复印件，允许查阅和借阅论文；学校可以公布论文的全部或部分内容，可以允许采用影印、缩印或其他复制手段保存论文。本人签名：导师签名：日期占、p日期铷0 、6 、吣第一章绪论第一章绪论遥感霉像的羁标捡测是遥感信息处理领域的一个重要研究课题，是大范围地面信息获取的重要途径。本章首先介绍遥感图像目标检测的研究背景和研究意义，接着讨论遥感图像目标检测方法的国内外研究现状，并进一步分析现有鹭标检测方法的优缺点，提出本文的研究对象、范围和研究方向，在此基础上介绍本文开展的工作研究背景和研究意义遥感( r e m o t es e n s i n g ) - - 词自1 9 6 0 年正式出现在美国一项军事科研计划中，并于1 9 6 2 年密执安大学等单位举办的第一届环境遥感学术讨论会上正式采用以来，已经成为全球广泛传播的高科技名词术语之一。简单地理解，遥感就是“遥远感知挣的意思。“遥感是透过不与物体、区域或现象接触获取调查数据，并对数据进行分析得到物体、区域或现象有关信息的- - v j 科学技术f l 】。1 9 7 2 年，美国发射了第一颗地球资源技术卫星( e r t s 1 ) ，后更名为陆地卫星1 号( l a n d s a t - 1 ) ，这标志着地球遥感时代的开始1 2 j 。自此以后，美国发射了一系列陆地卫星，包括陆地卫星2 号至7 号。上个世纪8 0 年代，因际遥感发展最具有标志性的成果是成像光谱仪的产生，其生成的高光谱图像不仅具有空闻分布信息，还具有光谱分布信息。1 9 8 3年，美囡喷气推进实验室l ) 研制成功了第一台成像光谱仪【3 】【4 】，随后，出现了很多高光谱系统，特别是美国盼航空可见光，红外成豫分光诗( a v i r i s ) 5 1 和超光谱图像收集实验仪：i 器r ( h y d i c e ) 6 1 ，先后开展了多次实验，获取了大量的第一手资料。我国在高光谱遥感领域的发展也十分迅速。晕在二+ 世纪九十年代中后期，在高光谱成像仪的研制方面已经取得了令人瞩目的成就，p h i - i 、p h i i i 和o m i s 高光谱成像系统相继研制成功i 7 儿8 j ，并取得了多项技术突破。遥感图像的爵标检测是随着遥感的发展丽兴超的一项新技术，具有覆盖范围广、作用距离远、执行效率高等方面的优点，有着重要的军事意义和民用价值。在军事方面，可以实现对敌对国家和地区缝面状况的监视，债察对方的军事设施，导弹发射井以及在具体的作战当中帮助分析局部的地形等；在民用方面，可以实现森林火险的监测，病虫害的评估以及洪涝灾害的预防、预报等。另外，海洋水色遥感可以对海洋生态系统进行监测，对海洋渔业资源开发以及对海洋环境、海岸冲淤、近岸水体污染状况、赤潮及有害藻类爆发等都有重要的意义。2遥感图像的目标检测方法研究遥感利用地面上空的飞机、飞船、卫星等飞行器上的遥感器收集地面数据资料，经记录、传送、配准【9 j 、分析来获取地物信息。遥感技术相对于地面观测具有如下优点：1 信息获取范围广。遥感采用的航拍飞机飞行高度一般可达数公里，陆地卫星的轨道高度可达数百公里，从而可以获取大范围内的信息。2 信息获取速度快，周期短。由于卫星围绕地球运转，能及时获取所经地区的各种最新资料，以便更新原有资料，或根据新旧资料的变化进行动态监测，这是人工实地测量无法比拟的。3 信息获取所受条件限制少。很多地方，如沙漠、沼泽、崇山峻岭等，自然条件极为恶劣，人类难以到达，采用不受地面条件限制的遥感技术，特别是航天遥感，可方便及时地获取各种宝贵资料。4 信息获取手段多样，信息量大。根据不同的任务，遥感技术可选用不同的波段和遥感仪器来获取信息。可采用可见光探测物体，也可采用紫外波段，红外波段和微波探测物体。