面向戰場環境感知的高光譜圖像處理技術綜述

吳玲達， 姚中華， 任智偉

(1. 裝備學院 復雜電子系統仿真實驗室, 北京 101416； 2. 裝備學院 研究生管理大隊, 北京 101416)

面向戰場環境感知的高光譜圖像處理技術綜述

吳玲達1， 姚中華2， 任智偉2

(1. 裝備學院 復雜電子系統仿真實驗室, 北京 101416； 2. 裝備學院 研究生管理大隊, 北京 101416)

高光譜圖像由于其良好的空間特性和光譜特性，已經廣泛應用于地質勘查、海洋監測、農業觀測、戰場偵察等領域中。面向戰場環境感知相關應用，總結了高光譜圖像預處理技術和端元解混技術，并根據戰場環境分類和戰場目標檢測的實際應用，對高光譜圖像分類技術和目標檢測技術進行概述；總結比較了高光譜圖像處理常用算法的優劣性及適用范圍，展望了高光譜端元解混、分類及目標檢測等技術的發展趨勢。

高光譜圖像；端元解混；目標檢測；戰場環境感知；光譜圖像分類

高光譜遙感，又稱成像光譜遙感，是一種將光譜技術與成像技術相結合的新興遙感技術[1]。目前，許多國家都致力于星載與機載高光譜遙感系統的研究。其中，較有代表性的包括NASA的AVIRIS、歐洲空間局的CHRIS以及中國科學院上海技術物理研究所的PHI等[2]。

高光譜遙感技術具有圖譜合一和光譜連續的特點，在現代戰場環境感知領域有著巨大的發展潛力。通過高光譜遙感技術能夠獲取地物上百個譜段的信息，使得對地物的分類更加精確，據此能夠進行戰場中地表環境(例如河流、山川、城區、海洋、農田等)的識別，為作戰計劃的制定提供必要信息[3]。同時,根據目標與偽裝材料不同的光譜特性，利用高光譜遙感技術可以有效地識別偽裝，排除戰場中的偵察干擾。另外，高光譜遙感技術除了能夠對目標的狀態進行識別外，還能夠對目標的組成成分和元素進行分析，從而推斷出更有效的偵察信息[4]。

高光譜圖像處理是高光譜遙感技術的關鍵，主要包括數據預處理技術、端元解混技術、圖像分類技術與目標檢測識別技術等，如圖1所示。其中，預處理技術和端元解混技術是高光譜圖像處理中的基本處理技術，它們解決了高光譜圖像的噪聲干擾、維度冗余和像元混合等問題。高光譜圖像的戰場應用技術主要包括戰場環境分類技術和戰場目標檢測技術。

圖1 高光譜圖像處理技術概略圖

1 高光譜圖像預處理技術

1.1 高光譜圖像降噪技術

在實際工作場景中，遙感圖像在進行光學信息獲取和信息傳輸時普遍會受到噪聲的影響而使遙感圖像質量變差。噪聲可能會淹沒感興趣的軍事目標，因此需要對高光譜圖像進行降噪處理。在遙感圖像預處理過程中，對噪聲進行分析、評估和濾波是關鍵的一部分，因此降噪一直都是該領域的熱門問題。遙感圖像降噪的根本目標是在抑制噪聲的同時保持圖像的特征信息。近年來，在空間域和光譜域針對遙感圖像的降噪問題提出了種類繁多的解決方法，總結起來主要包括空間維度降噪和光譜維度降噪2大類。

空間維度降噪方法可借鑒普通二維圖像的降噪方法，主要包括地質平均法[5]、局部均值法[6]、基于高斯波形提取的優化方法[7]等?？臻g維度降噪方法只能夠對單幅圖像的噪聲進行濾除，對于高光譜圖像不同光譜之間的相關噪聲并不能取得很好的降噪效果，因此除了進行空間域的降噪外，還需要在光譜域降噪。最小噪聲分離被認為是目前光譜域降噪的常用方法，文獻[8]指出該方法可通過降低高光譜圖像數據中的非相關噪聲來提高信噪比；同時，該文獻還針對主成分分析方法需要將非均勻噪聲轉化為高斯分布的缺點，提出了一種基于改進累積方差百分比的主成分降噪方法。根據高光譜空間域和光譜域數據相關性高的特點，Gao等[9]提出了一種新的殘差調整的局部標準差高光譜圖像噪聲評估方法。上述這些高光譜降噪估計方法的基礎是高光譜圖像與其中的噪聲是獨立分布的，同樣有一些研究考慮了噪聲與高光譜圖像的相關性，從而對這種相關噪聲進行降噪估計[10]。

