黄凤辰，李敏，石爱业，汤敏，徐立中

（1.河海大学 计算机与信息学院，江苏 南京 210098；2.河海大学 通信与信息系统工程研究所，江苏 南京 210098）

1 引言

遥感影像目标检测技术在稀有矿藏勘测、农业病虫害监测、军事目标检测、公共安全等领域具有重要的研究意义，是实现遥感影像自动解译的关键技术之一。自20世纪80年代末Margalit A.等人[1]首次提出利用背景和目标光谱差异检测目标以来，现已形成了基于背景建模和基于空间变换两大类经典的目标检测算法。

基于背景建模的目标检测算法是在全局或局部背景区域服从多元正态分布的假设下，通过背景协方差矩阵的估计获得背景光谱分布模型，然后将不同于背景分布的像素标记为目标。典型算法是1990年 Reed I.S.等人[2]提出的恒虚警率（CFAR,constant false alarm rate）目标检测算法，该算法已被广泛地应用于超光谱遥感影像[3]、SAR影像[4]和普通视频图像[5]的目标检测中，并获得了较为理想的检测效果。然而背景协方差矩阵的估计往往受到局部背景地物种类数的影响，包含较多地物种类的复杂背景通常不服从正态分布的假设，从而导致检测虚警率的提高，而构建新的背景模型又将增加计算复杂度。此外对于背景协方差矩阵的估计还存在着计算量大、计算复杂度高等问题。

基于空间变换的目标检测算法是以像元光谱线性混合模型（LMM, linear spectral mixture model）为基础，通过各种空间变换方法将背景和目标分离。例如：信号子空间映射（SSP, signal subspace projection）[6]算法，奇异值分解（SVD, singular value decomposition）算法等。然而以上采用线性变换的投影算法无法获得高维特征信息。针对该问题，基于核函数的非线性空间变换算法不断涌现，主要有基于核函数的正交子空间映射法（KOSP, kernel orthogonal subspace projection）[7]、基于核函数的主成分分析法（KPCA, kernel principal component analysis）以及基于支持向量机（SVDD, support vector data description）[8]的目标检测算法等。基于空间变换的目标检测算法无需估算背景分布模型，避免了背景复杂度对检测结果的影响，成为目前研究的热点。但是由于缺乏地物的光谱先验知识和对背景抑制效果的评价标准，因此无法得到最优的目标检测结果。

国内关于遥感影像复杂背景下的小目标检测算法的研究主要集中在空间变换方法上，例如，2007年，寻丽娜等人[9]提出的将PCA和地物端元提取相结合的目标检测算法；2009年，刘德连等人[10]提出的利用期望最大化方法对复杂背景进行分类从而实现背景复杂度抑制的目标检测算法；2010年，张文希等人[11]针对传统 PCA不考虑主成分信噪比的缺点，提出的结合基于噪声调节的PCA和OSP算法提取影像端元的算法。

可见，基于机器视觉的目标检测算法均受到背景复杂度、光谱先验信息等条件的约束。复杂背景的出现和先验信息的缺失将导致检测虚警率的提高。另外，随着传感器技术的不断进步，遥感影像空间分辨率和光谱分辨率的不断提高，背景复杂度增高，光谱先验信息匮乏等问题将日益严重。因此，研究独立于背景建模和先验信息的目标检测算法不仅是解决现有算法存在问题的主要途径，也是将来有效利用高质量遥感影像的关键。

1985年，Egelhaaf M.等人[12]研究发现，昆虫视觉系统的小叶板上存在一种高阶神经元——小目标运动检测（STMD, small target motion detection）神经元，并指出该神经元具有高度的非线性滤波特性，对突变信号具有高度敏感性。2008年，Wiederman S.D.等人[13]根据前人的研究成果构建了小目标检测神经元模型。该模型中的非线性自适应机理、中心侧抑制机理和相反极性相关机理可以增强目标特征，同时抑制背景纹理。

在小目标检测神经元的启发下，本文跳出传统算法的研究思路，针对现有的中低分辨率水平多光谱遥感影像，提出基于局部数据分析的多光谱遥感影像小目标仿生检测模型以及相应的目标检测方法。该方法利用神经元的高度非线性滤波特性在抑制背景纹理特征的同时增强目标特征，无需背景建模和先验信息实现目标检测。实验通过与多种经典目标检测算法的比较证明，本文提出方法的自适应处理机制较好地平衡了背景复杂度与目标分辨率之间的矛盾关系，获得了独立于背景复杂度、低虚警率的检测效果。

