海面目标检测
海面目标检测
高光谱数据具有多通道、光谱范围窄、精度高、信息量大等特点。与单波段目标识别相比，高光谱数据具有很大的优势。因此，它被广泛应用于海面军事目标探测的研究中，主要包括岛屿伪装军事目标探测、海面舰船目标探测、导弹预警等。
1基于高光谱数据的海面目标探测物理基础
高光谱数据具有地图集成的特点，因此在提取舰船目标时，可以同时利用图像特征和光谱特征提取目标信息。随着技术的进步，高光谱设备的几何分辨率和光谱分辨率不断提高。例如，美国战术卫星-3搭载的高光谱成像仪的几何分辨率已经达到5m，机载高光谱成像仪的分辨率可以达到10m。海面上的军用舰船目标，基本上长度超过100米，宽度超过几十米。因此，当使用高光谱成像仪检测目标时，基本上可以检测到目标的轮廓。
此外，由于船舶等目标一般为金属结构，海洋本底为海水，根据沿海海洋环境污染物和海洋水包信息的多样性，一般认为沿海海洋的光谱信号主要位于0.9 μ m以下。背景和目标的辐射和散射特性明显不同，光谱图像也不同。因此，高光谱数据可以有效地区分目标和水面上的背景。此外，对于一些看不见的水面舰艇，考虑到发动机和螺旋桨产生的温差，利用高光谱采集这些特征波段可以有效地提取舰船目标。对于岛上的伪装军事目标，由于目前的伪装技术难以实现与真实环境谱线一致的谱线，因此从高光谱数据中选取特征波段，在光谱图像中可以看到真实物质和伪装物质。明显的区别是利用高光谱目标检测技术实现对伪装目标的检测。图为美军利用高光谱探测到的伪装目标。左边的图片是传统彩色图像，右边的图片是伪装目标的伪彩色图像。通过选择特定波段的光谱图像来进一步合成该伪彩色图像。伪装坦克的位置可以被清楚地探测到。
美国陆军高光谱探测坦克试验
目前，新一代反舰导弹普遍具有超视距攻击、超音速突防、超低空飞行、隐身设计、复合末制导、可变弹道等性能，已成为现代海战的主要进攻性武器。这艘船的生存造成了极大的威胁。结果表明，这些导弹的尾焰在可见/近红外波段0.4 ~ 1.7 μ m、中波红外波段3 ~ 5 μ m和长波红外波段8 ~ 12 μ m具有明显的光谱特征。因此，为了提高导弹的侦察能力，及时发现目标，降低舰船遭受攻击的风险，可以将探测到的目标的光谱特征与高光谱数据库中的标准光谱进行匹配，得到目标的类型、属性等参数。可以采取有针对性的措施进行跟踪和激光测距，为战争中的指挥和决策提供更可靠的依据。
2基于高光谱数据的目标检测算法
利用高光谱数据进行目标检测时，主要有以下三个优点: 一是利用光谱特征进行目标检测，对采集到的图像空间分辨率要求较低; 二是高光谱数据具有丰富的光谱信息，可以有效辨别目标的真伪；第三种是基于光谱特征，可以有效地从复杂背景中突出检测目标。自2090年代以来，国内外学者对高光谱图像目标检测算法进行了研究。代表性学者有马里兰大学的C.I.Chang、麻省理工学院的D.Manolakis、中国科学院遥感与数字地球研究所的张兵等。他们的研究成果推动了异常目标检测算法和快速目标检测算法的快速发展。通过现有算法处理的图像目标和背景之间的差异得到了显着增强。
2.1异常目标检测算法
具有先验知识，基于高光谱数据的目标检测方法分为两类: 一类是具有先验信息的监督目标检测; 另一类是没有任何先验信息的无监督目标检测。前者是通常意义上的目标检测，后者是异常目标检测。异常目标检测主要分为两类: 一类是根据统计特征直接进行异常目标检测; 另一类是首先提取目标和背景光谱特征，然后利用监督方法进行目标检测。
直接基于图像统计特征的异常目标检测的代表性算法是RX算法，该算法由I.S.Reed和X.Yu 1990年提出，作为异常检测领域的基准算法被广泛学习。但该算法存在以下不足 :( 1) 背景需要服从正态分布，与真实场景差异较大;(2) 背景需要单一，在复杂背景环境下提取效果不明显；(3) 背景模型的复杂度随着波段的增加而增加，效率较低。因此，许多研究者对这种算法进行了改进。C.I.Chang等人提出了一系列改进的算子，如r-rx算子、低概率目标检测算法和平衡目标检测算法。2012年，E.Lo提出了最大化子空间的RX异常检测，2014年，提出了一种基于数值优化的变因子分解模型的异常检测算子来优化RX算子的检测结果。
为了改善复杂背景环境下RX算子检测效果差的问题，S.Matteoli等人提出了一种局部自适应背景密度估计RX异常检测，明显提高了RX算子的检测性能。此外，他们还提出了一种基于背景非参数估计的检测算法，该算法也提高了检测性能。针对RX算法虚警率高的问题，Yver等人提出了一种基于最大后验概率的异常检测算法，并利用Markov规则消除了虚目标。
针对RX算子中协方差矩阵反演量大的缺点，Schweizer等人利用三维马尔可夫随机场直接估计协方差矩阵的逆矩阵，削弱了反演过程中的计算复杂度。随着机器学习理论的广泛应用，K.Heesung等人将核机器学习方法引入高光谱图像处理领域，利用核映射和核函数提高了背景和目标的分离能力，取得了良好的目标检测效果。随后，S.Khazai将其扩展到改进的内核RX异常检测算子，进一步提高了RX算法的检测能力。有研究者将基于向量数据描述的SVDD算法引入到异常目标检测算法中，有效地提高了目标检测的准确性和效率。然而，基于SVDD的目标异常检测算子在核函数选择和参数确定方面存在困难。因此，许多研究者在此基础上提出了一系列改进的SVDD目标异常检测算子，从多个角度进行了改进，取得了良好的效果。
