基于高光譜圖像探測與感知的偽裝效果評估方法

馬世欣， 劉春桐， 李洪才， 王浩， 何禎鑫

(火箭軍工程大學 導彈工程學院, 陜西 西安 710025)

0 引言

高光譜探測技術引發了遙感領域的一場革命，以高光譜技術為支撐的新型軍事偵察手段給傳統的偽裝方法帶來了前所未有的挑戰[1-3]，材料工程等領域開始重視反光譜偵察的研究，以合成高分子為主的新型材料開始用于涂料、偽裝網等偽裝手段[4-5]。偽裝在一定程度上就是模仿背景某些屬性的一種反偵察手段，通過這種隱真示假的方式以提高軍事目標的戰場生存能力。高光譜的偵察必然是近乎覆蓋可見光和近紅外的全波段偵察，研究全波段的偽裝技術將變得更有意義[6]。

另一方面，考慮針對不同波段的偽裝手段，納米級的光譜分辨率對于偽裝效果評估必然更加精細和全面。傳統的偽裝效果評價方法是由光學圖像偽裝評價方法發展而來，常見的如發現概率法、紋理特征、亮度對比、外形尺寸以及多指標綜合評判方法(模糊評價、層次分析、神經網絡等)、基于數學算法的評價方法等[7-9]。這些方法的優點是客觀和量化，能夠反映背景與目標的融合屬性，但是仍然只是局限于單波段或多波段的偵察手段(如可見光、激光、紅外、雷達、聲波、多光譜等)，對于具有精細波譜的高光譜偵察來講，這些評價方法難以反映偽裝目標的抗高光譜偵察的偽裝效果，隨著戰場偵察手段發展的多元化，傳統的偽裝評價方法難以對目標隱身性能和戰場生存能力給出全面定量準確的評價，因此將高光譜手段引入偽裝效果評價體系將具有極其重要的現實意義[10-11]。

近些年來，視覺注意模型被廣泛應用于目標探測[12]、目標跟蹤[13]、特征提取[14]等諸多領域，通過這種高效的心理反饋機制，能迅速找到與背景差異較大的目標，實現注意力的優化分配[15]。類似于機器視覺的人眼感知系統，利用計算機模擬“圖像- 人眼- 大腦”的反饋過程，將注意選擇中的“目標驅動”和“知識認知”應用于偽裝目標的顯著性度量，對于偽裝效果評估具有重要意義。

不同于傳統基于多特征描述的偽裝評價方法，本文從目標探測與視覺感知的角度，提出了一種基于探測和感知的高光譜偽裝效果評估新方法。在對圖像進行局部異常探測并進行閾值分割的基礎上，采用空間密度聚類(DBSCAN)和鄰域融合算法得到潛在目標區域；對潛在目標區域排序，建立反映目標偽裝效果的顯著性指標，并提出了基于有限時間搜索策略的偽裝效果綜合評價方法。該方法可以反映目標與背景的局部差異性，通過模擬人眼判別機制，對潛在目標區域的顯著性排序，得到不同程度偽裝下目標的識別概率，定量地描述偽裝效果的優劣。實驗表明，與傳統評價方法相比，這種多指標多角度的評價方法更為全面客觀，且模擬人眼注意系統的評價方式對于高光譜偽裝效果評估具有更可靠的應用價值。

1 基于探測感知的目標偽裝效果評估

國防工業上偽裝設計的目的，就是通過減少目標與背景的差異性，使觀察者更難發現目標[7]。從這一角度出發，可以使用目標探測的評價指標來定量評估偽裝效果。而高光譜異常目標檢測作為一種無先驗信息的目標探測算法，本質上就是通過目標與背景的光譜差異性來發現目標[16]。因此，異常探測的結果可以更為直觀地反映目標的偽裝能力。

圖1為偽裝效果評估的流程圖，主要包含兩步：1)對異常探測結果聚類融合發現潛在目標區域；2)構造反映潛在區域目標偽裝效果的特征指標。

圖1 基于探測與感知的偽裝效果評估流程圖Fig.1 Flow chart of camouflage effect evaluation based on detection and perception

1.1 分割潛在目標區域

在未知目標與背景光譜等任何先驗信息的條件下，高光譜異常目標探測算法可以準確區別與背景差異較大的目標像元，但是，這種探測也只是停留在像元級或亞像元級，造成的探測結果往往是不連續的[17]。而對于空間探測的高光譜圖像來講，目標往往是由連續的幾個像元構成，所以，探測面積是發現偽裝目標并進行偽裝效果評估的一項重要指標[18]。

同時，偽裝效果評估的對象是潛在目標區域，相鄰像元的合并和潛在目標區域的分割對于實施評估具有重要意義。因此，本節通過聚類融合算法實現探測結果的合并，對區域特征明顯的潛在對象進行區域分割。圖2為區域分割的流程圖，圖中RX為Reed-Xiaoli.