遥感是利用地物对电磁波的反射、吸收和辐射特性，实现对地表信息的获取，图1 1 为遥感的示意图：7 、广、蛾- ，、 懈销v 从图1 1 中可以看出，遥感应包括最前端的目标和背景，中间作为传输媒介的大气，接收辐射和反射信息的遥感器以及后续的信息处理和最终的应用【2 】【l o l 。而目标检测恰好处于其中的信息处理部分，不仅受到目标和背景本身的影响，还受到大气效应以及成像系统的影响，需要进行深入研究。遥感图像的目标检测研究的是天基平台下的目标信息获取，与传统地基平台的目标检测有很大的不同，由于受到地表温度以及大气衰减等因素的影响，遥感系统所受到的干扰，比普通的地面监控系统所受干扰更强，干扰有时会大大超过第一章绪论所要检测目标盼强度，因此，从较强的干扰中检测出所需要的目标来，具有重要的现实意义。根据遥感数据的不同，遥感图像的目标检测分为单波段遥感图像的目标检测和高光谱图像的目标检测。单波段遥感图像的目标检测是遥感图像目标检测的基础，对其进行扩展便可以用于多光谱甚至高光谱图像的目标检测。在实际的遥感应用中，虽然多光谱和高光谱遥感可以大幅增加目标检测的可用信息，但在相同条件下，多光谱和高光谱图像比单波段遥感图像的空间分辨率低，并且多光谱图像和高光谱图像也由于数据量大而不利于实时处理【l l 】【1 2 】【1 3 1 。一个常用的方法便是利用单波段遥感图像进行预处理，发现可疑目标，进而利用多光谱和高光谱图像进行后续处理，这样既可以提高检测精度又可以保证运行速度【1 4 儿1 5 】。对于单波段遥感图像，其记录的仅仅是地表辐射和反射的强度信息，由于大气效应的影响，成像系统的噪声以及地表干扰的复杂多变，单波段遥感图像的目标检测可利用的信息少，目标检测较困难。高光谱图像的目标检测是引入光谱信息后的目标检测，比单波段遥感图像的目标检测更复杂【1 6 1 ，与高光谱遥感密切相关【1 7 1 。高光谱遥感可以在许多很窄的毗边光谱波段( 包括整个可见光、近红外、中红外和远红外的部分光谱) 获取数据，能够采集2 0 0 甚至更多个波段的数据，光谱分辨力可达o o l l g n ，这样可以为场景中的每一个像素点提供连续的光谱。高光谱遥感信息不仅包括场景的空间分布信息，还包括场景的光谱信息，通过对目标光谱的分析，可以实现目标真伪的分辨，并进一步根据目标的光谱特征鉴别出目标的类别，利用目标光谱和背景光谱的差异来提取和识别目标，也是高光谱目标检测的主要方法。图1 2 是高光谱图像的示意图。图1 2 高光谱图像示意图4遥感图像的目标检测方法研究图1 2 中，a 是土壤，b 是湖边水体和土壤的混合，c 是纯水体，图中的曲线分别是三者的光谱曲线，从中可以看出，这三类地物类型具有各自不同的光谱曲线，各自的光谱曲线具有各自不同的特征，检测出不同的光谱曲线便可以实现目标的检测。1 2 遥感图像目标检测方法的研究现状遥感图像的目标检测以其重要的军事和民用价值，在近二十年来得到了飞速发展。随着多光谱和高光谱遥感的出现，目标检测方法依据待检测目标类型的不同，分为异常检澳1 ( a n o m a l yd e t e c t i o n ) 和目标检测( t a 玛e td e t e c t i o n ) 博j 。所谓异常检测，即在无目标先验信息的条件下，检测图像中与周围背景像素具有显著不同的异常点。所谓目标检测，即在已知目标先验信息( 如大小，形状，分布等) 的条件下，检测图像中是否含有日标点。本文为了统一起见，对单波段遥感图像和高光谱图像都分为异常检测和目标检测进行讨论。由于遥感图像的目标检测总是在特定场景中发现待检测目标，因此，遥感图像的背景特性和目标本身是目标检测中两个重要的方面。