CN103293523B - 基于多孔径信息处理的高光谱遥感异常小目标检测方法 - Google Patents

Abstract

本发明公开了一种基于多孔径信息处理的高光谱遥感异常小目标检测方法，包括以下步骤， A：数据观测—模拟多孔径异步映射机制对高光谱遥感数据采用分布式并行块信息处理；利用数据采集芯片对高光谱遥感进行分块数据采集，模拟蝇视觉系统多孔径信息获取、映射机制，以“小眼”映射函数为依据分解、重组高光谱遥感光谱数据，形成关于局部地物的光谱数据立方，构建分布式并行的分块信息处理模式；B：信息处理—模拟蝇视觉系统“弹药筒”结构，实现海量光谱数据的冗余压缩与超敏锐度融合；C：目标检测—模拟蝇视觉系统视高阶神经元的自适应感知机制，通过自适应异常小目标检测算法，结合全局异常与局部异常判别获得异常检测结果。

Description

基于多孔径信息处理的高光谱遥感异常小目标检测方法

技术领域

本发明涉及一种基于多孔径信息处理的高光谱遥感异常小目标检测方法，属于遥感信息处理和仿生视觉技术领域。

背景技术

高光谱遥感异常检测无需先验知识指导、无需大气矫正以及辐射定标处理，在国防军事安全、环境污染监测以及矿藏能源探测等应用领域中具有重要的理论和实用价值。然而，高光谱遥感影像在大空间观测尺度下的精细地物属性描述导致的地物种类多样化，空间分布复杂化，光谱特征模糊化等问题，为现有高光谱异常小目标检测技术提出了新的挑战。

传统异常检测算法可以分为基于光谱特征，空间分布特征，以及构造特征来区分背景与异常。

（1）从光谱特征异常的角度，将高维不可分的光谱数据映射到低维特征空间，利用目标光谱特征的异常性，逆向求解地物组成比以实现异常与背景的分离。然而寻找合适的光谱混合模型用于描述复杂光谱混叠过程，在无先验知识监督的条件下，通常是“非良态”的，不易获得最优解，因此检测结果的准确性和可靠性难以保证。

（2）从空间分布特征异常的角度，选择经典的高斯统计学模型，以及通过构建新模型的方法描述背景地物，实现异常小目标的检测。然而精细的光谱数据使得地表可分分辨地物种类增多、分布特征复杂并产生严重的光谱混叠干扰问题，传统高斯模型无法有效描述，概率密度估计又需要进行模型选择和参数估计，这些都是非常困难的。

（3）从构造特征异常的角度，无需逆向求解地物组成比，也不涉及背景特征建模。构造测度指标作为差异性衡量依据，通过自组织聚类、机器学习等手段实现背景与异常的分离，属于纯数据驱动的方法。然而该类方法首先要满足众多的理想假设前提，其次如何构造有效的测度指标，最优化的自组织聚类和机器学习还需进一步研究。

可见已经掌握强大数据处理能力的计算机技术和高精度传感器设备的人造视觉系统，在处理复杂、病态盲信号检测问题上仍存在着一定的局限性。经过自然进化的昆虫视觉系统其凭借有限数量的脑细胞和较低分辨能力的复眼系统，能在复杂、多变的自然背景下快速、准确的检测和规避异常，其计算准确度、抗干扰能力和实时性等性能均优于目前的异常目标检测算法。

随着生物分析手段的不断提高，人们对蝇类视觉系统的了解不断深入，关于对蝇复眼系统多孔径结构分布式并行信息处理模式，“弹药筒”结构的信息压缩、融合机理，以及高阶神经元多样化自适应策略等研究积累了丰硕的成果。