圖2 潛在目標區域分割流程圖Fig.2 Flow chart of potential target area segmentation

1.1.1 異常探測算法

異常探測算法在未知任何先驗信息的條件下，可以找到與背景具有顯著差異的異常目標，最為經典的為1992年Reed等提出的RX異常檢測算法。RX算法是一種基于廣義似然比檢驗的恒虛警異常探測算法，通過求取待測像元光譜與背景像元光譜的馬氏距離實現異常目標的檢測。RX算法的探測表達式為

(1)

式中：x為待檢測像元的光譜向量；0為背景均值向量的估計值；0為背景協方差矩陣;η為設定的閾值；H1和H0為異常目標是否存在的二元假設。

實際實驗中，選取了探測結果相對較好的局部RX(LRX)[19]、局部核RX(KRX)[20]、局部聯合協同表示(CRD)[21]3種異常探測算法。

1.1.2 光譜聚類分析

對于較為離散化的異常探測結果，目標點的分布往往呈現出“簇分割”的特點，具有明顯的聚類特性。在不了解類別等先驗信息的前提下，可以利用目標的光譜相似性進行聚類分析。

聚類算法中最為常見的是k-means動態聚類算法，由于聚類中心的隨機性和聚類個數的不確定性，算法的實現結果不穩定。而近幾年，密度聚類算法在聚類效果上表現出強大的優勢，最典型的是DBSCAN算法[22]。

DBSCAN算法可以實現任意形狀的空間聚類，且針對噪聲點的處理具有獨特的優勢。該方法只需要設定最小鄰域半徑和鄰域點個數尋找分類簇，自適應地根據數據特點劃分聚類個數，非常適合密度特性明顯且無先驗的高光譜聚類。DBSCAN算法的流程圖如圖3所示。

圖3 DBSCAN算法流程Fig.3 Flow chart of DBSCAN algorithm

定義對象a和對象b為數據集S中的任意兩點，則對象a的近鄰可以表示為

Nc(a)={b∈S|dist(a,b)≤Rc}，

(2)

式中：dist(a,b)為對象a與對象b距離；Rc為鄰域半徑。

如果對象a的近鄰個數大于最小近鄰個數Nmin，則稱對象a為核心點；如果對象b在對象a的鄰域內，且對象a的近鄰個數大于Nmin，則稱對象a和對象b密度直連，即

(3)

DBSCAN算法的核心思想可以歸結為，在給定Rc和Nmin的前提下，從核心點出發尋找滿足密度直連條件的所有點，聚類成簇。

1.1.3 空間融合算法

實際目標在空間像元分布中呈現連續性，但是，異常目標探測算法得到的結果與真實地物有一定的偏差，往往不能代表真實地物的全部像元。因此，在光譜聚類結果的基礎上，需要劃分各個目標集群，并設定潛在目標區域的鄰域半徑為R，對各個目標集群范圍內的像元進行重新聚類。之后，再連接具有較強光譜相似性的像元，構成目標區域的塊狀連接，從而分割得到接近真實地物的潛在目標區域。圖4為空間融合算法的示意圖。

圖4 空間融合算法示意圖Fig.4 Schematic diagram of spatial fusion algorithm

1.2 建立偽裝評估指標

從探測角度來看，潛在目標區域是觀察者感知偽裝目標的重點。所謂的“感知”，就是通過引起人眼反應的顯著性特征來判斷偽裝效果的好壞。視覺注意機制是由刺激引發、基于目標顯著性的一種心理調節機制，依靠明顯的地物特征，能夠快速指向感興趣的目標，其中，就包括“自上而下”的認知模型，也叫目標驅動機制[13]。因此，目標探測的相關指標可以用來描述地物的視覺顯著性，既模仿了人眼視覺的注意機制，也避免了人工判別的主觀性。

像元的異常探測值和虛警率是描述異常探測性能的兩個重要指標，探測值越大，說明地物與背景區分越明顯，偽裝效果越差；而虛警率則反映了異常探測算法的整體檢測錯誤率，可以體現一定區域范圍內偽裝目標的整體偽裝效果，虛警率越大，則說明偽裝效果越好。除此之外，目標的探測面積也是視覺注意系統的一項重要指標，在高光譜圖像下則表現為潛在目標區域的像元數量，很顯然，目標的覆蓋范圍越大，暴露的風險也就越大。

