Relief-F篩選波段的植被偽裝揭露研究

金椿柏,楊 桄*，雷 巖，吳 迪，劉文婧

(1.空軍航空大學，長春 130022；2.中國人民解放軍 31434部隊，沈陽 110000)

引 言

軍事行動的隱蔽性要求行動時必須借助一定手段進行偽裝[1]。在軍事領域上，偽裝的目的是通過減少目標與背景的差異性，使觀察者難以發現目標[2]，因此，偽裝效果決定著軍事行動的隱蔽性。傳統的偵察手段主要依靠可見光傳感器，而針對這種偵察手段的偽裝，主要依靠改變目標的色調實現偽裝效果[3]。高光譜圖像能同時獲取地物的2維空間圖像和一定波長范圍內的光譜曲線，不同物體在光譜特征上存在差異，利用這一點可以實現揭露目標偽裝[4]。

植被偽裝是通過采集目標周圍植物對軍事目標進行遮障、覆蓋以達到隱蔽目標的一種手段，偽裝目標與周圍環境在色調、形態，甚至是光譜特征上都具有極高相似性，因此具有優良的偽裝效果[5]。植被偽裝由于水分和葉綠素的減少會與周圍植被環境在一定波段范圍內產生差異，這種細微的差異是揭露偽裝的關鍵。高光譜圖像包含數百個波段的光譜數據，在實際應用過程中計算量巨大；且相鄰波段數據相關性強，容易造成“維數災難”[6]，導致分類精度降低，所以必須對高光譜圖像進行降維。為了保留數據的原始物理意義，采用波段選擇算法進行降維。典型算法包括最佳指數法[7]、子空間劃分[8]等。為了識別出特定目標，采用異常檢測算法，如基于光譜角背景純化局部異常檢測算法[9]、改進波段選擇方式提取端元[10]、基于特征波段進行鑒別[11]、基于激光誘導熒光技術提取特征光譜[12]等方法。但是這些算法僅從與數據本身相關的固有屬性入手，難以結合具體實際問題進行波段選擇。

針對上述問題，作者提出基于過濾式特征選擇擴展(relevant feature,Relief-F)算法進行高光譜波段選擇，用于進行揭露植被偽裝問題的研究。通過模擬一個植被偽裝目標作為研究對象，分析不同時間段下偽裝目標光譜特征的變化。一方面通過觀察光譜數據，定性分析變化較大的波段范圍及變化幅度；另一方面，引入Relief-F算法分析偽裝目標與周圍環境的光譜波段的差異性，結合子空間劃分的思想進行波段選擇。最后與傳統的波段選擇方法進行對比，驗證Relief-F算法在這一問題上的有效性。

1 實 驗

植被偽裝一般是通過將采集的植物覆蓋在目標上來進行偽裝，所以用于偽裝目標的植物會隨著時間的推移和環境的變化逐漸枯萎，水分和葉綠素逐漸減少，這個過程從植物被采集下來便開始了。因此，準確獲得植物在枯萎過程中變化敏感的波段區間是作者研究的核心目的。

1.1 設置偽裝目標

實驗于2020-07開展，以云杉這種常見的植物作為材料。由于植被偽裝的偽裝材料一般與周圍環境的主要植被相同，所以采用云杉的葉作為模擬植被偽裝的原材料。首先在12:00采集云杉葉若干，確保采集的樣本能夠接受到充足日照；然后使用云杉葉樣本分別設置3個植被偽裝目標，確保偽裝材料將地面目標完全覆蓋，將偽裝目標放置在無遮障的自然環境下。

1.2 光譜數據采集與預處理

本實驗中采用ASD公司生產的Hand Held 2(HH2)便攜式地物光譜儀進行數據采集，光譜波長范圍為325nm～1075nm，波長精度±1nm，光譜分辨率小于3.0nm。分別對新鮮采集的植物樣本、在自然環境下放置24h,48h和72h的3個偽裝目標進行光譜數據采樣，對每一種樣本采集50個樣本數據，共200個光譜數據，如表1所示。

Table 1 Spectral data sampling table

為了降低周圍環境中散射光對光譜數據質量的影響，實驗人員統一著深色服裝。采集數據時，首先對光譜儀采集暗電流、定標，然后將儀器垂直向下對準目標，距離目標約1m，確保實驗人員面向太陽，目標上無陰影。采集數據過程中，每經過10min，需要對光譜儀再次定標。

光譜數據采集完成后，首先對光譜數據降噪，然后對采集到的數據轉化為反射率，便于后續計算。

1.3 Relief-F算法

Relief算法是一種濾波式的特征選擇算法，最早由KIRA和RENDELL提出用于二分類問題[13]。算法的核心思想是通過考察特征在同類近鄰樣本與異類近鄰樣本之間的差異來選擇特征，權重小于某個閾值的特征將被移除[14]。后來，KONONENKO等人提出了 Relief-F 算法來處理多分類問題[15]，將多分類問題轉化成多個二分類問題，解決了多類別特征選擇過程。Relief-F算法的計算過程簡述如下。

