英文原题:Background covariance discriminative dictionary learning for hyperspectral target detection
中文题目:背景协方差判别性特征字典学习助力高光谱目标检测
论文作者:Zhiyuan Li (李致远), Tingkui Mu* (穆廷魁),Bin Wang (王斌),Qiujie Yang* (杨秋杰),Haishan Dai (代海山)
通讯作者:穆廷魁,西安交通大学 物理学院 空间光学研究所;
杨秋杰,中科院上海技术物理研究所 第二研究室
引用格式:
Zhiyuan Li(李致远), Tingkui Mu*(穆廷魁), Bin Wang(王斌), Qiujie Yang*(杨秋杰), Haishan Dai(代海山), “Background covariance discriminative dictionary learning for hyperspectral target detection”, International Journal of Applied Earth Observation and Geoinformation 128, 103751 (2024).
论文链接:
https://www.sciencedirect.com/science/article/pii/S1569843224001055
背景介绍
高光谱成像能够同时获取二维空间信息和一维光谱信息,丰富的光谱波段能够提供地物的诊断性信息,为相关遥感应用奠定基础,包括目标检测,分类检测和变化检测。其中,目标检测是高光谱领域的一个重要研究方向,基于给定先验目标光谱信息条件下,将目标像元从复杂的背景中检出。其在多个领域中得到广泛应用,如矿产调查、城市规划和植被监测。近年来,机器学习技术被广泛应用于高光谱目标检测领域取,特别是基于表征模型的方法。其基本思想是在一个合理的约束中使用目标和背景字典来分别表征待测高光谱图像中的所有像素。残差可以表示对应像素点属于目标的可能性。而在实际的高光谱目标检测任务中,由于背景组成复杂,包括多种地物,准确对背景进行建模具有极大的挑战性,如图1所示。具体地,对表征模型来说,所构建的背景字典要能够全面地包含背景地物的光谱特征,才能使背景字典具有较强的表征能力,让背景的表征更加准确。因此,优化背景字典的构建方法是该领域的研究重点。
![](/__local/0/83/F1/42FABD50F9C5D129034E501E30B_A68C9243_2E245.png)
图1. 高光谱目标检测中背景组分及其分布复杂,包含多种光谱,对背景的准确建模是一大挑战
方法及创新点
受协方差特征学习在图像集分类、人脸识别等计算机视觉任务中成功应用的启发,本文针对高光谱目标检测领域提出了一种背景协方差判别字典学习模型,称为BCDDL。该方法采用光谱协方差描述子来描述复杂背景组分的光谱二阶统计学特征,避免了直接估计各类背景地物的光谱,从而减少了噪声和误差的引入。
如图2所示,该方法包括如下步骤:
1) 采用改进的SLIC方法进行超像素分割;
2) 在二维空间维度上训练最优划分网格来学习背景协方差字典;
3) 利用SPD流形上的协同表征方法进行背景重构,获得背景表征残差;
4) 采用基于目标光谱先验的常规协同表征方法得到目标表征残差。最终输出是通过合成两种表示残差得到的。
该方法的创新之处体现在:
1) 提出一种新的空间聚类策略,有效地学习背景协方差判别性特征,用以构建字典。这种方法包括一个设计良好的损失函数和一个划分网格,在保留超像素空间纹理特征的同时将相邻超像素聚类。
2) 利用SPD流形中的协同表征和所学习到的背景字典重建超像素。重建残差反映超像素区域属于背景可能性。该策略有效地减小了异常点和噪声对检测结果的影响。
3) 实验中采用了高分-5号卫星采集的两个新的数据集。与其他方法相比,BCDDL方法具有更强的背景抑制能力和更高的检测性能。
![](/__local/A/08/28/75242EF60CFFA1DCF335DF36EB7_1B51CD01_2AA1B0.png)
图2. 高光谱目标检测算法 (BCDDL) 的框架
实验数据和结果
