題目：

基于光譜感知和時(shí)空張量分解的高光譜時(shí)間序列目標(biāo)檢測(cè) 

應(yīng)用關(guān)鍵詞：

復(fù)雜背景、高光譜序列、高光譜目標(biāo)檢測(cè)、時(shí)空張量分解、光譜感知

背景：

在軍事領(lǐng)域，敵方常常采用偽裝手段來(lái)掩蓋軍事目標(biāo)，增加其隱蔽性和生存能力。因此，軍事偽裝目標(biāo)檢測(cè)對(duì)于提高軍事情報(bào)獲取和目標(biāo)識(shí)別的效能至關(guān)重要。準(zhǔn)確檢測(cè)偽裝目標(biāo)有助于及時(shí)發(fā)現(xiàn)潛在威脅，提供決策制定所需的關(guān)鍵信息，增強(qiáng)軍事作戰(zhàn)的戰(zhàn)略優(yōu)勢(shì)。高效的軍事偽裝目標(biāo)檢測(cè)技術(shù)能夠?yàn)檐婈?duì)提供戰(zhàn)場(chǎng)態(tài)勢(shì)認(rèn)知的深度和廣度，為作戰(zhàn)指揮提供有力的支持，從而在復(fù)雜多變的軍事環(huán)境中確保國(guó)家安全。

高光譜目標(biāo)檢測(cè)利用豐富的光譜信息，能夠捕捉目標(biāo)表面的細(xì)微光譜特征，具有較高的光譜分辨率。這使得高光譜技術(shù)在目標(biāo)識(shí)別和分類方面表現(xiàn)出色，尤其在復(fù)雜背景下仍能準(zhǔn)確區(qū)分目標(biāo)和非目標(biāo)。高光譜數(shù)據(jù)的大量波段提供了更全面的信息，使其對(duì)偽裝手段更為敏感。因此，高光譜目標(biāo)檢測(cè)在軍事、環(huán)境監(jiān)測(cè)、資源管理等領(lǐng)域具有廣泛的應(yīng)用前景，為提高目標(biāo)檢測(cè)的精度和可靠性提供了有力的工具。

盡管高光譜技術(shù)具有諸多優(yōu)勢(shì)，但其應(yīng)用也面臨一些挑戰(zhàn)。數(shù)據(jù)量龐大、維度高和噪聲干擾等問(wèn)題使得高光譜數(shù)據(jù)處理復(fù)雜而困難。另外，偽裝目標(biāo)常采用多樣化的手段，時(shí)序目標(biāo)光譜多變，目標(biāo)部分被遮擋，使得目標(biāo)與背景之間的光譜差異變得微弱，增加了目標(biāo)檢測(cè)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(biāo)檢測(cè)的準(zhǔn)確性。因此，高光譜目標(biāo)檢測(cè)算法的研究需要克服這些技術(shù)難題，以更好地適應(yīng)實(shí)際復(fù)雜場(chǎng)景的需求。