生物学研究表明，海量视觉信息中“差异”信息的存在是蝇视觉系统超敏锐度感知和有效信息提取的先决条件。多孔径复眼结构根据小眼的不同视轴角度、不同光传导特性获得的海量数据信息，本身就具有较强的相关性，并存在着一定的差异性，类似于蝇视觉的多次采样。弹药筒结构通过光感细胞之间以及光感细胞与细胞间质之间带电离子流动调节和传导信息，实现了海量视觉信息的高效压缩、超敏锐度融合以及有效信息的提取，保证了蝇视觉系统目标检测的实时性、稳定性。配合高阶神经元自适应异常敏感性调节机制，自适应调节“异常”感知敏感性的功能实现了蝇类视觉准确、鲁棒、可靠的异常小目标检测。

高光谱遥感上百波段光谱数据记录了相同地物的不同表现形式，波段与波段之间具有较强的相关性，同时也提供了反映地物属性差异的“互补”信息。目前关于利用蝇视觉系统优势解决异常小目标检测存在问题的研究还未见报道。

发明内容

目的：为了克服现有技术中存在的不足，本发明提供一种基于多孔径信息处理的高光谱遥感异常小目标检测方法。

技术方案：为解决上述技术问题，本发明采用的技术方案为：

一种基于多孔径信息处理的高光谱遥感异常小目标检测方法，包括以下步骤，

步骤A：数据观测—模拟多孔径异步映射机制对高光谱遥感数据采用分布式并行块信息处理；利用数据采集芯片对高光谱遥感进行分块数据采集，模拟蝇视觉系统多孔径信息获取、映射机制，以“小眼”映射函数为依据分解、重组高光谱遥感光谱数据，形成关于局部地物的光谱数据立方，构建分布式并行的分块信息处理模式；

步骤B：信息处理—模拟蝇视觉系统“弹药筒”结构通过光感细胞之间以及光感细胞与细胞间质之间带电离子流动调节和传导信息的机制，提取并非线性拉升差异信息“互补”光谱数据中反映地物差异性的有效信息；抑制并压缩相关“重叠”光谱数据中不具备差异性的背景信息，实现海量光谱数据的冗余压缩与超敏锐度融合；

步骤C：目标检测—模拟蝇视觉系统视高阶神经元的自适应感知机制，通过自适应异常小目标检测算法，结合全局异常与局部异常判别获得异常检测结果。

所述步骤A具体是指：随机选择若干波段y_k1，y_k2，y_k3，y_k4，…y_kn，n个波段，并将各个波段的光谱数据在统一坐标系下分割成尺寸大小相同的数据块，例如：假设分割出来的每个光谱波段数据块对应一个小眼图像y′_k1，y′_k2，y′_k3…y′_kn,每个小眼图像记录了局部区域地物属性的一种表现形式；若干波段数据块组成该局部空间区域的“小眼群”图像，对应了相同地物在不同波段的光谱值，记录了相同地物属性的多种表现形式，形成具有重叠互补特性的光谱数据立方{y′_k1，y′_k2，y′_k3…y′_kn}；其中n为正整数，k>0。

所述步骤B具体包括以下步骤：

1）局部区域内的光谱数据立方{y′_k1，y′_k2，y′_k3…y′_kn}，对于每个波段的局部数据块y'_k1(i,j)，1≤i,j≤m为大小为m×m的单波段数据块中的任意一点，首先计算这n个数据的方差矩阵C_n×n，求出重叠信息中的差异信息，其中m为大于1的正整数；

2）对于第(i,j)个像元，“小眼群”获得的光谱数据分别是y'_k1(i,j)，y'_k2(i,j)，y'_k3(i,j)…y'_kn(i,j)，这些光谱数据捆绑在一起进行信息处理，采用中心侧抑制机理和非线性极化与去极化处理，进行纹理增强与干扰抑制，同理对于n个波段的数据块做相同的处理；然后对于差异信息进行非线性拉升；所述非线性拉升采用神经元的非线性饱和特性，构建非线性拉升矩阵M_n×n，与方差矩阵C_n×n相乘得到拉升后的协方差矩阵C'_n×n=C_n×n×M_n×n，消除混叠干扰信息。

