高光谱影像目标探测技术研究现状

Manolakis（2003）认为，目标探测就是将目标与背景地物区分，并判断目标在各像元内的存在性问题。在高光谱遥感领域，近年来发展了很多目标探测算法，根据算法模型可分为原始空间模型、子空间模型和白化空间模型（张兵等，2011）。Robey et al.（1992）提出了一种自适应匹配滤波算法（Adaptive Matched Filter，AMF），该算法用多维正态分布模型模拟背景，并不能很好地表达背景的变化情况。刘翔（2008）分析了椭圆轮廓分布模型探测器（Elliptically Contoured Distributions，ECD），认为该模型能够敏感地预测信号随着环境的变化。在目标和背景光谱已知的情况下，Harsanyi（1993）提出了正交子空间投影（Orthogonal Subspace Projection，OSP）算法，同时考虑了背景光谱和各种噪声下的最大化剩余信号；而且Harsanyi还提出了一种约束能量最小化（Constrained Ener－gy Minimization，CEM）算法，该算法根据目标光谱，放大特定方向信号，缩小其他背景信号，从而实现目标探测，适用于小目标探测，但CEM探测器难以将目标端元信号与噪声信号分离（杜博，2010）。寻丽娜等（2007）首先利用PCA技术扣除了图像背景信息，之后借助IEA（迭代误差分析）方法选取端元，以端元光谱作为已知光谱代入CEM，从而很好地提取小目标。为了扩展CEM在大目标探测方面的应用，耿修瑞（2005）也通过设计加权自相关矩阵改进了原算子，提出了一种加权自相关矩阵的CEM算子（WeightedCorrelation Matrix CEM，WCM－CEM）。Reed et al.（1990）发展了异常探测算子RXD，其算法依赖于异常目标往往游离于图像数据所构造的数据 “云团”超平面之外这一假设，即：当图像在异常像元与图像均值向量的连线方向上的投影有较大方差时，该算子失效（张兵等，2011）。耿修瑞（2007）设计了一种基于数据白化距离的异常探测（Whited－distance Abnormity Anomaly Detection，WAAD）算法，该算法对高光谱数据进行白化处理（White Processing，WP），使数据 “云团”在特征空间中呈球状分布，而异常像元仍处于球状云团之外，很好地解决了RXD探测失效的问题。为了扩展CEM在大目标探测方面的应用，耿修瑞也通过设计加权自相关矩阵改进了原算子，提出了一种加权自相关矩阵的CEM算子（Weighted Correlation Matrix CEM，WCM－CEM）。贺霖等（2006）研究了正交子空间和目标子空间投影的高光谱数据背景和噪声抑制方法。路威等（2006）借助于实码遗传优化投影寻踪方法，从分布异常的角度，提出了一种非监督特征投影方法，提取小目标。

近年来，国内外科技界和产业部门从不同的侧面对矿产资源探测与矿区重金属污染物的监测进行了深入研究。在矿产资源的高光谱遥感探测方面，开展了通过成像光谱仪测量岩石、矿物等光谱特性，获取图谱合一的信息等来识别矿物、探测环境等研究，并形成了高光谱岩矿识别与填图的技术流程和技术方法，在岩石矿物识别、信息提取和专题制图方面取得突破（Boardman et al.，1994；杜培军等，2003；Kruse et al.，2006；Zhang J.，2006；张兵等，2008；王润生等，2007，2010）。近十年来，有关矿山重金属污染监测与分析评价方法的研究论文和报告也逐渐增多。如：利用高光谱数据和矿物识别谱系有效识别铜矿区的污染类型（甘甫平等，2004）；通过实验室分析金属铜不同程度重金属污染下煤矸石堆周边土壤的光谱特性（Gao et al.，2005）；利用光谱仪实测光谱数据与综合考虑污染物的光谱特征，对矿山污染物和废矿所造成的污染、选冶废水所产生的水污染及其植被污染，以及长期采矿活动造成的矿区土壤重金属污染等信息提取研究（Kemper et al.，2002；燕守勋等，2003；张宗贵，2004；甘甫平等，2004；崔龙鹏等，2004；Zhang J.，2006；Choe et al.，2008；Ren et al.，2009；Rashed，2010）。另外，一些学者已在植被高光谱遥感的植被生化参数、植被指数、导数光谱、红边位移分析、回归分析、胁迫影响、病害监测、农药残留检测、重金属污染等方面进行了大量研究（Mutanga et al.，2004；刘良云等，2004；陈云浩等，2009；Singh et al.，2010；Liu et al.，2011）；随着对不同环境下地物光谱变化特性的深入探究，基于地物光谱微细变化的矿山生态环境遥感定量探测的实用化技术也已出现（Ferrier，1999；Gao et al.，2005；Choe et al.，2008；任红艳等，2008；金庆花等，2009；Bech et al.，2012）。

综上可见，已有的大部分成果都是对像元光谱或光谱仪实测光谱进行光谱曲线特征点位与特征参量提取、光谱微分处理、光谱吸收特征获取、光谱指数计算、统计分析、混合像元分解、光谱匹配等手段进行处理分析，而缺乏利用如支持向量机（Support Vector Machine，SVM）、小波包变换（Wavelet Packet Transform，WPT）、谐波分析（Har－monic analysis，HA）和自适应神经网络（Adaptive Neural Network，ANN）等现代数学理论对光谱曲线进行深层次的变换处理，因而在噪声分离、同谱异物与同物异谱处理、微量（弱）信息识别等方面存在很大的不足。因此，很有必要开展基于现代数学理论的高光谱遥感数据变换处理、信息提取与分析应用研究。