用于验证BCDDL算法性能的数据集包括两个公开数据集(AVIRIS和ABU),以及两个高分-5号卫星采集的新数据集。其中,AVIRIS和ABU数据集由机载可见/红外成像光谱仪(AVIRIS)传感器获得的,两个场景大小均为100 × 100像素,空间分辨率为3.4 m,每个场景中有三架飞机作为探测目标。全色图像和地面真值如图3所示。
![](/__local/D/28/0A/7A8962196BF10D6DF632FB341D3_E16A33CC_17A3C.png)
![](/__local/7/4D/EF/14614DFF9087A0D735D9ED9FEE6_ADB58FB3_BFDB.png)
![](/__local/1/ED/D2/21236AC4A3FEB9A914AD33EAE2A_C68DF904_17A5D.png)
![](/__local/1/04/D0/047272FFD66D014ABCB82CB8D6E_E4C64B52_C144.png)
(a) (b) (c) (d)
图3. 实验所用的公开数据集:(a) ABU数据的全色图,(b) ABU数据的地面真值图,(c) AVIRIS数据的全色图,(d) AVIRIS数据的地面真值图
同时,本文还采用了两个新数据集用于实验。新数据集由高分-5号卫星的可见光-短波红外高级高光谱成像仪(AHSI)获得,采集了上海浦东新区的两个场景(分别记为GF-5-I和GF-5-II),地面分辨率为30m,探测目标均为船只。其中,GF-5-1场景大小100×100,GF-5-2场景大小300×150。伪彩色图像和地面真值如图4所示。
![](/__local/0/23/AE/D8CB0A212DEAFAEDE1668635EFC_578F52A4_161BB.png)
![](/__local/A/F4/A5/05EEF7A95C8182F0E7C55FD69FB_56D54CEF_2A8E8.png)
![](/__local/1/04/F2/F36C44EF31D4B831767EE479868_DE9837C0_A8FC.png)
(a) (b) (c) (d)
图4. 实验所用的高分-5号数据集:(a) GF-5-I数据的伪彩色图,(b) GF-5-I数据的地面真值图,(c) GF-5-II数据的伪彩色图,(d) GF-5-II数据的地面真值图
本文提出的方法(BCDDL)及10种对比方法在四个数据集上的探测结果图如图5,6所示,ROC曲线评估图,箱线图分别如图7,8所示,AUC值对比如表1所示。通过评估上述指标(检测图、ROC曲线、AUC值、箱线图),可以看出BCDDL算法在抑制背景区域方面表现出了优越的性能,特别是在箱线图中,大部分背景像素的检测输出值接近零。通过强大的背景抑制能力,BCDDL方法相比于10种对比方法展示了更强大的探测效果。
![](/__local/9/3B/E9/28096AF27E8029B152CE11FE591_90F984B4_CEA47.png)
图5. 两个公开数据集上的探测结果图。(a) 地面真值图,(b) ACE,(c) CEM,(d) STD,(e) SRBBH,(f) CSCR,(g) BCRD,(h) WMSR,(i) DDNRTD,(j) HTDnet,(k) TSCNTD,(l) BCDDL。
![](/__local/9/C2/94/A9FD346E3C7C28E5DE095E12B82_A676AC28_15D521.png)
图6. 两个高分-5号数据集上的探测结果图。(a) 地面真值图,(b) ACE,(c) CEM,(d) STD,(e) SRBBH,(f) CSCR,(g) BCRD,(h) WMSR,(i) DDNRTD,(j) HTDnet,(k) TSCNTD,(l) BCDDL。
![](/__local/E/02/57/071E4A92B7F95857E39A2CA42BB_A2EF37C0_521B0.jpg)
图7. 不同方法在四个数据集上测试的ROC曲线。(a)ABU,(b) AVIRIS,(c) GF-5-I,(d) GF-5-II。