所述步骤C中自适应异常小目标检测算法包括非线性计划处理与线性侧抑制机理：

其中,非线性计划处理：即快速极化慢速去极化，模拟生物视高阶神经元中的快速去极化和慢速重极化特性，对于突变信号出现时，视高阶神经元会快速充电，对应于快速感知异常的功能；对于信号消失时，则以exp(-Δs/ζ₁)速度放电，对应于延时遗忘异常的功能；

以水平方向为例：垂直方向同理，对于输入信号f(i,j)，其自适应机理的离散形式表示为：

f(i,j)<f(m,n)     f'(i,j)=f(i,j)-exp(-Δs/ζ₁)

f(i,j)≥f(m,n)       f'(i,j)=f(i,j)+exp(Δs/ζ₂)     （1）

其中f(i,j)为第(i,j)像元的信号强度，f'(i,j)为神经元极化处理后第(i,j)像元的信号强度，Δs为(m,n)与(i,j)像元之间的欧氏距离，即像元之间的交互作用强度与距离有关；ξ₁,ξ₂是响应衰减/增强系数，大小不同；式(1)表明若(i,j)信号强度低于其周围邻域的信号强度，则响应将以exp(-Δs/ζ₁)的速度衰减；反之将以exp(Δs/ζ₂)的速度增强；

线性侧抑制采用中心侧抑制，增强信号之间的对比度，利用中心侧抑制机理将保留的目标特征进行增强，从而降低检测结果的虚警率；在领域半径为r的局部区域N(i,j)中，第(i,j)个像元的灰度值f(i,j)与周围像元f(m,n)之间的侧抑制效应可以表示为：侧抑制效应后的信号强度f″(i,j)

$f^{\&Prime;}(i,j)=f(i,j)-\underset{m,n\&Element;N(i,j)}{\mathrm{\&Sigma;}}{w}_{m,n}\&times;f(m,n)---\left(2\right)$

加权系数w_m,n为

$w_{m,n}=1/(\sqrt{{(i-m)}^2+{(j-n)}^2}+\mathrm{\&epsiv;})---\left(3\right)$

其中w_m,n的值由像元之间的距离决定，即f(i,j)周围的像元对其的抑制效应强弱由距离决定。

有益效果：本发明提供的基于多孔径信息处理的高光谱遥感异常小目标检测方法，通过模拟蝇视觉系统多孔径映射与信息处理模式，以及“弹药筒”结构高效压缩、融合提取有效信息的生物学机理，以及高阶神经元自适应异常敏感性调节策略，增强检测算法对于光谱混叠干扰的抵抗能力，并且降低检测虚警率。实现无需特征提取与建模，以及高效快速准确的异常目标检测；具有实时、准确、高效的异常小目标检测能力，作为地理信息系统以及专家解译系统的预处理部分，为精确的目标检测、识别和解译提供必要的保障。具有以下优点：1)该方法具有较强的抗光谱混叠干扰能力，适应于多种自然背景条件下的异常目标检测问题；2)该方法以蝇类视觉系统生物学机理为基础，计算原理简单、易于实现；3)该方法具有高效压缩机制与分块信息处理模式，同时配合DSP芯片与FPGA的处理效率，可以实现异常小目标的实时检测；4）该方法具有的动态自适应异常敏感性调节特性，为检测效果的可靠准确性提供必要的保障。

