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(yīng)用關(guān)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(lǐng)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(guān)重要。準確檢測偽裝目標有助于及時發(fā)現(xiàn)潛在威脅，提供決策制定所需的關(guān)鍵信息，增強軍事作戰(zhàn)的戰(zhàn)略優(yōu)勢。高效的軍事偽裝目標檢測技術(shù)能夠為軍隊提供戰(zhàn)場態(tài)勢認知的深度和廣度，為作戰(zhàn)指揮提供有力的支持，從而在復雜多變的軍事環(huán)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(shù)在目標識別和分類方面表現(xiàn)出色，尤其在復雜背景下仍能準確區(qū)分目標和非目標。高光譜數(shù)據(jù)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(huán)境監(jiān)測、資源管理等領(lǐng)域具有廣泛的應(yīng)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(shù)具有諸多優(yōu)勢，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題使得高光譜數(shù)據(jù)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(shù)難題，以更好地適應(yīng)實際復雜場景的需求。

 圖1 偽裝車在不同環(huán)境偽彩色圖

實驗設(shè)計：

復雜背景下偽裝目標的檢測是當前研究的熱點問題?，F(xiàn)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(guān)均值對匹配結(jié)果進行調(diào)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(jié)構(gòu)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(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(shù)據(jù)集進行高光譜目標檢測。通過對收集到的數(shù)據(jù)集的測試，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光譜信息，又充分利用了時空整體結(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(qū)分能力。

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

 圖2 所提方法的流程圖

結(jié)論

圖3為不同方法檢測結(jié)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(jié)果三維圖

圖4顯示了有關(guān)方法在四個不同數(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PF接近0.1時，擬議的SPSTT所對應(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(shù)據(jù)集的ROC曲線以上四個數(shù)據(jù)集的ROC曲線驗證了所提出的SPSTT。

 圖4 不同方法檢測結(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。