摘  要： 目标检测是高光谱遥感领域一个重要研究方向，其在矿物勘探和国防侦查等领域都有着广泛的应用。简明、系统地介绍了高光谱图像目标检测中的一些关键算法及其在实际应用中存在的问题，并对未来发展方向进行了展望。

　　关键词： 高光谱图像；目标检测；背景模型

0 引言

　　高光谱遥感是近年来随着遥感技术发展起来的一种信息获取技术。成像光谱仪可以同时获取可见光到近红外区域内数百个近乎连续的波段内地物的反射信息，使得高光谱图像在具有空间信息的同时也含有丰富的光谱信息，而光谱特征是不同物质所固有的，利用图像中的光谱信息可以有效地区分场景中的不同物质。充分利用光谱信息和空间信息，可以更精确地检测出场景中的目标。随着高光谱遥感技术的发展，高光谱图像目标检测技术得到了广泛的使用，并在矿物勘探、农业、环境监测以及国防情报等领域发挥着越来越重要的作用[1]。

　　从理论上讲，高光谱图像目标检测实际上是一个二分问题：将图像中的像元标记为目标或背景。在给定目标先验知识的情况下可以根据光谱信息和空间信息实现图像中目标的判别。经过十多年的发展，高光谱图像目标检测算法已经由最初的仅仅利用单一信息检测，逐渐向着空谱信息联合利用的方向发展。本文从高光谱图像信息的利用层次入手，系统回顾高光谱图像目标检测中的关键算法，同时简要介绍和讨论基于线性光谱信息的检测算法、基于非线性光谱信息的检测算法以及空谱信息联合的检测算法。

1 高光谱图像目标检测算法

　　1.1 基于线性光谱信息的检测算法

　　基于线性光谱信息的检测算法主要是利用线性信号处理等方法对高光谱数据进行处理，从复杂的背景中检测出微弱的目标信号。根据背景模型构建方式，它又可分为基于概率统计模型的检测方法和基于子空间模型的检测方法。

　　（1）基于概率统计模型的检测方法

　　基于概率统计模型的检测方法通过构建高光谱数据概率统计模型，结合目标的先验知识达到目标检测的效果。基于概率统计背景模型的检测算法主要有光谱匹配滤波[2]（Spectral Matched Filter，SMF）算法、自适应余弦估计[3]（Adaptive Cosine Estimator，ACE）算法以及约束能量最小化[4]（Constrained Energy Minimization，CEM）算法等。

　　SMF算法是一种基于广义似然比的恒虚警率检测算法，在简单的背景下具有较好的检测效果。但对子像元目标，需要已知目标信号的丰度，在实际应用中具有很大的限制。ROBEY F C等人在原有SMF算法的基础上提出了未知目标丰度的自适应匹配滤波[5]（Adaptive Matched Filter，AMF）算法。KRAUT S等人对目标噪声和背景噪声协方差矩阵加上不同的权重因子提出了ACE算法。

　　CEM算法是设计一个在目标信号约束下使得整体能量输出最小的滤波器，突出目标信息，抑制背景信息，实现目标检测效果。CEM对图像中的小目标有较好的检测效果，但对大目标检测效果不佳。为此耿修瑞等人对CEM改进得到了加权自相关矩阵的CEM[6]（Weighted Correlation Matrix CEM，WCM-CEM）算法。

　　为了克服场景复杂性差异、异常及目标信号对背景模型参数估计的影响，研究人员在原有算法的基础上进行了许多改进来提高算法的鲁棒性。刘凯等人通过对高光谱图像分割处理，将高光谱图像分割成多个均质背景子类，然后利用局部背景进行背景参数估计进而对目标进行检测[7]。THEILER J等人提出一种基于目标信号修正的协方差矩阵估计方法[8]。BASENER W F先将可能的异常像元去除，然后用余下的背景数据估计背景协方差矩阵[9]，从而提升参数估计的准确性。THEILER J等人将稀疏矩阵变换（Sparse Matrix Transform，SMT）等[10]优化的协方差矩阵求解办法应用到高光谱图像目标检测中来，从而提升算法的鲁棒性。

　　（2）基于子空间模型的检测算法

　　基于子空间模型的高光谱图像目标检测算法主要有Chang课题组的子空间投影算法和Manolakis课题组的子空间匹配算法。

　　正交子空间投影[11]（Orthogonal Subspace Projection，OSP）算法具有实现容易、计算代价小等优点，但是目标信号的丰度信息事先难以获得。特征子空间投影[12]（Signature Subspace Projection，SSP）算法可以有效解决这个问题，通过向特征子空间方向投影得到目标信号和背景的丰度信息，然后根据OSP原理实现目标检测效果。斜子空间投影[13]（Oblique Subspace Projection，OBSP）算法利用非正交背景和目标子空间构造投影算子，提升检测精度。非监督向量量化目标子空间投影[14]（Unsupervised Vector Quantization-based Target Subspace  Projection，UVQTSP）算法通过非监督向量量化得到背景的特征光谱，不需要预先知道背景信息，使得算法的适用性增强。