下面首先讨论遥感图像的背景和目标，在此基础上，讨论遥感图像的异常检测和目标检测。1 2 1 遥感图像的背景分析背景是遥感图像目标检测中的一个重要影响因素，分析遥感图像的背景分布特性，进而找到合适的背景描述模型可以很好地提高检测算法的性能。在单波段和高光谱遥感图像的目标检测中多采用高斯模型来描述背景像素的分布特性，以此为基础，分析各个像素点在该模型下的分布情况，则那些与模型偏差较大的点便是可能的异常点【1 9 】【2 0 】【2 1 1 。但实际上，背景受多方面影响，有很大的不确定性，一般都或多或少地偏离高斯分布 2 2 1 1 2 3 1 。因此，b a s h a l ：n i 等人便引入k分布来描述背景【2 4 】。而另一位研究者b e r n h a r d t 在研究了高光谱图像的肥尾( f a t t a i l )特性后，采用丫分布模型来描述高光谱图像的背景分布1 2 5 j 。随后，m a r d e n 和m a n o l a l d s 在分析高光谱图像统计特性的基础上，又指出利用椭球等高t 分布来描述高光谱图像的统计特性 2 6 1 2 7 2 引，比高斯模型具有更好的性能。另外，也有一些其他的模型被用来描述高光谱图像的背景分布 2 9 1 。但由于背景的多变性和复杂性，即使新的模型也很难对其进行准确描述，而且新模型在理论上远没有高斯模型完善。为了克服这一矛盾，c h a p p l e 认为可以利用背景高斯化的方法【3 0 】【3 i 】来进行目标实际上，单波段遥感图像并不刻意区分异常检测和目标检测第一章绪论检测，即首先将原始图像进行人为的高斯化处理，使其符合高斯分布，然后再继续使用高斯模型进行后续处理。但该方法仅仅基于一个设想，并没有给出任何理论依据，也没有深入分析如何利用背景高斯化。实际上，高斯模型在很多领域都有应用，因此，分析遥感图像的分布特性，讨论背景高斯化的理论依据，对于改善遥感图像背景分布特性的描述有重要研究意义。1 2 2 遥感图像的目标分析目标在遥感图像的目标检测中也同样具有重要地位，目标模型的优劣直接影响目标检测算法的性能。在单波段遥感图像目标检测中，常用的模型是大小特征模型，形状特征模型，灰度分布特征模型，纹理特征模型和不变矩模型等。然而，由于目标的多样性，不同的目标，其描述模型也可能有很大的差别，对一类目标合适的模型对于其他目标可能完全不适用。因此，研究单波段遥感图像的目标模型需要和具体应用相结合。针对特殊的应用背景，提取目标特有的特征，才可以准确地检测出目标。如桥梁、典型建筑物，道路等含有丰富线状特征的目标，可以用h o u g h 变换结合具体目标的形状特征来实现e 3 2 j 。高光谱图像不仅具有空间分布信息还具有光谱分布信息，每一个像素对应一条确定的光谱，这一光谱反应了该像素的辐射和反射特性。高光谱的目标模型需要充分考虑高光谱图像的光谱特性，与高光谱图像的背景模型一样，目标模型也可以用多元高斯分布描述p 3 1 ，然而，高光谱图像的目标像素数往往只占场景中很少一部分，此时，很难估计多元高斯模型的全部参数，为此很多研究者采用背景的协方差矩阵来代替目标的协方差矩阵，虽然这会带来一些偏差，但却取得了很好的实用效果。随后，出现了一种奇异值分解模型 3 4 1 ，该模型利用大气辐射传输计算软件来模拟大气变化对目标光谱的影响，得到各种天气条件下的目标光谱，然后采用奇异值分解来提取这些光谱的不变特征。由于该方法完备地描述了大气对目标成像的影响，有很强的实用价值。此后，又出现了一种自回归模型【3 5 】，该模型将高光谱图像的目标光谱曲线看作一自回归过程，自回归模型的参数，便表征了光谱的特征，利用该特征便可实现高光谱图像的目标检测。