监督目标检测方法是已知目标谱。已知目标谱的监督目标检测方法中的代表性算子是约束能量最小化算子 (CEM)。操作员是由C.I.Chang等人提出的。该算法是在仅已知目标对象光谱的情况下，通过简化LCMV算法得到的，并利用目标光谱进行匹配滤波以实现亚像素检测。CEM作为已知目标谱条件下异常目标检测的代表，已经成为亚像素目标检测算法的基准。此外，其他一些学者也对此类算法进行了深入研究。Manlakis等人提出了自适应匹配滤波算法 (AMTF)。该算法利用目标谱得到均匀最大化的目标似然，然后将其代入广义似然比中，构造目标检测算子。在此基础上，他们通过提高匹配精度等提高算法的目标检测性能。考虑到背景光谱的缺失会导致背景对目标提取精度的影响难以有效抑制，他们通过端元提取方法获取背景的光谱信息，最终将此算法转化为目标和背景光谱信息已知的目标检测算法，提高了目标检测算法的性能。
另一类监督目标检测算法是已知目标谱和背景谱的检测方法。这类算法的基本思想是在抑制背景信息的基础上，通过匹配滤波算法检测目标。这类代表性算法是由Harsanyi和Chang 1994年提出的正交子空间投影算法 (OSP)。该算法通过将正交互补空间投影到背景空间来实现对背景的抑制，然后对目标频谱进行匹配和滤波，达到突出检测目标的目的。在OSP算法的基础上，出现了一系列改进算法: Chang提出的噪声子空间投影算法 (NSP)，可以检测子像素; 广义正交子空间投影算子 (GOSP) 利用无监督方法扩展波段维数，然后利用OSP算子进行检测；特征子空间投影算法 (SSP) 使用矢量量化来获得背景特征，然后进行投影和光谱匹配; 倾斜子空间投影算子 (OBSP) 将投影的正交子空间扩展为倾斜子空间。此外，将算子与广义似然比检测相结合，利用OBSP的特性解决了广义似然比检测过于依赖背景信息准确性的问题。在背景信息模糊的情况下，最大似然比方法仍能获得较好的检测效果。除OSP及其改进算法外，目标约束干扰最小化滤波算法 (TCIIMF) 也是一种具有已知目标和背景的异常目标检测算法。该算法假设目标、背景和噪声可以分离，寻找能同时约束目标和背景的约束向量，使算子在检测目标的同时，能过滤掉背景信息。与第一类检测方法类似，一些研究人员将核空间算法引入到第二类算法中，并使用机器学习方法来提高该类算法的性能。代表性算子如KOSP和KTCIMF被用来通过非线性映射来提高算子的检测性能。
2.2
目标检测的实时性能是考察高光谱仪器军事性能的重要指标。然而，随着成像光谱技术的发展，高光谱图像中的数据量逐渐增加，制约了实时目标检测。目前，大多数异常目标检测算法都是利用高光谱数据的全局或局部信息来统计背景和目标相关信息，算法侧重于提高算法的检测性能，而忽略了算法的有效性要求。然而，对于军事目标检测应用来说，提高检测算法的实时性是一个亟待解决的问题。为了满足军事需求，有必要提出新的算法或改进当前提出的目标检测算法。
2005年，D.Qian等人提出了一种实时约束线性判别分析 (CLDA) 方法，该方法在满足约束条件下，最大化类内和类间距离的比值，然后将其推广到无监督实时约束线性判别分析 (UCLDA)，并提出了一种基于高光谱数据存储2009年的快速目标检测算法，该算法接近于实时处理。2013年，N.Acito等人提出了一种实时RX局部异常检测算法，该算法通过计算两个缓冲区数据 (缓冲区中的均值和方差)，有效地提高了RX算法的计算效率; 2014年，a.Rossi等人提出了一种具有RX结构的快速目标检测算法，其中使用线性代数更新协方差矩阵，但不能从根本上解决复杂计算造成的计算延迟; 同年，J.M.Molero等人提出了基于GPU多核处理器的RX异常检测，利用GPU多核处理器的并行计算能力，提高了基于滑动窗口的本地RX算子的计算效率。E.Torti等人提出了一种实时高光谱子空间识别算法，并将其应用于不同类型的高性能计算架构，包括通用多核图形处理单元 (GPU) 和数字信号处理器 (DSP)，以实现快速目标检测。
在国内，张兵等从DSP实现的角度设计了高光谱目标检测算法，并完成了基于推扫成像光谱仪的高光谱实时检测系统，获得了良好的成像效果。W.Guo等人提出了一种基于多核DSP并行处理的RX异常检测，在一定程度上提高了RX算子的效率和检测性能。在舰船目标检测方法方面，徐芳等提出了一种无监督海面舰船目标自动检测方法。该方法基于视觉显著性，结合多显著性检测模型快速搜索海面目标，生成显著性图然后对其进行粗分割，对提取的目标切片进行标记并进行精细分割，并利用梯度方向特征识别可能被探测到的厚云和岛屿等伪目标，确定舰船目标并去除伪目标。总之，目前的一些实时处理算法主要从提高算法的计算效率入手，采用高性能处理器，在一定程度上实现了实时目标检测，提高了检测效率。然而，这些算法中仍然存在大量复杂的矩阵运算和逆运算，这对处理硬件提出了更高的要求，使得实时上机处理变得困难。