　　Manolakis在线性混合模型的基础上得到匹配子空间检测器[15]（Matched Subspace Detector，MSD）。MSD以结构化的背景模型为基础，在噪声未知的情况下，利用广义似然比来构造检测器。HEINZ D C等人根据像元的线性解混分析方法构造了基于约束最小二乘法的检测方法[16]。杜博等人结合上述两种算法的优点，提出基于最小二乘分解的自适应匹配子空间目标检测方法[17]，在自适应子空间检测的基础上结合具有实际物理意义的丰度信息实现目标检测。

　　1.2 基于非线性光谱信息的检测算法

　　前面介绍的检测算法只利用了高光谱图像数据的二阶统计特征，完全忽略了对判别也至关重要的大量非线性信息。为了更好地描述高光谱图像的复杂特征，核方法和流形学习等非线性方法被用到了高光谱图像目标检测中。通过更加复杂的模型构建，充分利用图像中的非线性信息，从而更好地分离背景与目标信息，提高目标的检测精度。

　　KWON H等人将现有的SMF、MSD、SSP等线性检测算法通过核方法扩展到它们对应的非线性版本[18-20]，充分利用高光谱图像数据中非线性信息提高检测效果。参考文献[18]详细介绍了基于核空间的高光谱图像目标检测算法，并将其性能与传统目标检测算法进行了比较。相对于传统算法，核化的检测算法在检测性能上有了显著的提升。然而，目前核方法中普遍使用高斯径向基核函数，没有一个指导性的核函数选取规则。Zhang Lefei等人将流行学习的方法应用到高光谱目标检测中[21]，利用监督的稀疏变换流形嵌入框架实现高光谱图像的降维，再在降维后的空间中通过计算目标特征向量的最近邻实现目标检测。

　　1.3 空谱信息联合的目标检测算法

　　目前国内外学者对高光谱图像目标检测的研究重点主要集中在上文所介绍的基于图像光谱特征信息的目标检测方法上，没有利用高光谱图像中的空间结构信息。充分利用高光谱图像中的空间信息和光谱信息，将二者的优点结合起来进行目标检测是需要重视的问题[22]。

　　CAPOBIANCO L等人提出了一种基于组合核函数的上下文信息结合的KOSP（Kernel-OSP）方法[23]，将像元空间邻域信息应用到目标检测中来。赵辽英等人提出了一种基于形态学的组合核正交投影算法[24]，将空间信息和光谱信息构造组合核实现高维特征空间的特征子空间投影算法。赵春晖等人构造待测像元及其4-邻域像元的平滑稀疏表示和联合稀疏表示模型实现检测的效果[25]。Zhang Lefei等人提出了一种基于张量学习机的高光谱图像目标检测方法[26]，将以向量作为输入的监督学习方法SVM扩展成为以向张量作为输入的张量学习机，取得了较好的目标探测效果。

2 问题分析与展望

　　为了从高光谱图像复杂的背景中检测出微弱的目标信号，许多统计信号处理以及机器学习领域的新技术被用到了高光谱图像目标检测中，通过更加复杂准确的背景描述来提高目标的检测效果。然而，由于高光谱图像数据比较大，训练数据量较少以及光谱差异性等因素的影响，高光谱目标检测在实际应用时仍存在许多问题。

　　（1）目标光谱信息通常是从光谱库中获得，这些光谱信息都是直接在实验室中采集的。高光谱图像在成像过程中受到大气、光照以及周围环境等复杂外界因素的影响，会导致图像中的目标信号和光谱库中的目标信号存在一定的差异。如何准确地分析高光谱图像采集时外界因素的影响，将目标光谱信息和图像中的光谱信息转换到同等条件下是检测结果准确性的关键。

　　（2）高光谱图像既包括空间信息又包括光谱信息，然而目前的检测方法大多数都只利用光谱信息，对图像的空间信息利用很少。充分利用高光谱图像中包含的各种信息，实现空间信息和光谱信息联合处理的目标检测方法也应是一个需要重视的问题。

　　（3）高光谱图像的数据量比较大，数据处理的压力比较大。在实际应用中对检测结果的实时性要求比较高，如何利用算法优化、并行计算、硬件加速等方法实现实时的检测结果也是非常重要的。

3 结论

　　本文从高光谱图像信息利用层次方面对高光谱图像目标检测算法进行了简要的介绍。针对大量的高光谱图像目标检测应用场景，研究学者采用线性概率分布和子空间、非线性核方法和流形学习以及空间和光谱联合表示等背景模型构建方法提出了各种各样的检测方法。然而，实际高光谱图像数据是非常复杂的，自然结构和人造结构相互组合使得高光谱图像高度不平滑。各种背景模型在描述实际背景时都会存在一定的偏差。尽管已有算法在理论实验中都有较好的检测效果，但是并没有一种算法对任何场景都可以得到满意的检测结果，每种算法都有一定的使用限制。所以探索更加高效的、鲁棒性强的检测算法，形成成熟的目标检测体系仍是研究的重点。

参考文献

　　[1] MANOLAKIS D， TRUSLOW E， PIEPER M， et al. Detection algorithms in hyperspectral imaging systems： an overview of practical algorithms[J]. Signal Processing Magazine， IEEE， 2014，31（1）：24-33.