綜上所述，對聚類融合得到的潛在目標區域，采用最高探測值、虛警率和目標面積3個指標評價偽裝效果。

1.2.1 最高探測值

異常探測是逐像元的檢測，每個像元被賦予了一個反映與背景差異度的探測值，所有像元的探測值構成了異常探測結果total_map. 最高探測值表現了潛在目標區域的異常水平，這個值越大，說明待測像元是異常像元的可能性越大。

假設共存在n個潛在目標區域，則定義第i個潛在區域的最高探測值為

(4)

式中：target_mapi為第i個潛在目標區域的目標探測值；vi為第i個潛在目標區域的最高探測值。

1.2.2 虛警率

對于高光譜類異常探測問題往往基于二元假設，目標存在為H1，目標不存在為H0. 虛警率PFA是異常探測過程中常犯的一類錯誤，即做出決策為H1時，實際結果為H0的情況，因此，作出如下定義：

(5)

式中：R0為H0的決策域。

在考察偽裝效果時，可以采用像元個數計算探測結果的虛警率，則有

PFA=nFR/nb，

(6)

式中：nFR為探測結果的虛警像元個數；nb為圖像的背景像元總數。

對于真實的目標而言，一旦偽裝就有可能降低這些目標被發現的概率，反而會使一些不是目標的某些像元顯露出來，造成更高的虛警。因此，虛警率可以作為反映高光譜目標整體偽裝性能的一個重要指標。

1.2.3 目標面積

從人眼注意系統來看，引起視覺關注的特征除了目標與背景的光譜差異(采用最高探測值來體現)外，還有目標的暴露面積。

目標的暴露面積si可以用第i個潛在目標區域的像元個數ni來恒量，即

si=cni，

(7)

式中：c為比例常數，其大小并不影響該判據，計算時取c=1.5.

2 基于搜索策略的偽裝綜合評價方法

時間搜索策略廣泛用于軍事目標的搜索和識別系統，并將有限時間搜索模型和無限時間搜索模型用于軍事目標識別概率的研究，取得了較為不錯的效果[23-25]。時間搜索模型建立在人眼觀察目標的基礎上，而對于高光譜圖像而言，光譜信息不能直接可視化，但是，可以轉化為對搜索模型參數指標的建模分析上。因此，本文基于高光譜偽裝特征指標，建立了基于時間搜索模型的偽裝綜合評價體系。

2.1 無限時間搜索模型

最早的探測概率公式是基于無限時間模型提出的經驗探測公式，如(8)式所示，其反映了觀察者觀察目標得到探測結果的概率趨勢：

(8)

式中：N為觀察的對象個數；N50為目標探測概率為50%時已觀察的對象個數；多數情況下，指數E可以表示為

E=2.7+0.7(N/N50).

(9)

圖5為無限時間搜索模型的探測概率曲線。從圖5可以看出，隨著觀察對象的增多，目標探測概率逐漸增大，且呈現出“慢- 快- 慢”的變化趨勢，最終趨向于1. 但是，無限時間搜索模型建立在各目標探測概率相同的假設基礎上，并不能說明不同目標之間的探測差異，也就不能對不同目標進行偽裝效果的評價。因此，在此基礎上提出了有限時間搜索模型。

圖5 無限時間搜索模型的探測概率曲線Fig.5 Detection probability curve of infinite time search model

2.2 有限時間搜索模型

目標探測必然是對時間依賴的，探測時間越長，探測概率越大。由此，部分學者提出了基于有限時間搜索的目標概率公式：

P(t)=P∞[1-e-t/τ]，

(10)

式中：P∞為觀察者在無限時間條件下對目標的探測概率，實際上是(8)式橫坐標趨于無窮大時的極限值；t為觀察者被賦予的探測時間；τ是所有觀察者探測時間的平均值(假設所有觀察者具有相同的探測能力)，τ可以通過經驗公式獲得：

(11)

僅有(10)式仍然無法體現出目標的差異性，由此引入延遲時間td，得到改進之后的目標概率公式為

(12)

式中：τFOV是一個時間常數，體現了在觀察視野范圍內目標所用的平均觀察時間。

延遲時間td為觀察者觀察目標的感知時間，也稱為決策時間或反應時間。其反映了觀察者在搜索一副圖像時，對不同的興趣點所觀察的先后順序，它提供了對于目標探測難度的量級預測。可以認為，目標的偽裝效果越好，則觀察者發現它們所花費的時間也就越多。