1.2 高光譜圖像降維技術

高光譜遙感的最大特點是其圖像數據包含了上百個光譜波段信息，利用這些信息可以繪制出不同地物近似連續的特征譜線，使得光譜特征更加明顯，但同時信息的相似和重復導致數據處理更加困難。長期以來，高維數據處理始終是高光譜遙感在現實場景應用中的一大難題。為提高分類、檢測的準確率并且減少數據量、提高效率，降維處理對高光譜數據來說尤為重要。高光譜數據降維有2種方法，即特征選擇降維方法與特征提取降維方法。這2種方法各有優點，目前效果比較好的方法是將其混合使用。

光譜特征選擇也被叫作波段選擇，是從高光譜圖像數據的全部波段中選出部分波段,其中包含的信息能夠極大限度地表示原始高光譜圖像的主要特征。波段選擇依據目標函數的不同分成Wrapper型和Filter型波段選擇2種方法。Wrapper型特征選擇算法是把分類精度作為評判所選擇的波段優劣的指標[11]。通過Wrapper型特征選擇，可以得到較Filter方法更優的特征子集，但是要求大量的計算時間。與Wrapper型特征選擇相比，Filter型使用的目標函數有所不同，計算復雜度更小。這些目標函數一般基于熵[12]、圖論[13]、可分性[14]、最小估計豐度協方差[15]、Fisher判別[16]等構造。Filter波段選擇算法相對簡單，在精度、穩定性方面針對不同應用有不同結果。此外，近年來以智能搜索策略為基礎的波段選擇算法受到廣泛關注,先后有遺傳算法[17]、克隆選擇[18]及蟻群優化[19]被應用到特征選擇當中。Ghamisi等[20]提出基于遺傳算法和粒子群優化的波段選擇算法，可以自動選擇有效特征。

光譜特征提取是將原始數據進行數學變換從而實現高光譜數據的約減，同時盡可能地增強特征。光譜特征提取可以分為2種，即線性提取方法與非線性提取方法。目前廣泛使用的線性特征提取方法是主成分分析降維[21]法，使用該方法降維既保留較高信息量又降低了計算時間。此外，光譜特征提取在非線性處理方面也有一些研究成果?；诤撕瘮档姆蔷€性特征提取代表算法有Kernel LDA[22]、核主成分分析[23]。但是核函數的工作原理理論證明不充分，屬于隱式映射，因此在核函數構造及參數選擇方面還需進一步研究?；诹餍螌W習的非線性特征提取方法是近年來研究的熱點問題，它將高維數據空間中的點進行低維流形嵌入，達到數據維數約減的目的[24]。這樣雖然能較好地反映數據的非線性結構，但往往會帶來較大的計算負擔。

2 高光譜圖像端元解混技術

高光譜圖像的端元解混技術能夠實現對戰場環境的偵察，主要是對戰場中的基礎地理信息進行判別，如以色列學者使用CASI高光譜設備對特拉維夫市進行了空中拍攝，較好地實現了對該市的河道、森林、土壤、道路等地物的識別[25]。

由于高光譜設備的空間分辨率比較低，圖像像元存儲的信息一般是很多物質輻射光線的混合。其中，純物質的光譜被稱為端元。高光譜圖像中部分像素通常會含有很多端元，這類像素被稱為混合像元?；旌舷裨獣е赂吖庾V圖像分類和檢測錯誤，可能造成對軍事目標的誤判。因此，在分類與目標識別之前，需要對高光譜遙感圖像進行端元解混。

高光譜遙感圖像端元解混的主要步驟包括：混合像元的數學建模、高光譜圖像的特征增強和端元提取。由于像元模型粗糙、地物種類繁多及信息量大等因素，端元解混至今未被很好解決。自Keshava提出了高光譜圖像端元解混的問題后[26]，很多學者提出了大量的端元解混方法。

