引言
高光譜遙感採用分光技術，將接收到的電磁波信號色散至一系列細微連續的波段上，分別捕獲記錄對應波段上的電磁波能量，形成高光譜遙感圖像。高光譜圖像在記錄圖像信息的同時，還包含了成像場景中豐富的光譜信息，實現了空間二維信息與光譜維信息的有機結合。基於高光譜圖像的目標檢測識別技術，能夠充分利用其「圖譜合一」的數據特性，在隱蔽目標探測、偽裝目標識別及目標材質屬性判別等方面具有獨特的優勢。
圖 1 高光譜成像信號傳輸過程
高光譜圖像進行目標檢測的一般過程
目標檢測實質是一個二分類問題，將待檢測圖像分解成背景和目標兩類。目標檢測的實質是對待測像元進行背景或目標的二元假設檢驗過程。基本思想是利用目標的奇異性，設計檢測統計量，突出背景與目標像元間的差異，通過閾值分割，判斷當前像元是否為異常目標[1]。
利用高光譜圖像進行目標檢測的一般步驟如圖2所示。顯然，設計檢測統計量和閾值確定是檢測演算法的兩個方面。檢測統計量一般由待檢驗光譜向量，通過統計函數，投影變化求得。統計函數的參數估計精度對檢測演算法性能有著直接影響。有監督的目標檢測演算法中，參數由樣本數據訓練求，而非監督的目標檢測演算法，在樣本數據缺失的情況下，通常以待檢測圖像全部或局部為訓練樣本。
圖 2 目標檢測的一般過程
高光譜目標檢測演算法分類
高光譜目標檢測演算法從1990發展至今已有30年歷史，從基礎目標檢測演算法使用模型來分，可分為基於概率統計模型的檢測演算法、基於子空間模型的檢測演算法、基於線性混合模型的檢測演算法、基於非線性混合模型的檢測演算法。具體分類如圖3所示。
圖 3 高光譜圖像目標檢測演算法分類
1、基於概率統計模型的檢測演算法。基於概率統計模型的異常檢測演算法，假設高光譜圖像的光譜向量，符合一定的概率統計模型。在假設的概率統計模型上，進行統計分析，檢測出圖像中的目標。似然比檢驗(Likelihood Ration, LR)和廣義似然比檢驗(Generalized Likelihood Ratio Test, GLRT)是最經典的假設檢驗的方法[2]。以GLRT為理論基礎，在光譜信號服從多元高斯分布的假設下，I.S.Reed和Xiaoli-Yu提出了經典的RX檢測演算法[3]。
2、基於子空間模型的檢測演算法。高光譜圖像波段間有相關性，說明像元的光譜向量可以在維數小于波段數的子空間中完備描述。這類演算法的基本思路是，通過構建子空間，將待測像元投影至子空間中，增大目標與背景的對比度，實現目標檢測。低概率目標檢測LPD是這類演算法的典型代表。
3、基於線性混合模型的檢測演算法。線性光譜混合模型認為，光譜向量由圖像場景中若干純物質（即端元像元）的光譜按照一定比例（即丰度），線性混合而成。端元數目估計和端元向量提取，是這類演算法的重要環節。
4、基於非線性混合模型的檢測演算法。和線性混合模型不同，在非線性混合模型中，光譜向量由端元向量非線性混合而成。典型的混合模型包括Hapke模型、Kubelk-Munk模型、SAIL模型、PROSPECT模型等[4-7]。基於核函數的檢測演算法是非線性混合模型下目標檢測演算法的研究熱點。
高光譜目標檢測應用
高光譜圖像目標檢測在許多方面都有巨大潛在應用價值。
（1）公共安全。公共場所一般人流量較大且人員複雜，難以及時有效發現和預防異常情況的發生。通過拍攝高光譜圖像並進行檢測分析可以在完全不影響公共場所秩序的前提下，發現衣物等物品表面微量沾附的炸藥、毒品等可疑物及逸漏於空氣中的有毒氣體或生物製劑等可疑氣體，為及早預防異常情況的發生提供可能。
（2）軍事偵察。軍事偵察面臨的主要難題之一就是如何揭露敵方目標的偽裝、隱藏和欺騙。高光譜圖像檢測可以通過對觀測場景中物質光譜特性的定量分析，實現對真假目標之間、目標和偽裝物之間、覆蓋物與周圍正常環境之間的光譜特徵微弱變化的檢測，為揭露偽裝、隱藏和欺騙提供可能。
（3）污染監測。對污染物及時有效的發現是進行污染控制的關鍵。通過航拍等手段採集高光譜圖像並進行檢測，可以在大範圍內快速和準確地發現有害廢水、廢氣排放及海洋原油泄漏等情況的發生地並判斷污染物種類。