 圖1 偽裝車在不同環(huán)境偽彩色圖

實(shí)驗(yàn)設(shè)計(jì)：

復(fù)雜背景下偽裝目標(biāo)的檢測(cè)是當(dāng)前研究的熱點(diǎn)問(wèn)題。現(xiàn)有的高光譜目標(biāo)檢測(cè)算法沒有充分利用空間信息，很少利用時(shí)間信息。在復(fù)雜背景的高光譜序列中，難以獲得所需的目標(biāo)，且檢測(cè)性能較低。為此，提出了一種基于光譜感知和時(shí)空張量(Spectral Perception and Spatial–Temporal Tensor Decomposition, SPSTT)分解的高光譜時(shí)間序列目標(biāo)檢測(cè)方法。首先，提出了一種基于譜匹配的稀疏目標(biāo)感知策略。利用先驗(yàn)光譜、待測(cè)像元和四鄰域像元光譜的相關(guān)均值對(duì)匹配結(jié)果進(jìn)行調(diào)整，初步獲取稀疏目標(biāo)。通過(guò)對(duì)待測(cè)像素的局部拓?fù)鋱D表示，充分利用局部空間結(jié)構(gòu)信息，增強(qiáng)了目標(biāo)與背景的分離。其次，為了獲得更準(zhǔn)確的秩，充分利用時(shí)間連續(xù)性和空間相關(guān)性，構(gòu)建了基于gamma范數(shù)和L2,1范數(shù)的時(shí)空張量(STT)模型。在此基礎(chǔ)上，提出了一種優(yōu)良的乘法器交替方向法(ADMM)來(lái)求解該模型。最后，將光譜匹配與STT分解相融合，減少誤報(bào)，保留更多正確目標(biāo)。采用176波段北京理工大學(xué)高光譜圖像序列I (BIT-HSIS-I)數(shù)據(jù)集進(jìn)行高光譜目標(biāo)檢測(cè)。通過(guò)對(duì)收集到的數(shù)據(jù)集的測(cè)試，發(fā)現(xiàn)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(yàn)光譜信息，又充分利用了時(shí)空整體結(jié)構(gòu)信息。

2)在光譜感知(SP)方法中，提出了匹配濾波和局部相關(guān)融合策略來(lái)獲取感興趣的目標(biāo)。采用拓?fù)鋱D表示，提高了目標(biāo)和背景的區(qū)分能力。

3)利用gamma范數(shù)和L2,1范數(shù)對(duì)低秩和稀疏部分進(jìn)行建模，構(gòu)造時(shí)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(gòu)建了北京理工大學(xué)高光譜圖像序列-I (BIT- hsis -I)數(shù)據(jù)集，該數(shù)據(jù)集采集自北京理工大學(xué)，北京，中國(guó)。

 圖2 所提方法的流程圖

結(jié)論

圖3為不同方法檢測(cè)結(jié)果對(duì)比圖，可以看到圖3（f）-（j）中所提方法對(duì)于同一序列不同圖像目標(biāo)相對(duì)突出，都提高了目標(biāo)與背景的分離性。

圖3 不同方法檢測(cè)結(jié)果三維圖

圖4顯示了有關(guān)方法在四個(gè)不同數(shù)據(jù)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(dāng)PF接近0.1時(shí)，擬議的SPSTT所對(duì)應(yīng)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(dāng)PF大于10-3時(shí)，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(dāng)PFs為0.1時(shí)，所提SPSTT算法的PDs為0.1、建議的SPSTT的PD均為1.0000。此時(shí)，其他算法的最大PD分別為0.8991、0.8929和0.9211。當(dāng)PF大于10-4時(shí)，建議算法的ROC曲線更接近坐標(biāo)軸的左上方。上述四個(gè)數(shù)據(jù)集的ROC曲線以上四個(gè)數(shù)據(jù)集的ROC曲線驗(yàn)證了所提出的SPSTT。

 圖4 不同方法檢測(cè)結(jié)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(chǎng)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(yōu)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(guò)了其他基線算法。建議的SPSTT方法的AUC也優(yōu)于SP與TNN和SHP的組合（SPTNN和SPSHP）。

表1 不同方法檢測(cè)結(jié)果的AUC值

相關(guān)研究以“Hyperspectral Time-Series Target Detection Based on Spectral Perception and Spatial–Temporal Tensor Decomposition”為題，發(fā)表于國(guó)際期刊IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING（中科院一區(qū)，2023年影響因子8.2）。

趙曉彬，男，山西晉中人，工學(xué)博士，主要研究方向?yàn)椋夯诩捌鋵W(xué)習(xí)的高光譜目標(biāo)檢測(cè)識(shí)別。該研究得到了北京市自然科學(xué)基金委的部分資助JQ20021基金資助，部分由國(guó)家自然基金會(huì)中國(guó)科學(xué)基金項(xiàng)目(52002214) 資助。