2.1 純像元假設下的幾何解混算法

該算法假設圖像中存在純凈像元，這表明高光譜遙感數據在光譜維空間變換形成的單形體中，每一端點上最少會有一個投影點。根據該約束條件，算法思路就是尋找遙感圖像中的純凈像元。由于概念明確而且解算簡單，這種算法在線性端元解混里最常用[27]。其典型方法有內部最大體積法[28]、單形體增長算法[29]、頂點成分分析[30]、逐次投影法[31]、順序最大角凸錐法[32]和交替體積最大化法[33]等。該類算法最大的問題是實際圖像中往往不存在純凈像元，因而無法保證解混精度。

2.2 最小體積模型下的幾何解混算法

最小體積模型方法的目標是求解混合矩陣，該矩陣使包含所有純凈像元單形體的體積最小。這里的求解問題是非凸優化問題，處理起來更困難。其典型方法有最小體積單形體分析[34]、凸錐分析[35]、最小體積約束的非負矩陣分解[36]、迭代限制端元[37]、最小體積單形體分析[38]、基于分離和增廣拉格朗日的端元解混[39]等。此外還有基于稀疏策略的迭代限制端元[40]等。該類算法的主要缺點是提取得到的像元不一定在圖像中。

2.3 稀疏回歸解混算法

由于高光譜遙感圖像在光譜維上有稀疏性特征，因此可以基于稀疏編碼方法中的過完備字典思想構建出表示物質種類的過完備端元集合，進而根據該集合對存在混合像元的高光譜遙感圖像進行表征。Iordache等[41]提出了混合像元光譜稀疏編碼的方法，基本工作原理如圖2所示。該算法的主要問題為其結果并不一定共享相同的端元集合，使結果中可能包含不存在于圖像中的地物種類。針對該缺陷，Iordache等[42]此后又提出了聯合稀疏編碼方法，通過引入混合范數使稀疏編碼處理過程中共用相同的端元集合。研究人員基于這一思想做了較大改進，如局部聯合稀疏表示等。除此以外，最近幾年稀疏編碼還和NMF(Non-negative Matrix Factorization)模型聯合組成稀疏NMF端元解混模型，例如超圖約束的稀疏NMF、流行約束的稀疏NMF等。

由于有效地規避了純凈像元缺失與端元估計這2個制約高光譜圖像端元解混精度的因素，因而基于稀疏編碼的方法成為高光譜端元解混的熱門研究領域。但是，高光譜稀疏解混算法仍然無法很好地解決同物異譜和同譜異物問題。

圖2 高光譜圖像稀疏表示端元解混合

2.4 融合空間信息的解混算法

為提高高光譜遙感圖像端元解混精度，除根據地物光譜信息提取端元外，還可以將地物空間信息引入到圖像處理中。這里的地物空間信息可以用來增加光譜區別度，尤其是當遇到同譜異物的情況時，考慮地物空間信息可以提升端元的提取準確率。根據這一考慮，Plaza等[43]最先提出了非監督的形態學端元解混算法。此外，地物空間信息可當作制約條件與稀疏表示方法相融合，如空間約束NMF、空間-光譜限定的稀疏表示等算法。而如何將光譜信息與空間信息進一步有效結合仍然是目前需要研究的問題。

3 高光譜圖像的戰場應用

3.1 戰場環境分類技術

高光譜圖像的分類技術已經廣泛地用于戰場感知。例如：該技術在海洋水體的遙感中具有明顯的應用優勢——結合海洋本身的水文特性和光學模型，利用高光譜圖像所獲取的海水清晰度、海底深度、水流信息等，能夠獲得水面艦艇和水下潛艇等目標信息及其相應的動態特性。美國海軍主持研發設計，現已投入使用的成像光譜儀，可提供210個波段(400～2 500 nm)的光譜數據。其主要目的是獲取近海目標動態特性，同時還可以對大氣進行監測分析，為海軍作戰提供情報參考。打擊效果評估也是高光譜圖像分類技術在戰場環境中的一個重要應用，尤其是對地下建筑物的毀傷效果評估。此外，對戰場地形的分類可為軍事行動提供更有力支持。

由此可見，分類及檢測是高光譜遙感圖像應用中十分重要的內容。賦予每個像元以唯一光譜特征類別標識，并在此基礎上提取出感興趣目標是分類的最終目的。這在戰場環境的判斷中具有重要的應用意義。目前高光譜圖像的分類技術主要包括以下幾種:

1) 半監督學習[44]和主動學習[45]能夠利用已標記的有限訓練集對大規模待標記像元信息進行挖掘，可以減弱“不適定”問題給高光譜圖像分類帶來的影響。另外，使用大量待標記數據集和少量已標記數據集進行共同學習，可構建更加有效的分類器。

2) 光譜-空間特征結合的高光譜分類方法引入了空間信息，使得地物連續性以及分類精度有較大提高。如何有效獲取空間特征，以及將光譜信息與空間特征結合，是該方法研究的核心問題。根據對光譜-空間聯合分類時效要求的不同，可分為同步處理與后處理2種方法。

3) 高光譜圖像的稀疏編碼使得原子類別標記信息得以傳遞，具有重要應用價值。稀疏多元邏輯回歸[46]和稀疏條件隨機場模型方法被引入到高光譜圖像處理中，后者具有可以同時選擇特征及訓練分類模型的特點[47]。

3.2 戰場目標檢測技術

高光譜圖像目標檢測技術已成功地應用于航天軍事目標偵察領域。通過對偵察目標的光譜特征曲線分析可以得到對應目標的組成成分，如識別隱蔽于叢林中的坦克、探測地雷、搜救人員等。坦克的迷彩與叢林極其相似，從自然光的遙感圖像中是無法分辨的，但是其光譜曲線有很大區別。利用地雷與土壤的光譜差別和地面被擾動痕跡的光譜特性可以探測地雷。如果戰場失蹤或逃生人員用特殊物質做標記，那么可以通過高光譜傳感器更加快速地定位。高光譜圖像目標檢測相對于可見光遙感圖像戰場目標偵測的主要優點是：能夠對偵察目標的材料進行鑒別，以區分自然環境背景與偽裝的軍事目標；能夠對軍事目標的性質和種類進行鑒別，從而避免偽裝及假目標的干擾等。

美國以星載高光譜遙感作為研究重點，成功將其應用于戰場偵察中，主要包括識破偽裝和監督武器生產等。識破偽裝主要利用目標與偽裝材料之間的光譜特性區別，判斷所偵察的區域是否存在偽裝目標或制造干擾的假目標。監督武器生產主要是利用高光譜成像技術偵察目標工廠的煙霧等信息，通過識別工廠煙霧中物質成分，對軍工廠生產的打擊武器類型進行判斷。美國位于馬薩諸塞州Fitchburg的Headwall Photonics公司已經為地面部隊開發了一種用于偵察的便攜式高光譜傳感器[48]。通過該系統能夠擴展偵察兵獲悉地形和威脅信息的內容。例如，在執行偵察任務過程中，傳感器可以發現隱藏在背景環境中的偽裝物；根據其現有配置，該裝備可用于發現狙擊手。

能夠用于戰場目標檢測的技術主要包括以下幾種：

1) 約束能量最小化算法[49]在保證目標光譜特征響應為1的情況下，通過最小化輸出能量來實現目標的探測。但是，約束能量最小化算法容易受到背景光譜的影響，因此，Gao等[50]為了提高目標探測的效果，提出了一種自適應的匹配濾波算法。

2) 正交子空間投影算法[51]通過正交投影的方式，最小化背景光譜的特性，同時保留目標光譜的特性而實現目標識別，因此本算法中所選擇的投影空間為背景光譜的正交子空間。

3) 目標約束下的干擾最小化濾波算法[52]通過探測算子進行目標的探測，該探測算子的特點是對于目標特征能夠進行正確探測，而對于背景的特征能夠有效地進行抑制，防止將背景作為目標進行探測的情況發生。

4) 基于稀疏編碼的目標探測算法[53]將每個像元通過冗余詞典中少量元素的線性加權來進行表示，在具有目標光譜特征的先驗知識下，可以對目標進行探測。冗余詞典的構建對基于稀疏編碼的目標探測算法影響較大，但是合適的冗余詞典是非常難構建的。

4 結 束 語

本文立足戰場環境感知中的高光譜圖像處理技術，從高光譜圖像的預處理、端元解混和戰場應用技術等3個方面進行概述，內容包括經典的算法和目前的前沿算法。隨著技術的逐步成熟，高光譜遙感將在戰場環境感知中發揮舉足輕重的作用。