（4）食品衛生。食品生產經常是成批大量的，利用高光譜圖像進行檢測可以在不接觸和改變其形態的情況下成批快速地提取食品的農藥殘留、糞便殘留、有害毒素、碰傷及腐敗等相關信息，以有利於進一步的食品衛生控制和等級確認。
（5）星際探索。通過航天探測器上攜帶的成像光譜儀可以獲取外太空星球的高光譜圖像，通過對這些數據的檢測處理及相應的地理化學和地理生物學的分析，可以探索地球以外的其它星球是否存在生命的跡象及有關地質演化歷史等。其它還可應用的方面包括礦物勘探、土壤分析、精準農業、生態保護、醫學診斷及人體生物特徵驗證等。
另外，各種物質在不同的光譜位置和範圍會表現出不同的波譜特性，故可以按光譜位置和範圍的不同對高光譜圖像目標檢測的具體應用對象進行劃分。
中科譜光
中科譜光以促進光譜技術在民生服務、檢測產業發展中的應用為目標，為用戶提供包括光譜數據採集、數據分析處理及行業應用在內的全產業鏈服務。目前已實現水質光譜在線監測、智能潤滑油光譜實時檢測、煤炭熱值快速檢測、文物超光譜掃描成像系統、物證掃描成像分析系統等多方面的應用示範，並可根據用戶需求開展定製化的檢測分析服務，探索更多領域的光譜應用。
文章參考內容來源於網路及發表文獻及圖書，部分參考文獻陳列於文章末尾，其餘內容如有侵權，請及時聯繫我們予以刪除。
參考文獻
[1] 孫康, 耿修瑞, 唐海蓉,等. 一種基於非線性主成分分析的高光譜圖像目標檢測方法[J]. 測繪通報, 2015(001):105-108.
[2] A.Schaum. Hyperspectal Anomaly Detection Beyond RX. Proc. of SPIE.vol.6565, no.3, pp.1036-1042, Nov 2012.
[3] I.S.Reed and X.Yu. Adaptive multiple-band CFAR detection of an optical pattern with unknown spectral distribution[J]. IEEE Trans.Acoustics, Speech, Signal Processing, 1990, 38(10):1760-1770.
[4] Bore C C, Gerstl S A. Nonlinear spectral miximg models for vegetative and soils surface[J]. Remote Sensing of the Environment, vol.47, no.2, pp.403-416, Nov 1994.
[5] Gao B C,Goetzt A F. Retrieval of equivalent water thickness and information related to biochemical components of vegetation canopies form AVIRIS data[J]. Remote Sensing of the Environment, vol.52, no.2, pp.155-162, Mach 1995.
[6] Hapke B. Bidirectional reflectance spectroscopy theory[J]. Journal of Geophysical Research, vol.86, no.11, pp.3557-3561, 1981.
[7] Jacquemoud S, Baret F.PROSPECT:a model of leaf ooptical properties spectra[J]. Remote Sensing of the Environment, vol.34, no.2, pp.75-91, Mach 1990.
每周三晚6:00，期待與您進行思想的碰撞。