由以上论述可知，高光谱图像的目标光谱可以用严格的数学模型描述，模型的参数便代表了该光谱的特征。而序列图像中各个像素点的时域特性( 序列图像的时域特性是指，凝视成像系统在拍摄一幅场景时，各个像素点的灰度值随着时间的变化形成的曲线)恰好与高光谱图像的光谱曲线类似【3 5 】p 6 】【3 7 】，将描述高光谱目标的光谱模型应用于序列图像时域特性的描述，将会改善序列图像的时域特性描述，提高序列图像目标检测的性能。6遥感图像的目标检测方法研究1 2 3 遥感图像的异常检测在实际的遥感图像目标检测中，获取目标本身的信息有时会十分困难，而目标又由于大气传输，背景以及成像设备等方面的影响，先验信息缺乏，此时异常检测便引起了广泛关注。单波段遥感图像的异常检测常用的方法有全局统计分析法和局部统计分析法。全局统计分析法主要是统计一幅场景的全局信息，根据异常和背景的分布特性进行检测【1 8 】【3 9 】。局部统计分析法主要是通过一个滑动的窗体在整幅场景中滑动，进而统计窗口内异常和背景的差异，来实现异常的检测，常用方法是南加利福尼亚大学i r v m gs r e e d 教授领导的小组提出的一系列检测方法【4 0 】【4 1 1 。该类算法也是目前单波段遥感图像异常检测中常用的一类方法。全局统计分析法的一个明显的缺点就是检测结果受背景复杂度的影响，如果背景相对干净，则异常便可以被很容易地检测，当背景十分复杂时，该类算法就无能为力了。而局部统计分析法，虽然解决了复杂背景问题，但却受到异常大小的制约。由于检测方法在执行之前，所使用的滑动窗口的大小就已经确定了，这就导致当所要检测的异常大小超过滑动窗口时，其检测性能就会显著下降。实际上，由于异常的不确定性，各种物体，包括人、建筑物、车辆以及人工改造的地貌等都可能成为我们关注的异常，不同的异常在遥感图像中所占的大小也从几个像素到上百个像素不等，因此，寻找一种不受异常大小和形状限制的检测算法，为后续的识别解译提供基础支撑，便成为一个亟待解决的问题，也更具有现实意义和军事意义。为了克服异常大小和形状的限制，c a r l o t t o 提出一种基于聚类的异常检测算法( c b a d ) 1 3 9 1 ，认为图像可以划分成一个一个的聚类，在各个聚类上灰度分布近似符合高斯分布，那些不符合高斯分布的像素点便可能是异常点。但该文献给出的聚类算法仅以灰度值的高低为基准进行聚类，整个聚类的流程类似于对一幅图像进行由多灰度级到少灰度级的量化，很明显，由此得到的各个聚类上的灰度分布并不符合高斯分布，但是该算法却提供了一种摆脱异常大小和形状限制的解决思路。由于背景一般变化缓慢，分块处理的局部统计分析法基本可以保证窗体内的背景是单一的。从中不难看出：只要能保证背景在整个处理过程中近似均一，就能满足检测算法的要求，也就是说，并不需要一个固定大小的滑动窗口，该窗口可以是任意形状的，但是窗口中背景必须满足单一或近似单一的条件。这一点也是本文后续给出改进算法的出发点。高光谱遥感图像的异常检测，最初采用的方法是通过通道筛选、数据合成并辅助人工解译的方式进行。随着遥感数据的增多，遥感手段的丰富，这种半自动的人工解译方式显然已经不合适了。采用计算机技术的自动检测方法得到了快速第一章绪论7发展【4 2 】【4 3 j 【矧。在上个世纪7 0 年代末，美国亚利桑那大学的h u n t 和洛斯阿拉莫斯实验室的c a n n o n 两位学者指出，一幅图像的局部灰度统计特性可以用高斯分布进行描述【4 2 】。此后r e e d 教授和另一位学者y u 便利用这一性质，提出了一种多光谱恒虚警率异常检测算法，也就后来著名的r x 算法1 4 6 1 ，随后出现了很多以该算法为基础的改进算法【4 7 1 1 4 引。