2 多光谱遥感影像小目标仿生检测模型

2.1 小目标仿生检测模型的基本思想

受小目标检测神经元模型的启发，本文提出针对多光谱遥感影像的小目标仿生检测模型如图1所示。该模型主要由非线性自适应、局部侧抑制、相反极性通道相关等机理组成。小目标具有对比度极性相反的一对边缘，同时出现概率较低。非线性自适应可以增强突变信号的幅度，即小目标的边缘特征；而局部侧抑制是对增强的突变信号进行挑选，将出现概率较低的突变信号保留，概率较高的纹理信号抑制；相反极性通道相关利用目标的一对相反极性边缘相乘获得目标检测结果。

图1 多光谱遥感影像小目标仿生检测模型

2.1.1 非线性自适应机理

非线性自适应机理将出现概率较低、变化幅度较大的突变信号进行增强；将出现频率较高、变化幅度较低的纹理信息进行抑制。以水平方向为例（垂直方向同理），对于输入信号，其自适应机理的离散形式表示为

2.1.2 中心侧抑制机理

中心侧抑制机理可以增强信号之间的对比度，在非线性自适应处理之后，背景的特征信息得到抑制，而目标的特征信息则被保留。此时利用中心侧抑制机理可以将保留的目标特征进行增强，从而降低检测结果的虚警率。以 on通道为例，在领域半径为r的局部区域中，第个像元进行处理后的on通道输出为

考虑到小目标尺寸在水平方向或垂直方向上应在 1～2个像元范围内，则局部区域的半径为12r≤≤。其中ε为常数，off通道同理。

2.1.3 相反极性通道相关

高阶神经元on通道和off通道分别对应了小目标的2个边缘，将相反极性通道平移后相关即可获得小目标的检测结果。根据SPIE关于小目标的定义可知，小目标左右边缘相隔 1～2个像元。对于不同类型的目标（亮目标或暗目标），选择平移的通道极性不同。多光谱遥感影像中小目标通常具有光谱强度较高、出现概率较低且可近似为亮目标的特点，即，因此水平方向上信号的极性从左到右依次为on通道（亮度增加）和off通道（亮度降低）。那么，遥感影像的通道相关处理为

2.2 小目标仿生检测模型的处理流程

小目标仿生检测模型的信息处理流程如图3所示。基于该模型流程，本文采用数字信号处理算法模拟3种生物学机理进行目标检测。该模型处理流程的伪代码如下：

图3 多光谱遥感影像小目标仿生检测模型处理流程

图3中⊗表示2个通道的相关计算。该模型首先将同一个空间位置上不同时刻出现的信号按照其变化极性的不同流入不同的通道——on通道和off通道；然后利用每个通道的非线性自适应机制和中心侧抑制机制实现背景纹理特征抑制和目标特征增强；最后将2个极性通道相乘获得目标检测结果。

3 实验结果与分析

实验1选择2000年4月美国路易斯安那州新奥尔良地区 Landsat7 ETM+遥感数据和 2008年 9月南京市玄武区Landsat5 ETM遥感数据作为研究对象，分别采用CFAR算法、基于SVD分解、基于PCA变换3种经典检测算法与本文方法进行比较，检测结果的虚警率采用感受性（ROC, receiver operating characteristic）曲线进行比较。实验2仍选择2008年9月南京玄武地区多光谱遥感影像作为研究对象，针对亚像元级目标采用本文提出的仿生复眼处理方法在不同空间分辨率下进行检测，并通过检测结果的 ROC曲线比较证明该算法对于亚像元级目标的敏感性。

3.1 实验1

3.1.1 美国路易斯安那州新奥尔良地区实验

本实验截取美国路易斯安那州新奥尔良地区Landsat 7 ETM+遥感数据第 3波段上大小为200200×的区域如图4(a)所示。该区域中主要是新奥尔良军用机场附近一些建筑物和停车场。由于建筑物材料具有强反射特性，使得该区域中存在大量不同种类的光谱异常目标。为了比较不同空间分辨率下各种检测算法的虚警率，本文采用基于最大后验概率（MAP, maximum a posteriori）的超分辨率重构技术对多光谱遥感影像进行空间分辨率的增强。图4为不同分辨率下的单波段影像。

