題目：
基于光譜感知和時空張量分解的高光譜時間序列目標檢測
應用關鍵詞：
復雜背景、高光譜序列、高光譜目標檢測、時空張量分解、光譜感知
背景：
在軍事領域，敵方常常采用偽裝手段來掩蓋軍事目標，增加其隱蔽性和生存能力。因此，軍事偽裝目標檢測對于提高軍事情報獲取和目標識別的效能至關重要。準確檢測偽裝目標有助于及時發現潛在威脅，提供決策制定所需的關鍵信息，增強軍事作戰的戰略優勢。高效的軍事偽裝目標檢測技術能夠為軍隊提供戰場態勢認知的深度和廣度，為作戰指揮提供有力的支持，從而在復雜多變的軍事環境中確保國家安全。
高光譜目標檢測利用豐富的光譜信息，能夠捕捉目標表面的細微光譜特征，具有較高的光譜分辨率。這使得高光譜技術在目標識別和分類方面表現出色，尤其在復雜背景下仍能準確區分目標和非目標。高光譜數據的大量波段提供了更全面的信息，使其對偽裝手段更為敏感。因此，高光譜目標檢測在軍事、環境監測、資源管理等領域具有廣泛的應用前景，為提高目標檢測的精度和可靠性提供了有力的工具。
盡管高光譜技術具有諸多優勢，但其應用也面臨一些挑戰。數據量龐大、維度高和噪聲干擾等問題使得高光譜數據處理復雜而困難。另外，偽裝目標常采用多樣化的手段，時序目標光譜多變，目標部分被遮擋，使得目標與背景之間的光譜差異變得微弱，增加了目標檢測的難度如圖1所示。此外，光照條件、大氣影響和地物遮擋等因素也可能影響高光譜目標檢測的準確性。因此，高光譜目標檢測算法的研究需要克服這些技術難題，以更好地適應實際復雜場景的需求。
圖1 偽裝車在不同環境偽彩色圖
實驗設計：
復雜背景下偽裝目標的檢測是當前研究的熱點問題。現有的高光譜目標檢測算法沒有充分利用空間信息，很少利用時間信息。在復雜背景的高光譜序列中，難以獲得所需的目標，且檢測性能較低。為此，提出了一種基于光譜感知和時空張量(Spectral Perception and Spatial–Temporal Tensor Decomposition, SPSTT)分解的高光譜時間序列目標檢測方法。首先，提出了一種基于譜匹配的稀疏目標感知策略。利用先驗光譜、待測像元和四鄰域像元光譜的相關均值對匹配結果進行調整，初步獲取稀疏目標。通過對待測像素的局部拓撲圖表示，充分利用局部空間結構信息，增強了目標與背景的分離。其次，為了獲得更準確的秩，充分利用時間連續性和空間相關性，構建了基于gamma范數和L2,1范數的時空張量(STT)模型。在此基礎上，提出了一種優良的乘法器交替方向法(ADMM)來求解該模型。最后，將光譜匹配與STT分解相融合，減少誤報，保留更多正確目標。采用176波段北京理工大學高光譜圖像序列I (BIT-HSIS-I)數據集進行高光譜目標檢測。通過對收集到的數據集的測試，發現所提出的SPSTT比其他的算法具有更好的性能。流程圖如圖2所示，具體步驟包括：
1)建立了SPSTT分解的融合模型。該方法既利用了先驗光譜信息，又充分利用了時空整體結構信息。
2)在光譜感知(SP)方法中，提出了匹配濾波和局部相關融合策略來獲取感興趣的目標。采用拓撲圖表示，提高了目標和背景的區分能力。
3)利用gamma范數和L2,1范數對低秩和稀疏部分進行建模，構造時空張量(STT)。此外，利用雙利合譜光譜成像公司的高光譜傳感器GaiaSkymini2，構建了北京理工大學高光譜圖像序列-I (BIT- hsis -I)數據集，該數據集采集自北京理工大學，北京，中國。
圖2 所提方法的流程圖
結論
圖3為不同方法檢測結果對比圖，可以看到圖3（f）-（j）中所提方法對于同一序列不同圖像目標相對突出，都提高了目標與背景的分離性。
圖3 不同方法檢測結果三維圖
圖4顯示了有關方法在四個不同數據集的所有序列上的ROC曲線。如圖10（a）所示(稀疏草地和磚塊），當PF接近0.1時，擬議的SPSTT所對應的PD約為0.9926。而其他方法CEM、MF、ACE、TDTSE、AHMID、LRSTV和CSRST的PD分別為0.6835，0.8046，0.7773，0.9169、0.3527、0.7230和0.8691。當PF大于10-3時，建議的SPSTT的ROC曲線高于其他算法。從圖10（b）-（d）中可以看出，當PFs為0.1時，所提SPSTT算法的PDs為0.1、建議的SPSTT的PD均為1.0000。此時，其他算法的最大PD分別為0.8991、0.8929和0.9211。當PF大于10-4時，建議算法的ROC曲線更接近坐標軸的左上方。上述四個數據集的ROC曲線以上四個數據集的ROC曲線驗證了所提出的SPSTT。
圖4 不同方法檢測結果的ROC曲線圖
表1列出了上述比較算法在所有序列中的AUC值。在稀疏草地和磚塊背景中，建議的SPSTT的AUC值為0.9956。在其余基線算法中，TDTSE的AUC值最大，為0.9677，而AHMID的AUC值最小，為0.7221。建議的SPSTT算法在其余不同場景中的AUC值為的AUC值為0.7221、0.9985,0.9951,and0.9965.其他基線算法在其余三種情況下的最優AUC值分別為0.9691、0.9577和0.9601。建議的SP、STT和SPSTT算法的AUC值在所有情況下都超過了其他基線算法。建議的SPSTT方法的AUC也優于SP與TNN和SHP的組合（SPTNN和SPSHP）。
表1 不同方法檢測結果的AUC值
相關研究以“Hyperspectral Time-Series Target Detection Based on Spectral Perception and Spatial–Temporal Tensor Decomposition”為題，發表于國際期刊IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING（中科院一區，2023年影響因子8.2）。
趙曉彬，男，山西晉中人，工學博士，主要研究方向為：基于及其學習的高光譜目標檢測識別。該研究得到了北京市自然科學基金委的部分資助JQ20021基金資助，部分由國家自然基金會中國科學基金項目(52002214) 資助。
© 2019 版權所有：江蘇雙利合譜科技有限公司 備案號：蘇ICP備2021046114號-3 技術支持：化工儀器網 GoogleSitemap 管理登陸
在線客服