但r x 算法在计算过程中要求预先知道异常的形状和大小信息，而通常情况下这些信息可能是无法获得的。为了克服r x 算法需要预知异常大小和形状的限制，s t e i n1 4 9 j 等人给出了一种新的判据，采用背景的协方差矩阵和均值向量来描述背景，进而实现异常检测，并进一步证明了该准则与r x 算法在检测单像素时是等价的。但是r x 算法及上述改进算法，其基础是仍然是h u n t 和c a n n o n 的局部高斯模型，有文献指出h u n t 和c a n n o n 的局部高斯模型在描述复杂背景时存在缺陷【5 0 1 。近年来，k w o n 等人针对异常检测提出一种模板匹配的方法【5 l 】【5 2 1 ，c h i a n g 等人提出了一种投影跟随算法【5 3 1 ，小波分析也被引入到异常检测中【5 4 1 。此外，也出现了一些其他方法【5 5 】【5 6 】【5 7 】【5 8 1 。国内在这方面的研究也日趋活跃，并取得了一系列的研究成果。国防科技大学的李智勇等人研究了基于主成分分析的异常检测方法f 5 9 1 。中科院遥感所的张兵等人【删提出了一种基于凸面体投影的异常检测方法。武汉大学的陈蜜等人研究了动力演化算法在投影寻踪算法中的应用【6 l 】。哈尔滨工业大学的谷延锋等人研究了基于光谱解译的异常检测方法【6 2 】。西北工业大学的贺霖等人提出了一种基于量测重构的异常检测方法 6 3 1 。以上所述的各种方法在描述背景时与r x 算法类似，大多是将高光谱数据看作一随机向量场，采用单一的互相关矩阵或者协方差矩阵来描述背景，都没有涉及复杂背景问题。这类处理方法与物理事实并不相符，一幅图像中往往含有草地、灌木、水体等不同背景形态，是一个复合的场景，对不同的背景形态采用同样的背景模型，显然会带来较大的偏差。当所要处理的场景比较简单、单一时，算法的效果较好；当背景十分复杂时，算法的性能就会有显著下降。因此，复杂背景的影响也是制约自动异常检测的一个重要原因。如何将复杂背景简单化，是提高异常检测算法性能的主要突破点。1 2 4 遥感图像的目标检测目标检测主要是通过建立已知目标的描述模型，进而在场景中检测是否含有目标点。早期的单波段遥感图像由于仅具有地面场景的空间分布信息，因此相应的目标检测也是利用目标的空间分布信息。其中最早的目标检测方法是模板匹配法，该方法选取已知目标的图像作为模板，然后在场景中匹配是否含有目标。模板匹配法简单方便，但也有很大的缺陷，由于模板在选定之后，目标的大小和形8遥感图像的目标检测方法研究状已经固定了，当场景中的目标出现缩放、平移和旋转时，该方法便很难给出准确的检测结果。因此，先后出现了不变矩法【6 7 l ，纹理特征描述、法【醴1 ，小波特征描述法1 6 州等等方法。但由于遥感目标的多样性，不同的目标，其描述模型也可能千差万别，相应的目标检测方法也有很强的针对性。研究单波段遥感图像的目标提取算法需要和具体的应用相结合。针对特殊的应用背景，提取目标特有的特征，才可以准确地检测出目标。对于高光谱图像目标检测，主要是通过建立已知目标的光谱模型，进而在图像中匹配实现目标检测。依据成像分辨率和目标大小的关系，高光谱图像的目标检测分为全像素目标( f u l l - p i x e lt a r g e t ) 检测和亚像素目标( s u b p i x e lt a r g e t ) 检测。全像素目标检测是指待检测的目标可以充满整个像素，而亚像素目标检测是指目标并不能充满整个像素，该像素为目标与其周围背景的混合。最早出现的全像素目标检测方法是基于整波形特征的光谱曲线匹配方法，通过比较待测光谱和参考光谱的相似度来检测目标【3 3 】。