附图说明

图1是本发明的硬件逻辑框图；

图2是本发明的总体算法流程图；

图3是本发明的信息压缩及融合流程图；

图4是本发明的自适应异常检测算法流程图；

图5是非线性极化处理响应特性中的快速充电曲线；

图6是非线性极化处理响应特性中的慢速放电曲线。

具体实施方式

下面结合附图对本发明作更进一步的说明。

本发明的硬件逻辑框图如图1所示，其中A部分是信息的压缩、融合处理部分，B部分为异常小目标检测部分。C部分为存储芯片，用来为DSP存储数据。

A部分中的1-3均为冗余信息压缩处理，4为非线性差异信息拉伸与干扰抑制处理，B部分中的5为异常小目标检测算法涉及到的中心侧抑制机理，6为非线性极化特性。A部分的主要功能封装型号为Apex系列EP20K600EBC652型号FPGA芯片中，通过仿生视觉的多孔径分布式并行信息处理模式实现实时、快速的海量光谱数据压缩，提取其中的差异信息。1-3为相同的信息处理模式，对于局部区域相同目标地物的不同光谱值，通过计算以及记录相互之间的差异值，实现初级的冗余信息压缩，采用不同波段光谱值的差异信息特征代替直接的光谱数据将有效提高检测算法的准确性和鲁棒性，Apex系列的EP20K600EBC652芯片具有高速度(622MHz的数据速率)、高密度(有效逻辑60万门)、低噪声和低功耗的特点，具有4个PLL、480个I/O口,工作电压为2.5V和1.8V。

B部分由型号为TMS320C6711B的DSP芯片完成，主要完成几类非线性自适应处理，例如：中心侧抑制机制，非线性极性特性，获得自适应的异常敏感特性，模块5中的中心侧抑制机理，通过局部领域内信息之间的对抗，增强边缘，纹理轮廓信息，同时抑制反复出现的背景干扰以及噪声，提取有利于判断异常的有效信息。模块6对应的非线性极化特性是高阶神经元对于突发信号的超敏感感知的关键，同时也是对常态信息敏感性抑制的过程。从而得到自适应的异常敏感性调节功能。该系统采用FPGA进行高光谱海量光谱数据的压缩与融合处理，有效提高异常小目标检测的运算速度，有利于保证该系统检测的实时性与准确性。

采用DSP芯片完成异常目标检测算法，通过多种非线性自适应机制的搭配，获得自适应异常感知敏感性调节机制，是保证运算速度与检测精度的重要保障。型号为TMS320C6711BDSP的DSP芯片，其主频为150MHz，内部集成硬件乘法器和累加器，适用于计算量大、实时性高的数字图像处理领域。C部分是存储芯片FLASHRAM为DSP存储数据和程序。

附图2为该系统总体算法的流程图，为了实现数据的分布式并行块信息处理模式，模拟复眼的多孔径信息获取、处理模式，以“小眼”映射函数为依据分解、重组高光谱遥感光谱数据，形成关于局部地物的光谱数据立方，构建分布式并行分块信息处理模式。随机选择若干波段y_k1，y_k2，y_k3，y_k4，…y_kn等n个波段，并将各个波段的光谱数据在统一坐标系下分割成尺寸大小相同的数据块。假设分割出来的每个光谱波段数据块对应一个“小眼”图像y′_k1，y′_k2，y′_k3…y′_kn，每个小眼图像记录了局部区域地物属性的一种表现形式；若干波段数据块组成该局部空间区域的“小眼群”图像，对应了相同地物在不同波段的光谱值，记录了相同地物属性的多种表现形式，形成具有“重叠互补”特性的光谱数据立方{y′_k1，y′_k2，y′_k3…y′_kn}。

冗余压缩对应于附图1中A部分的模块1、2、3，4是差异信息的提取与非线性拉伸与抑制：对于第(i,j)个像元，“小眼群”获得的光谱数据分别是y'_k1(i,j)，y'_k2(i,j)，y'_k3(i,j)…y'_kn(i,j)，这些数据被捆绑在一起，计算方差矩阵作为差异信息，压缩冗余。超敏锐度信息融合对应于附图1总A部分的模块4，采用神经元的非线性饱和特性进行纹理增强与干扰抑制，同理对于n个波段的数据块做相同的处理。然后对于差异信息进行非线性拉升，拉升较强的差异信息抑制较弱的差异信息。附图2中的自适应异常检测算法对应于附图1中的B部分，采用中心侧抑制机理（附图1的模块5）和非线性极化与去极化处理（附图1的模块6），实现对异常信息的超敏锐度感知和自适应的异常检测效果。