由于戰場環境中對于信息的精確度要求較高，而高光譜圖像空間維分辨率通常較低，為了進一步提高戰場環境分類和目標檢測精度，目前比較熱門的一個研究方向是將高光譜圖像與高分辨率可見光圖像進行融合，能夠綜合2類圖像的優點進而提高高光譜圖像的利用價值。

戰場中對信息的實時性要求較高，現有的高光譜處理算法復雜度比較高，計算開銷大，為了進一步提高戰場態勢感知速度，研究高光譜圖像的并行處理算法，利用分布式計算方法對高光譜圖像處理是一個可行的解決方案。

References)

[1]童慶禧,張兵,鄭蘭芬.高光譜遙感：原理、技術與應用[M].北京：高等教育出版社,2006:11-13.

[2]SCHAEPMAN M E,USTIN S L,PLAZA A J.Earth system science related imaging spectroscopy：an assessment[J].Remote Sensing of Environment,2009,113: S123-S137.

[3]張良培,杜博,張樂飛.高光譜遙感影像處理[M].北京：科學出版社,2014:22-32.

[4]張達,鄭玉權.高光譜遙感的發展與應用[J].光學與光電技術,2013,11(3):72-78.

[5]CURRAN P J,DUNGAN J L.Estimation of signal-to-noise: a new procedure applied to AVIRIS data[J].IEEE Transactions on Geoscience & Remote Sensing,1989,27(5):620-628.

[6]GAO B C.An operational method for estimating signal to noise ratios from data acquired with imaging spectrometers [J].Remote Sensing of Environment,1993,43(1):23-33.

[7]高連如.高光譜遙感目標探測中的信息增強與特征提取研究[J].中國科學院遙感應用研究所,2007,1(2):13-18.

[8]黃威,高太長,劉磊,等.一種基于改進累積方差百分比的紅外高光譜數據降噪方法[J].光譜學與光譜分析,2016,36(11):3625-3629.

[9]GAO L R,ZHANG B,ZHANG X,et al.A new operational method for estimating noise in hyperspectral images[J].IEEE Geoscience & Remote Sensing Letters,2008,5(1):83-87.

[10]ACITO N,DIANI M,CORSINI G.Signal-dependent noise modeling and model parameter estimation in hyperspectral images[J].IEEE Transactions on Geoscience & Remote Sensing,2011,49(8):2957-2971.

[11]SAMADZADEGAN F,PARTOVI T.Feature selection based on Ant Colony algorithm for hyperspectral remote sensing images[C]// Hyperspectral Image and Signal Processing: Evolution in Remote Sensing.Atlanta:IEEE,2010:1-4.

[12]BAJCSY P,GROVES P.Methodology for hyperspectral band selection[J].Photogrammetric Engineering & Remote Sensing,2004,70(7):793-802.

[13]秦方普,張愛武,王書民,等.基于譜聚類與類間可分性因子的高光譜波段選擇[J].光譜學與光譜分析,2015(5):1357-1364.

[14]蘇紅軍,杜培軍.高光譜數據特征選擇與特征提取研究[J].遙感技術與應用,2006,21(4):288-293.

[15]夏威.高光譜遙感圖像的解混和波段選擇方法研究[D].上海：復旦大學,2013:35-55.

[16]甘樂,李功權.半監督局部保持高光譜影像降維算法研究[J].電腦知識與技術,2015,11(2):169-170.

[17]馮靜,舒寧.改進型遺傳算法和支持向量機的波段選擇研究[J].武漢理工大學學報,2009(18):120-123.

[18]楊三美.基于克隆選擇算法的高光譜圖像波段選擇[D].武漢：華中科技大學,2011: 64-84.

[19]GAO L,ZHUANG L,WU Y,et al.A quantitative and comparative analysis of different preprocessing implementations of DPSO: a robust endmember extraction algorithm[J].Soft Computing,2014,80(13):1-15.

[20]GHAMISI P,BENEDIKTSSON J A.Feature selection based on hybridization of genetic algorithm and particle swarm optimization[J].IEEE Geoscience & Remote Sensing Letters,2015,12(2):309-313.

[21]李海濤,顧海燕,張兵,等.基于MNF和SVM的高光譜遙感影像分類研究[J].遙感信息,2007(5):12-15.