实际上目标和背景本身由于受到大气传输，成像系统等各方面的影响，有很大的不稳定性，相同的目标在不同地点、不同时刻，成像可能会有很大差异，仅仅是光谱匹配显然是不合适的。s c h a r f 等人便提出了目标子空间的概念 7 0 1 来表示目标可能受到的影响。随后，h e a l e y 等人研究了目标光谱在不同条件下的不变特征量 3 4 1 。意大利的a c 确等人给出一种基于极大似然比检验的全像素目标检测方法【7 1 1 ，并得到了广泛应用。亚像素目标检测方法，开创性的成果来自于麻省理工学院林肯实验室的k e l l y 给出的k e l l y 检测法 7 2 7 3 】，该方法最早的设计目的是为了雷达信号的检测，后来被广泛应用于高光谱图像的亚像素目标检测。在上个世纪9 0 年代初，该实验室的另外一名研究人员r o b c y 对该方法进行了改进，给出一种自适应匹配滤波算法 7 4 1 。此后，科罗拉多大学的k r a u t 提出一种新的方法，采用待测信号和目标信号的比值作为检测量度【7 5 】【7 6 1 。在2 0 0 1 年，同样来自于林肯实验室的m a n o l a k i s 转向另一种思路，从背景子空间分析的角度对亚像素目标进行检测r 7 7 1 。近年来，许多新的方法被用于亚像素目标检测，b r u c e 等人将离散小波变换引入到亚像素目标检测【7 引，r o b i l a 等人利用高维分析方法进行亚像素目标检钡f j 7 9 ，l i u 等人采用子空间选择的方法来进行目标检测【舳】。b a j o r s k i 等人给出一种自适应平滑的方法【8 1 1 ，c h a n g 等人将高光谱图像数据看作高维空间中的点，采用投影的方法将数据投影到低维进行目标检测【8 2 】【8 3 1 1 8 4 1 ，也有基于此类思想的其他方法出现 8 5 1 s 6 。另外，支持向量机法【8 7 1 1 8 8 1 1 8 9 1 和阈值法【9 0 】f 9 1 1 也被用来进行目标检测。也有一些其他的方法被陆续提出【9 2 】郾】【舛】。但以上已知目标光谱信息的目标检测方法，关注点多集中于目标本身。在进行检测时更多考虑的是目标的描述，在处理背景时基本上仍然沿袭单一相关矩阵或协方差矩阵的处理思路，同样没有涉及复杂背景问题。而采用投影降维的方法在数学上等效于对高光谱数据进行坐标变换，由于背景的复杂性，目标和背景存在耦合，单纯的坐标变换，在物第一章绪论9理上并不改变背景本身的属性，因此，投影降维的方法并不能从根本上解决目标和背景的耦合问题，该方法只是寻找一种最大区分背景和目标的尺度，另外，投影和降维还有可能损失目标信息【9 5 】。与高光谱图像的异常检测一样，将复杂背景简单化，将会提高目标检测算法的性能。1 3 1 研究内容1 3 本文的研究内容本文的工作主要是针对遥感图像中目标与背景的成像特性，研究遥感图像的目标检测，包括无目标先验信息的异常检测和已知目标先验信息的目标检测。具体内容如下：分析了遥感图像的背景分布特性，并比较了高斯模型与实际遥感图像分布特性的偏差。在假设单一地表遥感图像灰度起伏符合m a r k o v 模型的条件下，讨论并分析了理想单一地表灰度起伏应符合高斯分布。将这一结果应用于遥感图像的异常检测，得到了一种基于背景高斯化的单波段遥感图像异常检测方法，并将该模型进行推广，应用于高光谱遥感图像的异常检测。分析了遥感图像目标检测中常用的目标模型，介绍了单波段遥感图像目标检测方法中的几种常用模型，以及高光谱图像中的多元高斯模型、奇异值分解模型、线性混合模型和自回归模型。根据光谱模型和序列图像时域特性的相似性，将光谱模型应用于序列图像的时域目标检测，得到一种基于光谱模型的序列图像时域目标检测算法。