附图3为本发明的信息压缩及融合流程图。求协方差矩阵模块是压缩部分，计算“小眼群”数据的协方差矩阵，旨在抑制冗余信息，提取有效的差异信息；非线性饱和特性模块是根据神经元的非线性饱和特性，构建非线性拉升矩阵M_n×n，与方差矩阵相乘得到拉升后的协方差矩阵C'_n×n=C_n×n×M_n×n，消除混叠干扰成分。

附图4为本发明的自适应异常小目标检测算法流程图。自适应异常小目标检测算法主要由两种自适应机制组成：线性侧抑制机理与非线性计划处理（快速极化慢速去极化）。

如图5和图6所示，快速极化慢速去极化：高阶神经元中的快速去极化和慢速重极化特性，对于突变信号出现时，高阶神经元会快速充电，对应于快速感知异常目标的功能；对于信号消失时，则以exp(-Δs/ζ₁)速度放电，对应于延时遗忘异常的功能。以水平方向为例（垂直方向同理），对于输入信号f(i,j)，其自适应机理的离散形式表示为：

f(i,j)<f(m,n)    f'(i,j)=f(i,j)-exp(-Δs/ζ₁)

f(i,j)≥f(m,n)    f'(i,j)=f(i,j)+exp(Δs/ζ₂)     （1）

其中f(i,j)为第(i,j)像元的信号强度，f'(i,j)为神经元极化处理后第(i,j)像元的信号强度，△s为(m,n)与(i,j)像元之间的欧氏距离，即像元之间的交互作用强度与距离有关；ξ₁,ξ₂是响应衰减/增强系数，大小不同；式(1)表明若(i,j)信号强度低于其周围邻域的信号强度，则响应将以exp(-△s/ζ₁)的速度衰减；反之将以exp(△s/ζ₂)的速度增强；

线性侧抑制采用中心侧抑制，增强信号之间的对比度，利用中心侧抑制机理将保留的目标特征进行增强，从而降低检测结果的虚警率；在领域半径为r的局部区域N(i,j)中，第(i,j)个像元的灰度值f(i,j)与周围像元f(m,n)之间的侧抑制效应可以表示为：侧抑制效应后的信号强度

$f^{\&Prime;}(i,j)=f(i,j)-\underset{m,n\&Element;N(i,j)}{\mathrm{\&Sigma;}}{w}_{m,n}\&times;f(m,n)---\left(2\right)$

加权系数w_m,n为

$w_{m,n}=1/(\sqrt{{(i-m)}^2+{(j-n)}^2}+\mathrm{\&epsiv;})---\left(3\right)$

其中w_m,n的值由像元之间的距离决定，即f(i,j)周围的像元对其的抑制效应强弱由距离决定。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (1)

1.一种基于多孔径信息处理的高光谱遥感异常小目标检测方法，包括以下步骤，

步骤A：数据观测—模拟多孔径异步映射机制对高光谱遥感数据采用分布式并行块信息处理；利用数据采集芯片对高光谱遥感进行分块数据采集，模拟蝇视觉系统多孔径信息获取、映射机制，以“小眼”映射函数为依据分解、重组高光谱遥感光谱数据，形成关于局部地物的光谱数据立方，构建分布式并行的分块信息处理模式；具体是指：随机选择若干波段y_k1，y_k2，y_k3，y_k4，…y_kn，n个波段，并将各个波段的光谱数据在统一坐标系下分割成尺寸大小相同的数据块，假设分割出来的每个光谱波段数据块对应一个光谱数据y′_k1，y′_k2，y′_k3…y′_kn,每个小眼图像记录了局部区域地物属性的一种表现形式；若干波段数据块组成该局部空间区域的“小眼群”图像，对应了相同地物在不同波段的光谱值，记录了相同地物属性的多种表现形式，形成具有重叠互补特性的光谱数据立方{y′_k1，y′_k2，y′_k3…y′_kn}；其中n为正整数，k>0；