[22]LI W,PRASAD S,FOWLER J E,et al.Locality-preserving discriminant analysis in kernel-induced feature spaces for hyperspectral image classification[J].IEEE Geoscience & Remote Sensing Letters,2011,8(5):894-898.

[23]LICCIARDI G,MARPU P R,CHANUSSOT J,et al.Linear versus nonlinear PCA for the classification of hyperspectral data based on the extended morphological profiles[J].IEEE Geoscience & Remote Sensing Letters,2012,9(3):447-451.

[24]WANG L,JIA X,ZHANG Y.A novel geometry-based feature-selection technique for hyperspectral imagery[J].IEEE Geoscience & Remote Sensing Letters,2007,4(1):171-175.

[25]張朝陽,程海峰,陳朝輝,等.高光譜遙感的發展及其對軍事裝備的威脅[J].光電技術應用,2008,23(1):10-12.

[26]KESHAVA N,MUSTARD J F.Spectral unmixing[J].IEEE Signal Processing Magazine,2002,19(1): 44-57.

[27]CHANG C I,PLAZA A.A fast iterative algorithm for implementation of pixel purity index[J].IEEE Geoscience & Remote Sensing Letters,2006,3(1):63-67.

[28]WINTER M E.N-FINDR: an algorithm for fast autonomous spectral end-member determination in hyperspectral data[C]// SPIE's International Symposium on Optical Science,Engineering,and Instrumentation.Yokohama: International Society for Optics and Photonics,1999: 266-275.

[29]CHANG C I,WU C C,LIU W,et al.A new growing method for simplex-based endmember extraction algorithm[J].IEEE Transactions on Geoscience & Remote Sensing,2006,44(10):2804-2819.

[30]NASCIMENTO J M P,DIAS J M B.Vertex component analysis: a fast algorithm to unmix hyperspectral data[J].IEEE Transactions on Geoscience & Remote Sensing,2005,43(4):898-910.

[31]ARAU′JO M C U,SALDANHA T C B,GALVO R K H,et al.The successive projections algorithm for variable selection in spectroscopic multicomponent analysis[J].Chemometrics & Intelligent Laboratory Systems,2001,57(2):65-73.

[32]GRUNINGER J H,RATKOWSKI A J,HOKE M L.The sequential maximum angle convex cone (SMACC) endmember model[C]//Defense and Security.Teheran: International Society for Optics and Photonics,2004: 1-14.

[33]CHAN T H,MA W K,AMBIKAPATHI A M,et al.A simplex volume maximization framework for hyperspectral endmember extraction[J].IEEE Transactions on Geoscience & Remote Sensing,2011,49(11):4177-4193.

[34]LI J,BIOUCAS-DIAS J M.Minimum volume simplex analysis: a fast algorithm to unmix hyperspectral data[C]// Geoscience and Remote Sensing Symposium.Cape Town: IEEE ，2009: 250-253.

[35]IFARRAGUERRI A,CHANG C I.Multispectral and hyperspectral image analysis with convex cones[J].IEEE Transactions on Geoscience & Remote Sensing,1999,37(2):756-770.

[36]MIAO L,QI H.Endmember extraction from highly mixed data using minimum volume constrained nonnegative matrix factorization[J].IEEE Transactions on Geoscience and Remote Sensing,2007,45(3): 765-777.

[37]BERMAN M,KIIVERI H,LAGERSTROM R,et al.ICE: a statistical approach to identifying endmembers in hyperspectral images[J].IEEE Transactions on Geoscience & Remote Sensing,2004,42(10):2085-2095.

[38]CHAN T H,CHI C Y,HUANG Y M,et al.A convex analysis-based minimum-volume enclosing simplex algorithm for hyperspectral unmixing[J].IEEE Transactions on Signal Processing,2009,57(11):4418-4432.

[39]BIOUCAS-DIAS J M.A variable splitting augmented Lagrangian approach to linear spectral unmixing[C]//2009 First Workshop on Hyperspectral Image and Signal Processing: Evolution in Remote Sensing.Bern: IEEE ，2009: 1-4.

[40]ZARE A,GADER P.Sparsity promoting iterated constrained endmember detection in hyperspectral imagery[J].IEEE Geoscience and Remote Sensing Letters,2007,4(3): 446.