分析了基于亮度聚类的遥感图像异常检测算法的优缺点，以此为基础，提出了一种基于二维纹理分割的异常检测算法。采用二维高斯马尔可夫场来描述单波段遥感图像的背景分布特性，进而实现了单波段遥感图像的背景分解，克服了目标检测中复杂背景的影响。并进一步分析了高光谱图像的成像特点，对二维纹理分割的思想进行拓展，给出了一种三维纹理模型。采用三维高斯马尔可夫场来描述高光谱图像的背景分布特性，将该方法与传统的r x 算法相结合得到了一种新的基于纹理分割的高光谱图像异常检测算 壮t e x t u r e r x 算法。分析了遥感图像中常用的目标检测方法，重点分析了高光谱图像目标检测的经典算法，详细分析了全像素目标检测方法和k e l l y 检测法、自适应余弦估计法以及自适应子空间匹配法三种亚像素目标检测法。将背景分解模型应用于高光谱图像的目标检测，分别得到了四种新的基于背景分解的目1 0遥感图像的目标检测方法研究-一标检测方法，分别是基于背景全像素目标检测法，基于背景分解的k e l l y检测法，基予背景分解龅自适应余弦估计法和基于背景分鳃的叁适应子空间匹配法。1 3 2 章节安排本文共分六章，其主要结构安排和内容如下：第一章绪论。主要概述了遥感图像目标检测的研究背景、意义以及国内外发展情况，并在此基础上介绍了本文开展购工作。第二章遥感图像的背景分析。分析了遥感图像的背景分布特性，并比较了高紧模型和遥感图像背景分布特性的偏差，给出一种背景离斯化模型，并将背景高斯化模型应用于单波段遥感图像和高光谱图像的异常检测。第三章遥感图像的目标分析。分析了遥感图像目标检测中常用的星标攒述模型，并将高光谱目标光谱模型进行推广，应用于序列图像的时域目标检测，给出一种基于光谱模型的序列图像时域目标检测算法。第四章遥感图像的异常检测。在分析基予亮度聚类的异常检测算法的基础上，提出一种基于纹理分割的遥感图像目标检测算法，利用二维马尔可夫模型描述不同背景的影响。然后，分析了高光谱图像的特性，将二维马尔可夫模型进行推广，得到了三维马尔可夫模型，并估计了三维马尔可夫模型的参数，得到了一种基于三维纹理分割的高光谱图像异常检测算 法- - t e x t u r e - r x 算法。第五章遥感图像的目标检测。分析和介绍了一些常用的目标检测方法。根据目标大小和成像分辨率的关系，分别论述了高光谱遥感图像全像素和亚像素目标检测。结合已经提出的背景分解处理的思想，给出了一种基于背景分解的全像素和三种基于背景分解的亚像素目标检测方法。第六章全文总结。对本文完成的王作进行总结和概括，并指逝今后工律的重点和内容。1 3 3 本文的创新点在假设单一地表遥感图像灰度起伏符合m a r k o v 模型的条件下，讨论并分析了理想单一地表灰度起伏符合高颠分布。将这结果应用于遥感图像的异常检测，得到了一种基于背景高斯化的单波段遥感图像异常检测和一种基于背景高斯化的高光谱图像异常检测。将高光谱磊标光谱模型应用子序歹| j 图像的时域雷标检测，得到种新的基第一章绪论1 1于时域剖面分析的运动弱小目标检测方法。首先，根据不同时域剖面的产生机理，建立一个统一的模型进行干净背景滤除，进而采用时域剖面的包络线作为检测基线，并最终得到一个目标检测的量度。提出了利用背景分解的思想来描述复杂背景的影响，采用二维纹理分割来实现单波段遥感图像的复杂背景分解，将背景分解成一系列简单背景的叠加，以此为基础进行目标检测，突破了目标检测中目标大小和形状的限制以及复杂背景的影响。将背景分解的思想应用于高光谱图像的复杂背景分解，考虑高光谱图像的光谱维，利用三维纹理分割实现高光谱图像的复杂背景分解，得到了一种新的基于三维纹理分割的高光谱图像异常检测算法。将背景分解模型应用高光谱遥感图像的目