图4 新奥尔良军用机场地区不同分辨率下多光谱遥感影像

图5 新奥尔良军用机场地区目标检测结果

在不同的分辨率水平下，4种算法的检测结果如图 5所示。图 5(a)～图 5(d)为空间分辨率为200200×时，采用CFAR算法、SVD分解、PCA变换以及本文检测方法获得的检测结果。图5(e)～图5(h)为分辨率是400400×时4种算法的检测结果。图5(i)～ 图5(l)为分辨率是800 800×时4种算法的检测结果。表1对4种算法的漏检率进行比较。其中，CFAR和SVD算法的漏检率随着空间分辨率的提高而提高，CFAR算法的漏检率从 15%提高到25%；SVD的漏检率从30%提高到40%。PCA保持在 50%左右的漏检率，而本文算法则保持在20%～25%之间较低的漏检率。

表1 不同空间分辨率下4种算法漏检率比较

图6为该区域在不同空间分辨率下的光谱分布直方图。由图6可知，该地区背景光谱值的直方图呈单调下降的偏态，大部分像元属于低亮度区域，并且在灰度值为80左右处亮度分布出现高狭峰，因此该场景的背景光谱值明显不服从高斯分布。基于此，以高斯分布模型为基础的 CFAR算法会在空间分辨率提高的情况下，背景复杂度增加，算法漏检率相应提高。而PCA算法和SVD算法则需要进行场景成分分析来抑制背景特征，从而实现目标检测。由于该地区的光谱分布较为均匀，在背景成分抑制中目标与背景混淆严重、不宜分离导致了高漏检率的发生。

图6 新奥尔良军用机场地区B5波段影像直方图

可见传统的目标检测算法对于背景分布特性的依赖性较大，在背景复杂度较高的条件下无法保证检测结果的虚警率。而本文提出的仿生小目标检测模型是一种基于局部数据分析的目标检测算法，非线性自适应处理机制具有平衡空间分辨率和背景复杂度之间矛盾关系、自适应抑制背景纹理结构特征的效果。在抑制复杂背景干扰的同时获得了低漏检率的目标检测效果。

3.1.2 南京玄武区实验

截取南京玄武区多光谱遥感影像第3波段上大小为6060×的区域作为研究对象。该区域为城市的商业街区，大量的建筑物为混凝土结构，光谱吸收能力极差，反射能力极强，在遥感影像中表现为亮目标。但由于该区域建筑物较为密集，地物种类较少，可以满足正态分布模型。图7(a)为Google Earth上截取对应区域的卫星影像作为目标位置的参照，图7(b)～图7(d)为不同空间分辨率下的遥感影像，图7(e)为 3种空间分辨率下图像的光谱分布直方图。可见该区域影像的光谱分布存在双峰，在亮度较低区域的单峰能量较少，亮度较高区域出现的单峰则近似于高斯分布模型，同时包含能量较大。

图7 南京玄武区多光谱遥感影像

图8为不同空间分辨率条件下各种检测算法获得结果的ROC曲线。如图8所示，通过3种空间分辨率下虚警率的比较可知，CFAR算法始终保持较低水平的虚警率，而 SVD、PCA以及本文算法的虚警率则相差不大。结合该地区的光谱分布直方图可以看出，背景光谱分布近似于高斯分布，符合CFAR算法的理论基础，因此可以获得较低虚警率的检测效果。随着空间分辨率的提高，PCA、SVD与本文算法的虚警率均有所下降，其中本文方法的虚警率下降速度最快。可见尽管目前本文算法的检测虚警率仍高于CFAR算法，但随着影像空间分辨率的不断提高，背景复杂化加剧，其自适应处理优势将得到充分的体现。因此针对目前中低分辨率水平遥感影像的目标检测，算法虚警率的降低仍有进一步研究的空间。而对于高复杂度背景条件下的目标检测问题，本文算法具有背景自适应抑制的优势。

3.2 实验2

实验1结果表明本文提出的小目标仿生检测模型可以独立于背景复杂度，获得较为稳定的低虚警率检测效果。考虑到空间分辨率的提高将有利于增强亚像元级目标的可识别性，实验2将通过不同空间分辨率下亚像元级目标检测效果的比较证明本文算法的有效性。同样选择南京玄武区的单波段数据作为研究对象，利用本文检测方法在3种空间分辨率下获得的检测结果如图9所示。图9为3种空间分辨率下本文算法的检测结果，比较3种空间分辨率下检测结果的ROC曲线，结果如图10所示。

