基于波段提取的偽裝目標目視解譯方法

楊 桄，金椿柏，關世豪，劉文婧，付嚴宇

(1.空軍航空大學， 長春 130022；2.中國人民解放軍95806部隊， 北京 100071)

1 引言

高光譜數據能夠捕捉地物因物質成分的組成、結構不同導致光譜特征具有細微差別，經由處理與分析，可直接或間接的識別出地物類型、物質實質等。然而高光譜遙感影像可包含數百個波段影像，單個波段影像為灰度圖，不同地物區分度較低。在遙感解譯中，出于盡量保留圖像中地物信息的同時對光譜數據進行降維，不同的波段選擇方法不斷被提出。高光譜圖像特征波段選擇是指針對所研究的內容，通過一定的評價準則，從原始波段集合中選擇用于遙感分類或定量估測的有限光譜特征波段，組成光譜特征空間中的一個子集，這個波段子集是一個簡化版本的光譜特征空間，但包括了原始波段集合的主要特征信息，并且在一個含有多種能夠最大限度地區分不同類別的物質。波段選擇過程如圖1所示。

圖1 波段選擇過程示意圖Fig.1 Schematic diagram of band selection

波段選擇方法包括有監督和無監督的方法，監督波段選擇通常設置一個標準函數來衡量所選波段和標記圖像之間的相似性，并采用一些優化策略來尋找最佳波段子集，相關研究人員提出了大量的波段選擇算法：如基于信息量的算法、基于空譜信息結合的算法和基于類間可分性的算法等。無監督波段選擇傾向于在整個波段中找到具有最具代表性信息的特征子集針對高光譜圖像波段選擇問題，但是以上算法僅從波段本身的統計屬性入缺少實際應用中空間目標的識別特點，往往存在著魯棒性不足和適應性較差的問題，不能滿足針對不同地物的解譯需求，還需人眼實行目視分析才能取得較高級別的解譯成果。目視解譯在識別和提取專題地物時仍起著至關重要的作用。一方面，目視解譯是當前從圖像中快速、準確獲取情報的最有效方法，計算機在未來較長一段時間里仍無法完全替代人工目視解譯；另一方面，相對于全色圖像，人眼對彩色圖像中的地物發現能力更強，一般需要針對高光譜遙感數據進行一系列處理程序，才能產生易于人眼理解信息，進而區分不同物質、識別出不同的目標，以供下一步研判。根據不同的解譯需求，提取高光譜遙感影像中的3個特征波段進行假彩色合成，使合成的假彩色圖像能夠最大限度地突出特定地物的特征，在高光譜圖像目視解譯中具有相當重要的作用。所以本研究中提出了一種基于結合劃分子空間和Relief-F算法的模型，致力于篩選出最優合成彩色圖像的波段輔助目視解譯。并結合視覺評估和量化分析，驗證所提出方法的實用性及應用前景。

2 彩色合成進行目視解譯

彩色合成圖像屬于加法混合，即色光的混合，加法混合原理如圖2所示。2種以上的光混合在一起，光亮度會提高，混合色的光的總亮度等于相混各色光亮度之和。紅、綠、藍3種色光是不能通過其他色光相混而產生，其他色可由這3種顏色按照一定比例混合處理。高光譜圖像單個波段的圖像的呈現結果是灰度圖，可以將3個不同波段的圖像利用彩色合成分別賦予紅、綠、藍3種顏色并疊合形成一張新的圖像，對灰度圖像進行彩色增強，充分顯示自然環境信息，一些用肉眼不能看到的環境信息或在真彩色圖像上顯示不出的信息，比如綠色叢林迷彩偽裝網在某些彩色合成圖像上會被突出顯示，利于識別目標。

圖2 色光的加法混合原理示意圖Fig.2 The principle of additive mixing of shades

利用不同波段進行彩色圖像合成，可以對地物的色調進行增強，從而應用于各類場景中。以標準假彩色圖像為例，如圖3所示是一幅航空高光譜影像的真彩色圖像，空間分辨率為0.05 m，光譜范圍為388～1 023 nm，光譜分辨率為4 nm，影像中包含多類地物，如塑料假草皮、綠色民用偽裝網、綠色彩鋼板、裸地等等。