步骤B：信息处理—模拟蝇视觉系统“弹药筒”结构通过光感细胞之间以及光感细胞与细胞间质之间带电离子流动调节和传导信息的机制，提取、并非线性拉升差异信息，“互补”光谱数据中反映地物差异性的有效信息；抑制并压缩相关“重叠”光谱数据中不具备差异性的背景信息，实现光谱数据的冗余压缩与超敏锐度融合；具体包括以下步骤：

1)局部区域内的光谱数据立方{y′_k1，y′_k2，y′_k3…y′_kn}，对于每个波段的光谱数据y'_k1(i,j)，1≤i,j≤m为大小为m×m的单波段数据块中的任意一点，首先计算这n个数据的方差矩阵C_n×n，求出重叠信息中的差异信息，其中m为大于1的正整数；

2)对于第(i,j)个像元，“小眼群”获得的光谱数据分别是y'_k1(i,j)，y'_k2(i,j)，y'_k3(i,j)…y'_kn(i,j)，这些光谱数据捆绑在一起进行信息处理，采用中心侧抑制机理和非线性极化与去极化处理，进行纹理增强与干扰抑制，同理对于n个波段的数据块做相同的处理；然后对于差异信息进行非线性拉升；所述非线性拉升采用神经元的非线性饱和特性，构建非线性拉升矩阵M_n×n，与方差矩阵C_n×n相乘得到拉升后的协方差矩阵C'_n×n＝C_n×n×M_n×n，消除混叠干扰信息；

步骤C：目标检测—模拟蝇视觉系统视高阶神经元的自适应感知机制，通过自适应异常小目标检测算法，结合全局异常与局部异常判别获得异常检测结果；其中自适应异常小目标检测算法包括非线性计划处理与线性侧抑制机理：

其中，非线性计划处理：即快速极化和慢速去极化，模拟生物视高阶神经元中的快速极化和慢速去极化特性，对于突变信号出现时，视高阶神经元会快速充电，对应于快速感知异常的功能；对于信号消失时，则以速度放电，对应于延时遗忘异常的功能；

以水平方向为例：垂直方向同理，对于信号强度f(i,j)，其自适应机理的离散形式表示为：

其中f(i,j)为第(i,j)像元的信号强度，f'(i,j)为神经元极化处理后第(i,j)像元的信号强度，Δs为(m,n)与(i,j)像元之间的欧氏距离，即像元之间的交互作用强度与距离有关；是响应衰减/增强系数，大小不同；式(1)表明若(i,j)信号强度低于其周围邻域的信号强度，则响应将以的速度衰减；反之将以的速度增强；

线性侧抑制采用中心侧抑制，增强信号之间的对比度，利用中心侧抑制机理将保留的目标特征进行增强，从而降低检测结果的虚警率；在半径为r的局部区域N(i,j)中，第(i,j)个像元的信号强度f(i,j)与周围像元的信号强度f(m,n)之间的侧抑制效应可以表示为：侧抑制效应后的信号强度f″(i,j)

$f^{\text{'}\text{'}}(i,j)=f(i,j)-\underset{m,n\&Element;N(i,j)}{\mathrm{\&Sigma;}}{w}_{m,n}\&times;f(m,n)---\left(2\right)$

加权系数w_m,n为

$w_{m,n}=1/\left(\sqrt{{(i-m)}^2+{(j-n)}^2+\mathrm{\&epsiv;}}\right)---\left(3\right)$

其中w_m,n的值由像元之间的距离决定，即f(i,j)周围的像元对其的抑制效应强弱由距离决定。