　　[2] MANOLAKIS D G， SHAW G A， KESHAVA N. Comparative analysis of hyperspectral adaptive matched filter detectors[C]. AeroSense 2000， International Society for Optics and Photonics， 2000：2-17.

　　[3] KRAUT S， SCHARF L L， BUTLER R W. The adaptive coherence estimator： a uniformly most-powerful-invariant adaptive detection statistic[J]. IEEE Transactions on Signal Processing， 2005，53（2）：427-438.

　　[4] HARSANYI J C. Detection and classification of subpixel spectral signatures in hyperspectral image sequences[D]. University of Maryland Baltimore County， 1993.

　　[5] ROBEY F C， FUHRMANN D R， KELLY E J， et al. A CFAR adaptive matched filter detector[J]. IEEE Transactions on Aerospace and Electronic Systems， 1992，28（1）： 208-216.

　　[6] 耿修瑞，赵永超.高光谱遥感图像小目标探测的基本原理[J].中国科学（D辑），2007，37（8）：1081-1087.

　　[7] 刘凯，张立福，杨杭，等.面向对象分析的非结构化背景目标高光谱探测方法研究[J].光谱学与光谱分析，2013，33（6）：1653-1657.

　　[8] THEILER J， FOY B R. Effect of signal contamination in matched-filter detection of the signal on a cluttered background[J]. Geoscience and Remote Sensing Letters， IEEE， 2006，3（1）：98-102.

　　[9] BASENER W F. Clutter and anomaly removal for enhanced target detection[C]. SPIE Defense， Security， and Sensing， International Society for Optics and Photonics， 2010， 769525.

　　[10] THEILER J， CAO G， BACHEGA L R， et al. Sparse matrix transform for hyperspectral image processing[J]. IEEE Journal of Selected Topics in Signal Processing， 2011， 5（3）：424-437.

　　[11] REN H， CHANG C I. Automatic spectral target recognition in hyperspectral imagery[J]. IEEE Transactions on Aerospace and Electronic Systems，2003，39（4）：1232-1249.

　　[12] TU T M， CHEN C H， CHANG C I. A least squares orthogonal subspace projection approach to desired signature extraction and detection[J]. IEEE Transactions on Geoscience and Remote Sensing， 1997，35（1）：127-139.

　　[13] TU T M， SHYU H C， LEE C H， et al. An oblique subspace projection approach for mixed pixel classification in hyperspectral images[J]. Pattern Recognition， 1999，32（8）：1399-1408.

　　[14] BRUMBLEY C， CHANG C I. An unsupervised vector quantization-based target subspace projection approach to mixed pixel detection and classification in unknown background for remotely sensed imagery[J]. Pattern Recognition， 1999，32（7）：1161-1174.

　　[15] SCHARF L L， FRIEDLANDER B. Matched subspace detectors[J]. IEEE Transactions on Signal Processing， 1994， 42（8）： 2146-2157.

　　[16] HEINZ D C， CHANG C I. Fully constrained least squares linear spectral mixture analysis method for material quantification in hyperspectral imagery[J]. IEEE Transactions on Geoscience and Remote Sensing， 2001，39（3）：529-545.

　　[17] 杜博，钟燕飞，张良培，等.一种自适应匹配子空间亚像元目标探测方法[J].遥感学报，2009，13（4）：597-603.

　　[18] KWON H， NASRABADI N M. A comparative analysis of kernel subspace target detectors for hyperspectral imagery[J]. EURASIP Journal on Advances in Signal Processing， 2007， 29250.

　　[19] KWON H， NASRABADI N M. Kernel spectral matched filter for hyperspectral imagery[J]. International Journal of Computer Vision， 2007，71（2）：127-141.

　　[20] 赵辽英，张凯，厉小润.高光谱图像目标检测的核信号空间正交投影法[J].遥感学报，2011，15（1）：13-28.

　　[21] Zhang Lefei， ZHANG L， TAO D， et al. Sparse transfer manifold embedding for hyperspectral target detection[J]. IEEE Transactions on Geoscience and Remote Sensing， 2014，52（2）：1030-1043.

　　[22] 孙林，鲍金河，刘一超.高光谱图像目标检测算法分析[J].测绘科学，2012，37（001）：131-132.

　　[23] CAPOBIANCO L， CAMPS-VALLS G. Target detection with a contextual kernel orthogonal subspace projection[C]. SPIE Defense， Security， and Sensing， International Society for Optics and Photonics， 2008： 71090D.

　　[24] 赵辽英，沈银河，厉小润，等.基于数学形态学的高光谱图像组合核目标检测[J].光学学报，2012，31（12）：269-274.

　　[25] 赵春晖，李晓慧，朱海峰.空间4-邻域稀疏表示的高光谱图像目标检测[J].哈尔滨工程大学学报，2013，34（9）：1171-1178.

　　[26] Zhang Lefei， ZHANG L， TAO D. Tensor-based learning machine for remotely sensed image target detection[J]. Journal of Remote Sensing， 2010，14（3）：519-533.