圖3 研究區域真彩色圖像Fig.3 True color image of the study area

將綠波段(0.55 μm)賦予藍色，紅波段(0.67 μm)賦予綠色，近紅外波段(0.88 μm)賦予紅色。合成影像如圖4所示，可以發現植被呈現出紅色，偽裝網的色調與植被十分接近，但相較于植被，偽裝網亮度更低；塑料假草皮呈現紫色，綠色彩鋼板呈現深紫色，土壤呈現灰白色。

圖4 研究區域標準假彩色影像Fig.4 Standard false color image of the study area

以上幾類地物在紅、綠、藍三色波段處的反射率如表1所示，這3種顏色的波段分別對應彩色合成圖像所選的3個波段反射率。從表1中可以發現：植被光譜曲線在紅色波段處的反射率較高，在綠色波段處的反射率近似為零，藍色波段的反射率達到一個極大值，但仍遠低于紅色波段處的反射率，進行彩色合成時，紅光多于藍光，所以合成的品紅色更加偏紅，綠色健康植被更加接近紅色調；民用偽裝網在紅色處的反射率較高，在綠色波段與藍色波段處的反射率相近，所以偽裝網的色調也偏向紅色，但在藍色波段處偽裝網的反射率低于綠色健康植被，因此呈現的紅色調較淺。裸地在紅、綠、藍三色的位置處的反射率大致接近，所以在圖像中合成后的色調為灰白色，接近白色。綠色波段彩鋼板的整體反射率較低，在紅、藍色位置處的反射率相近，大于綠色處的反射率，但整體的反射率都在0.1以下，所以色調較暗，呈現深紫色；塑料假草皮在紅、綠、藍色波段處的反射率趨勢與綠色彩鋼板比較接近，但紅、藍色波段處的反射率較高，所以色調呈現亮紫色。

表1 幾類地物在紅、綠、藍三色波段處的反射率Table 1 The reflectivity of several types of ground objects at the red,green and blue bands

綜合以上結果分析，可以發現在標準假彩色圖像中，綠色健康植被和綠色民用偽裝網色調比較接近，原因是以上3種地物在波長為0.55 μm(藍光)、0.67 μm(綠色)、0.88 μm(紅色)處的光譜反射率相對大小關系(紅光>>藍光>綠光)基本一致，所以進行彩色合成后的色調比較接近，而其他地物則不同，因此呈現的顏色也不相同。因此，要使彩色圖像中不同地物的色調區分程度盡可能更大，關鍵在于選擇合適的彩色合成的波段。

3 結合波段子空間劃分的Relief-F波段選擇方法

根據彩色合成原理以及對標準假彩色圖像的分析，各類地物的光譜反射曲線中某波段的反射率差異越大，在被賦予紅、綠、藍三色進行彩色合成時，合成圖像中不同地物色調差異越大，也就越有利于目視解譯。因此，如何選擇3個使各類地物光譜反射率差異最大的波段，就是彩色合成最佳波段選擇的關鍵。

3.1 Relief-F算法

Relief算法作為一種過濾波段式的經典特征選擇算法，由Kira 和 Rendell在20世紀90年代提出用于解決二分類問題。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，將移除權重小于某個閾值的特征波段。Relief算法剛剛誕生時僅可以處理2種類別的數據，使用起來具有局限性。兩年后，Kononenko 等提出了Relief-F 算法來處理多類別樣本問題，其本質是將多類別樣本問題轉化為多個兩類別樣本問題，實現了多類別特征選擇過程。Relief-F算法計算過程的簡單表述如下：

(1)

在得到每一個樣本的平均間隔向量后，利用式(2)來更新特征權重

(2)

(3)

連續迭代一定次數，最終得到各個特征的權重向量。

通過Relief-F算法得到的各個特征權重向量，其大小表示樣本類別與特征的相關性。權重越大，表明該特征在不同類別的樣本中的區分度越大，反之則表示區分度越小。但是在進行彩色合成波段選擇方面，Relief-F算法在應用中也存在缺點。高光譜圖像相鄰波段間相關性較大，Relief-F算法波段選擇結果易聚集于一段連續波段區間之中，造成信息冗余或存在一些偏差的不良現象，所選波段圖像反射率比較接近，進行彩色圖像合成時結果近似為灰度圖像，不利于目視解譯。

