成像光譜儀獲取圖像到完成目標檢測，所需的重要環(huán)節(jié)步驟以及關(guān)鍵技術(shù)很多，本文重點介紹異常檢測算法。首先我們獲取高光譜圖像以后，是一個原始程度較高，數(shù)據(jù)信息復雜的圖像，因此要運用手段進行去噪，為下面的工作減少不必要的數(shù)據(jù)量，降低噪聲對結(jié)果的影響。其次，在去噪后的圖片中，可能存在我們需要的信息并不清晰、豐富，造成檢測識別的困難，因此往往采用超分辨的技術(shù)，來提高圖像分辨率。最后，我們得到經(jīng)過各種處理的，噪聲低，清晰度高的圖像，輸入到數(shù)據(jù)庫中比對匹配，最終得到結(jié)果完成識別。在本章最后一節(jié)，特別提到目標檢測的一種特殊方法異常檢測法，是利用自身圖像在背景信息中尋找異常點的方式，來達到識別目的。

在利用高光譜圖像實現(xiàn)目標識別時，先前我們提到要將目標圖像曲線與現(xiàn)有先驗數(shù)據(jù)庫匹對，才能得知被測物質(zhì)的名稱、特征、屬性，該方法具有較高的準確度且建庫后可一勞永逸逐漸豐富數(shù)據(jù)量。然而，在實際應用中，目前發(fā)現(xiàn)或合成的物質(zhì)高達幾千萬種，漫無目的的實驗各類物質(zhì)成本過高，幾乎不可能建立全備、能應用各個領(lǐng)域的數(shù)據(jù)庫，這就決定了我們無法確保數(shù)據(jù)庫中一定有待測目標的模板數(shù)據(jù)，且匹配時耗大，應用缺乏便利性。在某些特定環(huán)境下，我們有時并不需要得知目標的具體信息，例如在廣袤的大海中成像儀在獲取高光譜圖像時，海水的光譜信息一定是大量存在的，當海下存在明顯存在區(qū)別于海水的其它物質(zhì)時，如魚群、設備、船只等，在高光譜圖像中一定會有突出區(qū)別與海水背景的異常獨特信息。如何運用該原理進行目標檢測識別叫做高光譜異常檢測。

異常檢測的優(yōu)勢在于獨立性強，不依靠后臺數(shù)據(jù)庫，直接對目標圖像進行分析計算，在普遍背景信息中區(qū)分出異常點或異常波動曲線，相對數(shù)據(jù)庫法成本也較低。現(xiàn)實應用中，軍事方面運用偵察兵、無人機、衛(wèi)星等獲取高光譜圖像利用金屬與樹木土壤光譜信息的明顯區(qū)別，就可以可以找到隱藏在森林、沙漠地帶的敵軍武器裝備，這是普通光學儀器所做不到的，因為在可視光的背景下，真?zhèn)文繕嗽陬伾咏那闆r下很難被識別發(fā)現(xiàn)，甚至一些隱藏目標被植被、樹木、河流等自然地物遮蔽，目標的外觀、色彩、大小再被刻意的偽裝，更是加大目標識別的難度，這是由于普通光學儀器不能獲取光譜信息，在圖像中會表現(xiàn)相同相似的結(jié)果，但是高光譜圖像下，真?zhèn)坞[藏目標由于材料、內(nèi)部構(gòu)架狀態(tài)等不同，會形成較明顯的異常差別。醫(yī)學方面病變部位與健康組織也有較為明顯的異常曲線，對特定部位病癥確診有明顯作用。無論應用到什么領(lǐng)域，異常檢測都是在廣泛的大背景中，無或者極少目標自身信息可供借鑒，在背景中尋找目標，兩者相比，目標可以理解成圖像總樣本的低概率情況，背景則是高概率常規(guī)情況。所以異常檢測算法可以理解為研究高光譜圖像中的統(tǒng)計分類區(qū)分問題，明確背景物質(zhì)的光譜曲線，嘗試克服該背景對目標曲線的干擾，使之相分離，突出異常目標，達到識別目的。

異常算法研究領(lǐng)域常用算法一般有兩類，一種是純像元異常檢測，是將高光譜圖像投影到建立的子空間中來分離背景和目標。典型的算法為低概率檢測算法（LPD），該算法運用回歸分析、集群分析、主成分分析等非監(jiān)督分類方式，將高光譜圖像中背景信息各波段數(shù)據(jù)分離，而后計算互相關(guān)程度構(gòu)建正交的互相關(guān)矩陣，將矩陣內(nèi)各數(shù)據(jù)的特征向量建成正交的子空間。當把高光譜原圖像投影至該空間時，背景數(shù)據(jù)將被抑制，也就是說圖像中大概率出現(xiàn)的譬如樹木、土壤、海水等地物的信息在子空間中被正交，抑制了背景信息的表現(xiàn)，此時由于小概率出現(xiàn)的異常目標數(shù)據(jù)與該空間不正交，經(jīng)投影后其與背景數(shù)據(jù)的對比度變得更強烈，從而突出異常目標達到識別目的。另一種較為常用的是由Reed和Yu最先提出的RX算法，該算法是將高光譜圖像中異常目標數(shù)據(jù)從圖像背景中分離出來，作為一種以局部異常點為目標的識別算法，是分別在異常窗口和背景窗口內(nèi)監(jiān)測數(shù)據(jù)，可知背景窗口的監(jiān)測量遠大于異常窗口，在待識別圖像數(shù)據(jù)中采用PCA變換使空間向量不具有相關(guān)性，即空間白化且服從高斯分布，在此條件下計算異常窗口和背景窗口的均值方差，而后與設定的臨界閾值相比較，判斷數(shù)據(jù)是否為異常數(shù)據(jù)。

高光譜圖像技術(shù)作為現(xiàn)代逐漸崛起的新生事物，具有諸多該領(lǐng)域內(nèi)同類技術(shù)所不具有的優(yōu)勢，高分辨率光譜信息與空間信息相結(jié)合的特性，兩種信息能在目標檢測識別時互相彌補缺陷，這是傳統(tǒng)光學圖像、多光譜或超高光譜圖像無法相比的。但是也正因如此也讓它擁有高數(shù)據(jù)量、高維度的特點，無法適用傳統(tǒng)圖像的處理算法，加之起步較晚，這無疑對數(shù)據(jù)處理產(chǎn)生了不小的難度。隨著時間的推移，各專家學者研究的進一步推進，高光譜圖像異常目標檢測技術(shù)會在越來越多的領(lǐng)域被應用，而且使用門檻和成本也在逐漸降低。

參考文獻：

[1]賀霖.高光譜圖像自動目標檢測技術(shù)研究[D] . 西安： 西北工業(yè)大學， 2007.

[2]吳玲達，姚中華，任智偉. 面向戰(zhàn)場環(huán)境感知的高光譜圖像處理技術(shù)綜述[A].北京：裝備學院學報，2017.

[3]范金華，陳鍛生.高光譜圖像目標檢測研究進展[J].微型機與應用，2015，34（16）：8-10，14.

[4]Harsanyi J C.Detection and classification of subpixel spectral signatures in hyperspectral image sequences.Ph.D.dissertation，University of Maryland，1993

作者簡介：

李殊瑤，1992年，漢，女，山西汾陽，碩士研究生，助教，圖像處理。