高光譜探測異常目標識別方案

夏如迪 倪辰蔭

（南京理工大學電子工程與光電技術學院 江蘇省南京市 210094）

隨著微型竊聽、竊視設備的普及，會議場所、私人房間、技術實驗室等場所中進行的各類活動面臨著日益嚴峻的信息泄露威脅。目前，傳統的目標識別的方法有很多，例如激光探測技術[1]、雷達探測技術[2]、紅外探測技術[3-4]和視頻監控技術等，其優勢特點各異。基于激光探測和雷達探測的目標識別技術需要主動向目標發射電磁波，具有同時完成多目標探測的特點，但容易受到外界電磁干擾、且不具備分析識別被測目標種類特性的能力[5]。紅外探測技術雖然能夠全天候對目標進行探測，但是紅外隱身技術的發展制約了該項技術的應用。視頻監控技術是最常用的目標識別手段，通過對多組視頻圖像進行組合分析，進而分析得到其外形、種類等信息。該方法常與紅外、激光雷達聯用，進行被測目標的定位及識別。但存在一個嚴重的漏洞，即被測目標如果有偽裝時，識別監控的目標識別率會大幅下降。以上方法均具有一定的局限性，但隨著高光譜成像技術的迅猛發展，光譜分辨率不斷的提高，高光譜能同時獲取光譜圖像和目標一定波長的特征曲線，即使被測目標利用顏色形似的物體偽裝起來，但是由于不同物體，其光譜曲線不同，利用其具有探測目標光譜分布的能力，將偽裝目標與背景特性進行對比分析，從而對偽裝目標進行更加有效地識別。

本文針對的異常目標主要指室內環境中安裝的竊聽、竊視設備，通常具有目標小、安裝隱蔽、偽裝精妙的特點，在可見光區域內，其光學特性與環境背景一致程度較高，導致目視或可見光相機難以發現。從安全保密領域面臨的挑戰和需求出發，以光譜分析為基本原理，開展針對室內環境中異常目標的識別方法研究。通過對常見的室內場景偽裝特點進行分析，結合光譜分析技術特點，設計異常目標識別的方案。結果顯示，基于計算光譜成像技術，獲取場景從可見光到近紅外區間的精細光譜結構和多波段的數據立方體，可以有效拓展數據源的范圍，提高對偽裝目標的識別能力。

1 不同偽裝方式分析

計算光譜成像技術獲取的數據立方體，同時包含了目標場景的空間信息和光譜維數據，使得色彩、形狀、紋理等空間特征和組成相關的光譜特征有機的結合在一起，為異常目標的識別提供多源化的數據。根據目標物是否直接暴露在環境中，將偽裝方式分為遮蔽和融合兩類。對于在目標物表面覆蓋偽裝材料進行遮蔽的方式，由于室內裝潢中建材中常用有機染料通常針對可見光波段研制，隨波長向近紅外波段延伸，有機色素吸光度普遍下降，上層覆蓋的遮蔽物呈現“透明化”，這為觀測偽裝目標提供了可能的途徑。

圖1：光譜角填圖示意圖

圖2：K均值聚類算法示意圖

對于需直接暴露在環境中的目標物，其偽裝方式一般選擇與場景進行融合，既目標物在色彩、亮度、形狀、紋理等表觀特征與背景保證相似性，外觀無法保持一致的部分(如相機鏡頭)則盡量減小尺寸，弱化目標、背景間的差異，達到隱蔽的效果。采用這一偽裝方式的目表通常具體積較小，提高光譜成像儀器的空間分辨率，保留較為精細的空間信息，一方面有助于獲取“純凈”的目標和背景光譜數據，強化差異性，另一方面可通過外形輪廓進行辨識分類，有助于揭示出偽裝。

此外，部分設置在墻壁、家具內部的目標，安裝過程需對原有表面進行破拆，待完成后重新進行修復。對于這一類目標，如修復過程與原始材料不完全一致，則可能在光譜特征中呈現差異。這一類偽裝目標的識別，通常涉及到較為精細的光譜結構，對光譜數據立方體在光譜維的延伸范圍及分辨率由較高的要求。

針對不同類別偽裝的識別需求，分別設計了高光譜點掃描成像光譜測量和高分辨率譜段掃描成像光譜測量兩套實驗裝置，驗證計算光譜成像技術識別目標、揭示偽裝的能力。

2 理論計算

高光譜數據分析與分類可采用多種算法，結合本系統使用場景及數據特點，可采用光譜角填圖、K均值聚類算法、小目標檢測算法等。

2.1 光譜角填圖

光譜角匹配（Spectral Angle Mapping，簡稱SAM）是一種監督分類技術，是基于物理的一種光譜分類算法，利用n維角度來匹配像元光譜和參考光譜。將光譜看成是維數與波段數相等的空間里的向量，通過計算光譜間的角度的算法，決定了兩個光譜之間的相似性。端元光譜是從ASCII文件或光譜數據庫中獲得，或者可以直接從影像中獲得（ROI的平均光譜）。SAM比較端元光譜向量和每一個像素的向量在n維空間中的角度。角度越小代表與參考光譜越匹配，當像素比特定的最大角度的弧度閾值更大的時候就不會被分類。該算法是將圖像光譜直接同參考光譜匹配的一種交互式分類方法，是一種比較圖像光譜與目標光譜或光譜庫中目標光譜數據的自動分類方法。