3.2 波段子空間劃分

高光譜圖像的光譜劃分十分精細，在光譜空間中具有較強的相關性，所以運用Relief-F算法得到的結果基本集中在同一個區域，影響后續處理。高光譜圖像某些特定的光譜區域反映地物某些相關特性，必須選擇相關性差異較大的波段，才能充分地發掘出影像中有價值的信息，彩色圖像合成的結果也就越好。為了解決這一問題，采用的辦法是先將所有波段空間劃分為若干個子空間，然后再將所需波段選擇出來。常見的波段空間劃分方法是根據電磁波波長范圍，分為可見光、近紅外、短波紅外，但這種劃分方法并沒有彰顯地物光譜特征的優勢地位，不適合進行光譜空間的劃分。相關系數用于度量高光譜圖像不同波段影像之間的相似性，任意兩波段和之間的相關系數, 計算如式(4)。

(4)

根據波段相關系數矩陣和相鄰波段傳遞的相關性矢量，光譜空間被自動地劃分為多個子空間，每個子空間內具有相似的光譜特性，不同的子空間光譜特性不同。該劃分方式反映出數據的局部特性，理論依據充分。

3.3 波段選擇模型建立

本文將Relief-F算法和自動子空間劃分方法(auto-subspace partition，ASP)相結合建立彩色合成波段選擇模型。首先利用Relief-F算法計算地物光譜數據中各個波段之間差異性大小，然后使用ASP方法將光譜空間劃分為多個子空間，最后結合Relief-F算法在各個子空間中篩選特征波段，利用一定的客觀評價標準對可能的波段組合進行評價，選擇最優的3個特征波段的分別賦予紅、綠、藍3種顏色，進行彩色圖像合成。算法模型流程如圖5所示。

圖5 波段選擇模型流程框圖Fig.5 Flow chart of band selection model

4 波段選擇實驗

4.1 實驗數據

實驗為驗證本文算法在植被環境中揭露幾種偽裝的能力。實驗數據選擇位于我國東北某處，時間選擇在夏季11時至13時之間，由某型無人機搭載某型成像光譜儀采集的高光譜影像(見圖6)，波段數為150，光譜范圍為388～1 023 nm，光譜分辨率為4 nm，采集的圖像數據中包含幾類在可見光環境下色調與植被環境色調相近的地物，包括塑料假草皮、綠色民用偽裝網、綠色彩鋼板。在影像中隨機提取以上幾類目標地物的光譜數據，每一類地物采集100個光譜數據樣本。各類地物的實物照片表2所示。

圖6 高光譜影像Fig.6 Hyperspectral image

表2 各類地物的實物照片Table 2 Physical photos of various features

4.2 實驗過程

圖7是高光譜圖像中幾類主要目標地物的光譜曲線，可以發現不同地物的光譜特征各不相同，僅通過肉眼無法確定使各類地物光譜反射率差異最大的特征波段，因此為了提取彩色合成的最佳波段，本研究中首先采取Relief-F算法計算各個波段的權重(見圖8)，然后利用ASP算法劃分并提出波段子空間，接下來分別在各個子空間中提取權重最高的波段，既保證了各類地物在特征波段處的反射率差異最大，又避免了波段間相關性較強的問題。

圖7 各類地物的光譜曲線Fig.7 Spectral curves of various ground features

圖8 Relief-F算法得出的各波段權重曲線Fig.8 The weight of each band obtained by the Relief-F algorithm

根據自動子空間劃分思想,利用式(1)得到高光譜所有光譜波段之間的相關矩陣，由150×150 個元素組成。將高光譜數據間相關矩陣以二維可視化形式顯示，如圖9。該圖可以形象展現出相關矩陣的分塊特性。同時,近鄰波段相關系數,如圖10所示，能夠相當明晰地對波段間相互關系進行剖析。

圖9 高光譜影像相關系數熱力圖Fig.9 Thermal map of correlation coefficient of hyperspectral image