(1)

在得到每一個樣本的平均間隔向量后，利用下式來更新特征權重向量w:

(2)

式中,‖·‖表示范數。連續迭代一定次數，最終得到各個特征的權重向量w。

1.4 實驗流程

本實驗流程如下：(1)制作并放置偽裝目標；(2)使用光譜儀在不同時間點采集植被偽裝的光譜數據，并進行降噪和歸一化預處理；(3)分析對比偽裝目標與周圍植被環境的光譜曲線，利用Relief-F算法計算偽裝目標分別與周圍環境的特征權重關系，并根據特征權重選擇特征波段；(4)與其它常用的波段選擇算法對比，利用k均值無監督分類算法進行對比實驗。

2 結果與分析

2.1 各類樣本采集的光譜特征

圖1是對各類樣本采集到的光譜數據。每一種樣本的光譜曲線取50個樣本數據平均值。

Fig.1 Spectral curves of various samples

通過觀察圖1可以發現，與剛采集的云杉葉相比，植被偽裝的時間越長，在第130波段～第250波段以及第300波段～第500波段的光譜曲線變化程度越多，這兩處波段范圍對應的波長范圍分別是455nm～575nm和625nm～825nm波長范圍內，處于水吸收波段和紅光及紅外波段范圍。這一范圍正是植物的水吸收區和“紅邊”的兩個區域，表明植被偽裝的中植被的水分和葉綠素隨著時間推移在不斷減少，導致對應波段范圍內的光譜曲線發生相應改變。同時觀察圖1還可以發現，當云杉采集24h、48h和72h后，光譜特征的變化幅度不相同。從24h～48h這段時間，在455nm～575nm和625nm～825nm波長范圍內的光譜特征變化幅度明顯增大。綜上所述，當利用植被偽裝軍事目標時，短時間內偽裝效果比較好，長時間之后，偽裝效果會迅速下降。

2.2 基于Relief-F算法的特征波段提取

利用Relief-F算法對植被環境、植被偽裝1、植被偽裝2和植被偽裝3共4種樣本的數據進行特征權重分析，如圖2所示。

Fig.2 Weight coefficients of each band obtained by Relief-F algorithm

從圖2中可以看出,在權重較高，對應點波長范圍分別是425nm～525nm和575nm～785nm，與從圖1中觀察所得結果略有出入，但總體上是相同的。波段的權重系數越高，說明植被環境與偽裝目標之間在該波段內差異越大。其中單波段權重系數最高的是第432波段，對應的波長為767nm，波段位于“紅邊”位置。

結合子空間劃分的思想，從權重系數較高的2個波段區間第100波段～第200波段以及第250波段～第460波段內，按照權重系數的大小等比例選擇波段，避免所選波段子集相關性過高。

2.3 算法性能對比

為了驗證Relief-F在揭露植被偽裝的性能，將Relief-F算法與常用的波段選擇算法進行對比，常用的算法包括最佳指數法、自動子空間劃分法。使用3種算法選擇10個波段，波段選擇結果如表2所示。

Table 2 Subset of bands selected by three algorithms

驗證3種波段選擇算法所得的波段子集的分類精度，具體方法為：對所測200條光譜數據利用k均值算法進行無監督分類，將其分為植被環境、植被偽裝1、植被偽裝2和植被偽裝3共4類，其中總體分類精度代表被正確分類的樣本占所有樣本數的比例。分類結果如表3所示。

Table 3 Classification accuracy of three algorithms

從表3中的分類結果可以發現，利用Relief-F算法選擇的特征波段分類精度高于其它兩種算法，表明Relief-F提取到的特征波段子集在揭露植被偽裝方面具有一定優越性。再利用余弦相似度將3種算法分類結果同地物真實分類標記結果比較，余弦值如表4所示。值越接近于1，表明相似程度越高。

Table 4 Cosine similarity between the classification results of three algorithms and the real classification

由表4中的余弦相似度可知，通過Relief-F算法比較波段權重系數選擇的特征波段分類結果相似度比其它兩種篩選波段的算法略高，說明該算法可以應用于揭露植被偽裝的實踐中。

3 結 論

由于植被偽裝在色調、形態以及光譜特征上與周圍環境高度類似，所以揭露植被偽裝較為困難。本文中利用常見植物模擬植被偽裝目標，采集樣本光譜數據進行實驗分析；提出利用Relief-F算法結合子空間劃分思想選擇光譜數據特征波段，既考慮了光譜特征的類間可分性，又在一定程度上避免了波段子集相關性問題。與其它兩種常用的波段選擇方法對比，Relief-F算法所選波段子集在4種目標上的分類精度高于其它兩種算法，總體分類精度達到了96.4%，余弦相似度達0.9690。證明利用Relief-F算法篩選的光譜波段可以有效地識別出不同時間段的植被偽裝目標，在高光譜圖像揭露植被偽裝以及植被偽裝目標的設置應用方面具有一定的價值。