[41]IORDACHE M D,BIOUCAS-DIAS J M,PLAZA A.Sparse unmixing of hyperspectral data[J].IEEE Transactions on Geoscience and Remote Sensing,2011,49(6): 2014-2039.

[42]IORDACHE M D,BIOUCAS-DIAS J M,PLAZA A.Collaborative sparse regression for hyperspectral unmixing[J].IEEE Transactions on Geoscience and Remote Sensing,2014,52(1): 341-354.

[43]PLAZA A,MARTíNEZ P,PEREZ R,et al.Spatial/spectral endmember extraction by multidimensional morphological operations[J].IEEE Transactions on Geoscience and Remote Sensing,2002,40(9): 2025-2041.

[44]CHI M,BRUZZONE L.Semisupervised classification of hyperspectral images by SVMs optimized in the primal[J].IEEE Transactions on Geoscience and Remote Sensing,2007,45(6): 1870-1880.

[45]LI J,BIOUCAS-DIAS J M,PLAZA A.Hyperspectral image segmentation using a new Bayesian approach with active learning[J].IEEE Transactions on Geoscience and Remote Sensing,2011,49(10): 3947-3960.

[46]QIAN Y,YE M,ZHOU J.Hyperspectral image classification based on structured sparse logistic regression and three-dimensional wavelet texture features[J].IEEE Transactions on Geoscience and Remote Sensing,2013,51(4): 2276-2291.

[47]ZHONG P,WANG R.Modeling and classifying hyperspectral imagery by CRFs with sparse higher order potentials[J].IEEE Transactions on Geoscience and Remote Sensing,2011,49(2): 688-705.

[48]馮海燕，陳國杰.美陸軍為地面部隊試驗高光譜傳感器[J].通信與計算技術,2013,33(4):1.

[49]HARSANYI J C.Detection and classification of subpixel spectral signatures in hyperspectral image sequences[D].Baltimore County：University of Maryland,1993: 17-83.

[50]GAO L,LI J,KHODADADZADEH M,et al.Subspace-based support vector machines for hyperspectral image classification[J].IEEE Geoscience and Remote Sensing Letters,2015,12(2): 349-353.

[51]王凱,舒寧,李亮,等.利用 ICA 正交子空間投影加權的高光譜影像目標探測算法[J].武漢大學學報( 信息科學版),2013 (4): 440-444.

[52]REN H,CHANG C I.A target-constrained interference-minimized filter for subpixel target detection in hyperspectral imagery[C]//Geoscience and Remote Sensing Symposium.Munich: IEEE,2000:1545-1547.

[53]ZHANG G,JIA X,HU J.Superpixel-based graphical model for remote sensing image mapping[J].IEEE Transactions on Geoscience and Remote Sensing,2015,53(11): 5861-5871.

(編輯：李江濤)

Techniques on Processing of Hyperspectral Images in
Perception of Battlefield Environment

WU Lingda1， YAO Zhonghua2， REN Zhiwei2

(1. Science and Technology on Complex Electronic System Simulation Laboratory, Equipment Academy, Beijing 101416, China； 2. Department of Graduate Management, Equipment Academy, Beijing 101416, China)

Hyperspectral images, due to their good spatial and spectral characteristics, have been widely used in geological survey, marine monitoring, agricultural observation, battlefield reconnaissance, and so on. Aiming at perception of battlefield environment, this paper summarizes the methods of preprocessing and end-member unmixing of the hyperspectral images. Based on the application of battlefield environment classification and battlefield target detection, the techniques used in hyperspectral image classification and target detection are also overviewed. The paper also analyzes the advantages and disadvantage of the commonly used algorithms in hyperspectral image processing and their scope of application, and looks to the future technological development of end-member unmixing of hyperspectral images, hyperspectral image classification and the target detection.

hyperspectral images; end-member unmixing; target detection; perception of battlefields environment; classification of hyperspectral images

2017-04-19

部委級資助項目

吳玲達(1962—)，女，教授，研究員，主要研究方向為多媒體與虛擬現實技術、虛擬戰場環境構建技術。wld@nudt.edu.cn

O433

2095-3828(2017)03-0001-07

A DOI 10.3783/j.issn.2095-3828.2017.03.001