圖10 近鄰波段相關系數曲線Fig.10 Correlation coefficient curve of neighboring bands

依據相關系數熱力圖的分塊特征，所有波段被分成4個子空間：第Ⅰ空間：1～8,第Ⅱ空間：8～73，第Ⅲ空間：73～89，第Ⅳ空間：89～150。能夠看出,劃分得到的各個子空間所含有的維數均不相同，同時，在各個子空間內的圖像數據具有大致相近的光譜特性。將子空間劃分結果與Relief-F算法所得權重結果合并，如圖11所示。

圖11 波段子空間劃分結果曲線Fig.11 Band subspace division results

子空間劃分結束后，結合Relief-F算法所得權重進行波段選擇。首先在各個子空間內選擇權重最大的波段，然后對各個空間選擇出來的波段計算其任意3個波段組合的最佳指數(optimal index factor，OIF)，衡量圖像的信息量和各波段間的相關性。由上文可知，本實驗已經共劃分了4個子空間，故此處有4種波段組合方式，組合結果如表3所示。

表3 波段組合結果Table 3 Band combination results

分別計算4種波段組合的OIF指數，OIF可以衡量每種組合的信息量和冗余度，選擇OIF指數最高的波段組合作為最終結果。

對比表4中4個波段組合的OIF值，(3,31,79)組合的OIF值最高，因此將(3,31,79)波段組合作為最終的波段選擇結果。

表4 本試驗所得波段組合的OIF指數Table 4 OIF index of the band combination obtained in the experiment of this research

4.3 結果分析

為了說明本文算法在彩色合成波段選擇方面的性能，分別與幾種廣泛使用的波段選擇算法提取特征波段，合成彩色圖像后進行對比，其中包括基于遺傳算法的波段選擇算法、基于信息熵的波段選擇算法。

出于使試驗效果愈加形象地體現這一目的，將3、31、79波段各自賦予藍、綠、紅3種色光合成假彩色圖像，如圖12所示。

圖12 不同算法的特征波段圖像的彩色合成圖像Fig.12 Color synthesis results of characteristic band images by different algorithms

對比幅圖12中各種波段合成圖像可以發現，在真彩色圖像中，綠色民用偽裝網，綠色彩鋼板、塑料假草皮的色調與綠色健康植被的色調相近；而在標準假彩色圖像中，綠色彩鋼板、塑料假草皮色調與植被背景差異明顯，通過目視判讀方法可以清晰地發現這兩類地物，但是偽裝網的色調與植被背景仍然比較相近，僅通過目視解譯難以發現；根據信息熵選擇波段合成的假彩色圖像中，合成的彩色圖像中僅能突出塑料假草皮和綠色彩鋼板，且不能區分這2種地物，偽裝網和植被背景都呈現白色，難以區分；在基于遺傳算法的波段選擇算法中，合成的假彩色圖像里幾類地物均具有不同的色調，但整體的偏暗，不同地物色調差不夠明顯，在一些不顯著的環境中難以發現偽裝，如圖像下方的偽裝網；在本文算法提取的波段組合生成的假彩色圖像中，偽裝網呈現棕綠色，綠色彩鋼板呈現淺綠色，塑料假草皮呈現深綠色，而植被背景呈現棕黃色，通過目視解譯方法可以快速準確地發現隱藏在植被背景中的不同地物。

5 結論

本文提出了一種有監督的波段選擇算法，即選取最佳波段進行彩色合成，采用的Relief-F算法揭示出所獲取目標地物的光譜數據各個波段上不同地物的光譜反射率差異性大小；出于彩色合成使偽裝目標突出，利用Relief-F算法計算的結果在劃分出的眾波段子空間中選擇處理最優波段；通過度量不同波段組合結果的信息量和冗余度，確定出適合解譯最終的波段選擇結果。通過對實驗結果的分析和解譯，本文提出的波段選擇算法，能夠有效地選擇彩色合成的最佳波段，且合成的圖像解譯效果優于基于信息熵和遺傳算法的波段組合結果，在利用高光譜圖像目視解譯在植被背景中揭露顏色相近的偽裝目標，如綠色民用偽裝網、綠色彩鋼板和塑料假草皮等，具有較大的實際意義和價值。