上式中，α為光譜角，ri為參考光譜向量，ti為目標光譜向量，nb為向量元素個數。

這種方法充分利用了光譜維的信息，強調了光譜的形狀特征，大大減少了特征信息。SAM以實驗室測量的標準光譜或從圖像上提取的已知點的平均光譜為參考，將圖像中每一像元矢量與參考光譜矢量求廣義夾角，夾角越小相似度越大，見圖1。該算法可以很好的克服場景中光照不均勻帶來的目標亮度強弱變化，尤其適合于圖像中已知目標的搜索與分類。

2.2 K均值聚類算法

K均值聚類屬于無監督學習算法。該算法是先隨機選取K個對象作為初始的聚類中心。然后計算每個對象與各個種子聚類中心之間的距離，把每個對象分配給距離它最近的聚類中心。聚類中心以及分配給它們的對象就代表一個聚類。一旦全部對象都被分配了，每個聚類的聚類中心會根據聚類中現有的對象被重新計算。這個過程將不斷重復直到滿足某個終止條件，示意圖見圖2。

終止條件可以是以下任何一個：

（1）沒有（或最小數目）對象被重新分配給不同的聚類。

（2）沒有（或最小數目）聚類中心再發生變化。

（3）誤差平方和局部最小。

2.3 基于圖像白化處理的小目標檢測算法

遙感領域常用的CEM、RXD、SAM等基于目標信息分布的探測算法則從圖像的二階統計量、信息分布的角度入手，從圖像中提取低概率分布目標，在小目標探測方面有較強優勢。此類小目標探測算法之所以有效的本質在于圖像的白化處理過程。

假設S={r1,r2,…,rN}為所有樣本數據集，ri為圖像中的L（L為波段數）維光譜向量，為樣本均值向量，K為樣本協方差矩陣，矩陣F為K的白化矩陣，則有

FTKF=I,FTF=Δ-1

圖3：小目標檢測結果

其中Δ=diag{λ1,λ2,…,λL}為由K的特征值組成的對角矩陣（設λ1≥λ2≥…≥λL）。實際上F=EΔ-1/2，這里矩陣E由K的特征向量組成，滿足ETKE=Δ。則白化數據為

W={w1,w2…wN}={FTr1,FTr2,…,FTrN}

顯然圖像經過白化處理之后各個波段的方差為1，各個波段之間的相關性為0。這相當于在特征空間中圖像分布信息量比較大的方向上乘以一個縮減比例因子，而在信息量分布比較大的方向上乘以一個擴張比例因子，以使得各個方向上圖像有相同的方差。經過這樣的處理之后，原本信息量比較大、分布相對較為稀疏的方向上的信息得以壓縮而變得稠密；而原來信息量比較小、分布較為密集的方向上的信息得以膨脹開來，尤其是當此方向上有游離于稠密的數據云團之外的小目標時，經過白化之后，此目標將遠遠的孤立于以其他地物為背景的數據云團之外。運用CEM和SAM算法對白化數據進行小目標檢測結果如圖3所示。

3 系統設計

圖4：實驗平臺組成示意

圖5：實驗靶標制作過程

利用兩臺高光譜成像測量裝置，組建針對室內偽裝的異常目標檢測方法實驗平臺。實驗過程采用鹵鎢燈作為照明光源，根據不同的偽裝方式及目標物設計實驗場景。基于對偽裝方式和目標特點的分析，分別選用不同的儀器采集高光譜數據，對實驗結果進行分析評判。如圖4所示。

多色墻面漆是市內裝修常用的建材之一，在可見光波段具有較好的遮蓋力，我們搭建油漆遮蔽偽裝揭露實驗，以多種顏色墻面漆對靶標圖像進行遮蓋，研究以漆層進行偽裝時，光譜圖像對目標的識別能力。如圖5所示。

選用壁紙作為基地材料，表面以書畫墨汁繪制“田”字目標，待墨跡風干后，選用德國Dufa墻面漆作為遮蔽物，添加紅綠黃藍標準色漿制成多色漆，均勻刷涂在壁紙表面對目標進行遮蔽，構成實驗對象。如圖6所示。

使用點掃描成像光譜儀對靶標進行光譜圖像掃描，間隔距離設為2m，對應空間分辨率3.5cm。采集的高光譜圖像數據如圖7所示。

圖6：實驗靶標實物

從實驗結果可見，隨波長向長波方向移動，各種顏色墻面漆的遮蓋力整體呈下降趨勢。從900nm開始，紅、黃兩種淺色漆層已經趨于透明。雖然藍、綠兩種深色漆層遮蓋力弱化稍緩慢，但波長達到1200nm后，各色油漆均已失去遮蓋力，另外，經原始數據分析2300nm后圖像信噪比顯著下降主要源于光源輻射強度減弱及儀器響應度衰減。實驗結果顯示，用紅外光譜成像技術對不同顏色墻面漆構成的遮蔽偽裝均有較好的穿透作用，能夠有效識別漆層下的異常目標。

4 結論

圖7

本課題針對安全保密工作中識別室內環境的異常，保護重要信息安全的需求，以計算光學成像技術為基礎，研究對多中類別偽裝進行識別的方法，并展開了驗證實驗。

通過搭建測試場景，本課題中針對多種偽裝手段開展了識別實驗。基于偽裝目標和偽裝物的特點，分別設計不同的光譜數據采集及處理方法。實驗結果證明，計算光譜成像技術在室內異常目標的識別方面表現出超越目視/可見光識別的優勢，且具有良好的通用性和靈活性，能夠滿足多樣性的識別要求。