![](/__local/0/96/7A/356F0824445E9EB4AD6E6F88773_F4DA2098_63669.png)
图8. 不同方法在四个数据集上测试的箱线图。(a)ABU,(b) AVIRIS,(c) GF-5-I,(d) GF-5-II。
![](/__local/D/77/5D/6261FE4AAC32952E41980BFA72F_8DDDFD5F_1AB0D.png)
表 1. 不同方法在四个数据集上探测结果的AUC值对比。
总结
本文提出了一种新的高光谱目标检测方法,BCDDL。该方法利用协方差判别学习来重建背景区域。首先对输入的高光谱图像进行超像素分割处理,然后采用一种新型的有监督的空间聚类策略来学习背景协方差判别性特征字典。进一步,利用SPD流形中的协作表征模型进行背景重建。对于目标重建部分,采用标准协作表征生成目标重建残差;通过合并这两种表示残差,得出最终的检测输出。实验表明,本方法利用背景协方差构建的判别性特征字典能够很好地表征背景区域,可以通过有效抑制背景来增强目标检测的能力。
论文信息:
Zhiyuan Li(李致远), Tingkui Mu*(穆廷魁), Bin Wang(王斌), Qiujie Yang*(杨秋杰), Haishan Dai(代海山), “Background covariance discriminative dictionary learning for hyperspectral target detection”, International Journal of Applied Earth Observation and Geoinformation 128, 103751 (2024). 中科院一区top,影响因子为7.5)
西安交通大学物理学院硕士生李致远为论文的第一作者,西安交通大学物理学院 穆廷魁教授 和 中科院上海技术物理研究所第二研究室 杨秋杰副研究员 为共同通讯作者
https://www.sciencedirect.com/science/article/pii/S1569843224001055
致谢
这项工作得到了国家自然科学基金、国家部委重点工程、陕西省重点研发计划项目、陕西数理基础科学研究项目等资金的支持。
通讯作者信息:
穆廷魁 西安交通大学,教授,博士生导师,物理学院院长助理、空间光学研究所副所长。
2012年博士毕业于西安交通大学理学院,2014-2016在美国亚利桑那大学光学中心从事2年博士后研究工作。主要从事先进光学成像与遥感、目标智能检测与识别、大气光学探测与反演等方向的研究工作。先后主持包括国家自然科学基金在内的多项科研项目,先后荣获陕西省优秀博士论文、西安交通大学优秀博士论文、教育部学术新人奖、优秀西部科技创新成果奖等荣誉。在Advanced Photonics Nexus、Optics Express、Optics Letters、Optics and Lasers in Engineering、IEEE TGRS、JAG、IEEE JSTAR、Remote Sensing等国际高水平学术光学和遥感类期刊发表学术论文100余篇,授权发明专利20余项。中国光学工程学会计算成像专委会委员、中国宇航学会空间遥感专委会委员、中国光学工程学会高级会员、中国光学学会高级会员、陕西省光学学会理事、陕西省光学工程学会理事; Sensors期刊专题编辑;第六届高光谱技术及其应用研讨会AI处理专题主席。
杨秋杰 上海技术物理研究所,副研究员,硕士生导师
2017年博士毕业于中国科学院大学物理电子学专业。主要从事空间热辐射探测应用的甚长波红外(5-50μm)新型光电载荷关键技术研究,验证甚长波红外分光技术、甚长波室温探测技术。围绕“甚长波红外新型光电载荷关键技术攻关”,在国家自然科学基金、上海市自然科学基金等项目支持下,建立了甚长波红外波段的,发明了基于立体相位光栅的新型分光技术,研制了基于立体相位光栅的静态傅里叶光谱仪原理验证装置,验证了甚长波红外室温探测的可行性;围绕“太极计划新型光学粘接工艺关键技术攻关”,在中科院先导专项、中科院**重点实验室基金等项目支出下,建立了超低应力光学粘接过程控制工艺,正在开展高精密自动装调设备的研制。共发表学术论文13余篇,申请发明专利14项,其中已授权8项。