2.3 偽裝綜合評價方法

基于有限時間搜索模型的探測概率模型依賴P∞和τFOV兩個參數的估計，圖6給出了參數P∞和τFOV與探測概率的關系曲線。從圖6中可以看出，P∞對探測概率的幅度大小影響較大；而τFOV主要決定了探測概率曲線收斂速度的快慢，τFOV越大，則收斂速度越慢。

圖6 參數P∞和τFOV對探測概率的影響(td=0)Fig.6 Influences of P∞ and τFOV on detection probability (td=0)

為了將偽裝效果評估的最高探測值、虛警率和目標面積3個指標融入到(12)式，給出偽裝效果評估的綜合評價結果，需要與延遲時間td、極限探測概率P∞和時間常數τFOV的估計結合起來。由此，給出概率公式的3個關鍵指標的估計方法。

2.3.1 延遲時間td

延遲時間td體現了潛在目標區域的探測順序，因此，第i個潛在目標區域的延遲時間tdi可以由(13)式確定：

tdi=a0(ndi-1)，

(13)

式中：a0為一個常數，與概率函數的收斂時間有關；ndi為第i個潛在目標區域的探測順序。

探測順序反映了目標的顯著性，經過1.2節的分析，應與最高探測值vi和目標面積si有關。因此，在對向量v和向量s歸一化處理的基礎上，建立線性加權決策向量f，對f中元素排序的結果即為向量nd：

f=wvv+wss，

(14)

式中：權重wv和ws采用熵權法確定。

(15)

2.3.3 時間常數τFOV

時間常數τFOV的影響主要體現在探測概率函數的收斂速度上，對于觀察者而言，收斂速度決定了對偽裝目標判別的快慢。而異常探測的虛警率則表現了目標的整體偽裝效果，因此，可以通過虛警PFA來表達時間常數τFOV：

τFOV=κPFA，

(16)

式中：κ為調整因子。

將目標概率P(t)作為偽裝效果的評分值，由此可以確定評價函數的表達式為

(17)

這里偽裝的評分值Scorei是一個關于時間t的函數，表達了目標檢測過程中人眼判別的時間連續性，這對于描述探測過程中目標的偽裝效果評估具有開創性的意義。

3 實驗驗證與分析

采用高光譜成像儀AVIRIS和ROSIS拍攝的兩組高光譜數據進行實驗，分別對綜合評價結果和偽裝嵌入后各指標的評價性能進行分析。

3.1 實驗數據描述

3.1.1 AVIRIS實驗數據

第1組數據采用美國San Diego海軍的高光譜數據，如表1第1行所示。其中，去除水汽吸收、噪聲等干擾波段，共剩余201個可用波段，光譜覆蓋范圍為0.4～1.8 μm，空間大小為100像素×100像素，共有3個目標用于偽裝效果的評估。

3.1.2 ROSIS實驗數據

第2組數據采用意大利北部Pavia Center的高光譜數據，如表1第2行所示。其中，共包含102波段，圖像大小為150像素×150像素，共有6個目標可用于偽裝效果的評估。

表1 AVIRIS和ROSIS高光譜數據

Tab.1 AVIRIS and ROSIS hyperspectral data

3.2 綜合評價結果

為檢驗基于搜索策略的綜合評價方法可靠性，利用AVIRIS數據中的3個飛機目標進行仿真實驗。

圖7展示了分割潛在目標區域的計算過程。首先對圖7(a)所示的高光譜圖像進行異常探測，探測算法采用最為經典的LRX異常探測算法，根據目標的形狀設定滑動窗的大小為15像素×15像素，得到如圖7(c)所示的探測結果。在此基礎上，采用DBSCAN聚類算法聚類，并結合空間融合算法連接鄰域像元，舍去孤立像元，最終得到如圖7(e)所示的7個潛在目標區域。

圖7 分割潛在目標區域Fig.7 Segmentation of potential target area

計算7個潛在目標的區域偽裝評估指標如表2所示，主要包括最高探測值、虛警率和目標面積。在此基礎上，給出了不同目標的注意程度排序結果，以及偽裝評價函數的相關指標，包括延時時間、極限探測概率和時間常數τFOV.

將計算得到的7個潛在目標區域的相關指標代入到評價函數中，得到如圖8所示基于有限時間搜索的偽裝評價分數曲線。分別對目標2、目標5、目標6共3個飛機目標進行分析，可以看出目標5和目標6與背景具有較明顯的差異，要先于其他目標被觀察者注意到，但隨著時間推移，目標1表現出更易被觀察者識別的特征，被識別的概率超過了目標6，相比而言，目標6變得更難被觀察者發現。而目標2與背景差異并不明顯，在所處背景中，相對于其他目標，具有更好的偽裝性能。

圖8 不同潛在目標區域的時間- 偽裝分數曲線Fig.8 Time-camouflage score curves of different potential target areas

表2 偽裝評估模型的相關指標(AVIRIS數據)

3.3 光譜混合實驗

3.3.1 背景光譜嵌入

由于現有的偽裝手段多用于可見光、紅外和雷達等偵察條件，沒有可靠的抗高光譜偵察全波段偽裝方式。實際工程中，多模仿背景地物的某些特征進行偽裝材料的設計，從而達到隱蔽目標特征，防止探測設備偵察的目的。借鑒異常目標檢測實驗中常用的線性光譜混合模型[25]，本文采用背景光譜嵌入的方法合成偽裝后的目標光譜，進一步驗證偽裝效果評估方法的可靠性。

如圖9所示，ROSIS數據中共有5個潛在目標區域，提取周圍背景像元的平均光譜曲線，對潛在目標區域按固定百分比線性嵌入，以模擬偽裝后的高光譜圖像。圖10為目標1偽裝嵌入前后的平均光譜曲線。

圖9 潛在目標區域分割結果Fig.9 Segmentation of potential target area

圖10 偽裝嵌入比例50%前后目標1的平均光譜曲線Fig.10 Average spectral curve of Target 1 before and after camouflage embedding of 50%

曲線面積(AUC)是指接收機曲線與x軸構成區域的面積，經常被用來評價探測器的探測效果。為說明線性偽裝嵌入方法對于提高潛在目標區域偽裝能力的可行性，分別采用LRX算法、KRX算法和CRD算法對不同嵌入水平的目標區域進行探測，利用AUC值作為評價目標偽裝水平的一項重要指標。分別取偽裝光譜的比例為0%～100%(間隔10%)，得到不同探測算法的AUC值如圖11所示。

圖11 不同偽裝水平下的目標探測效果曲線Fig.11 Target detection effect curves at different camouflage levels

從圖11可以看出：隨著偽裝光譜的比例逐漸增加，AUC值逐漸減少，說明目標越難被探測，即潛在目標區域的偽裝水平越高；當偽裝光譜的比例達到100%時，檢測指標接近0，驗證了基于線性光譜混合模型的偽裝嵌入方法對于模擬潛在目標區域偽裝能力的有效性。

3.3.2 偽裝效果評估

利用最高探測值作為評價指標，檢驗潛在目標區域的偽裝水平，得到如圖12所示的評價結果。可以看出，隨著偽裝嵌入程度的提高，7個潛在目標區域的最高探測值顯著減少，說明異常探測的難度增加。

圖12 潛在目標區域的偽裝水平分析Fig.12 Camouflage level analysis of potential target area

為充分驗證本文所提偽裝評估方法的有效性，選取潛在目標6進一步分析，采用LRX異常探測算法，得到不同偽裝水平(背景比例+偽裝比例)下的綜合評價分數曲線，如圖13所示。從圖13可以看出，隨著偽裝水平的提高，偽裝分數顯著減少，并且發現目標所需的時間明顯增加，搜索進度變慢，充分說明了基于時間搜索策略的綜合偽裝效果評估方法的全面性和準確性。

圖13 不同偽裝嵌入水平下的時間- 偽裝分數曲線Fig.13 Time-camouflage score curves at different camouflage embedding levels

4 結論

本文采用了一種聚類融合的潛在區域構造算法，并針對分割得到的目標區域，建立了評價偽裝效果的3個指標；在此基礎上，提出一種基于搜索策略的偽裝綜合評價方法，并給出了較為客觀的評估結論。通過實驗進行驗證，得出以下結論：

1)將高光譜的異常目標探測技術直接用于偽裝效果評估，可以體現目標與背景的差異性，且無先驗地探測，避免了人為干預，評估結論更具有可靠性。

2)對潛在目標區域提取了最高探測值、目標面積及虛警等評估參數，通過這些參數可以多角度地分析目標的偽裝效果。

3)基于有限時間搜索的綜合評價模型，增加了對于目標偽裝效果的時間過程分析，可以從時間、空間兩個維度分析目標偽裝效果，對于解決偽裝評估指標單一等問題，具有一定的借鑒意義。

4)本文的評估對象是基于“潛在目標區域”的，可能會出現偽裝目標不在評估區域的情況，則后續的討論將沒有意義。因此，可以考慮增加先驗區域。