图8 南京玄武区不同空间分辨率下4种算法的虚警率比较

图9 不同空间分辨率下亚像元级目标检测结果

图10 3种空间分辨率下检测结果的ROC曲线

比较图10，可见随着空间分辨率的提高，检测结果的虚警率获得了明显的降低。本文算法较好地利用了高空间分辨率下目标特征的可识别性，同时克服了由于分辨率的提高所产生的复杂背景问题。有利于高空间分辨率遥感影像的亚像元级目标检测。图10(a)中检测窗口为10Δ=时虚警率最低；图10(b)中检测窗口为12Δ=时虚警率最低；图10(c)中检测窗口为24Δ=时虚警率最低。本文仅按照小目标尺寸的定义结合空间分辨率的提高倍数选择窗口尺寸，不同的窗口对应着不同的虚警率。可见在特定空间分辨率条件下，局部窗口尺寸也是影响虚警率的关键参数之一。

4 结束语

本文在昆虫视觉系统中小目标神经元非线性滤波特性的启发下，提出了针对多光谱遥感影像的小目标仿生检测模型以及相应的目标检测方法。相比传统的目标检测算法，本文提出的方法可以独立于背景复杂度和先验信息，自适应地抑制背景纹理特征并增强目标的边缘特征，获得低虚警率的目标检测效果。另外实验中采用多种空间分辨率的场景检测结果进行比较，证明了该算法可以较好地平衡空间分辨率与背景复杂度之间的矛盾关系。本文方法具有检测原理简单，易于实现等特点。但是由于空间分辨率的增强与局部检测窗口尺寸选择有关，因此探讨如何选择合适的检测窗口获得低虚警率检测效果是下一步研究的重点。

[1]MARGALIT A, REED I S, GAGLIARDI R M.Adaptive optical target detection using correlated images[A].IEEE Transactions on Aerospace and Electronic Systems[C].1985.394-405.

[2]REED I S, YU X.Adaptive multiple-band CFAR detection of anoptical pattern with unknown spectral distribution[J].IEEE Transaction on Acoustics, Speech and Signal Processing, 1990,38(10): 1760-1770.

[3]HUCK A, GUILLAUME M.Asymptotically CFAR-unsupervised target detection and discrimination in hyperspectral images with anomalous-component pursuit[J].IEEE Transactions on Geoscience and Remote Sensing, 2010, 48(11): 3980-3992.

[4]GAO G, LIU L, ZHAO L,et al.An adaptive and fast CFAR algorithm based on automatic censoring for target detection in high-resolution SAR images[J].IEEE Transactions on Geoscience and Remote Sensing, 2009, 47(6):1685-1697.

[5]王博, 刘德连, 张建奇.基于背景移除的时域目标检测[J].通信学报, 2009, 30(7):67-72.WANG B, LIU D L, ZHANG J Q.Temporal filtering for target detection algorithm based on static background elimination[J].Journal on Communications, 2009, 30(7): 67-72.

[6]ACITO N, DIANI M, CORSINI G A.New algorithm for robust estimation of the signal subspace in hyperspectral images in the presence of rare signal components[J].IEEE Transactions on Geoscience and Remote Sensing, 2009, 47(11):3844-3856.

[7]CAPOBIANCO L, GARZELLI A, CAMPS-VALLS G.Target detection with semisupervised kernel orthogonal subspace projection[J].IEEE Transactions on Geoscience and Remote Sensing, 2009, 47:3822-3833.

[8]VASILIS A, PETER W, MICHAEL G.Anomaly detection through a bayesian support vector machine[J].IEEE Transactions on Geoscience and Remote Sensing, 2010, 59(2):277-287.

[9]寻丽娜, 方勇华, 李新.高光谱图像中基于端元提取的小目标检测算法[J].光学学报, 2007, 27(7):1178-1182.XUN L N, FANG Y H, LI C.A small target detection approach based on endmember extraction in hyperspectral image[J].Acta Optica Sinica, 2007, 27(7):1178-1182.

[10]刘德连, 王博, 张建奇.期望最大化聚类的高光谱亚像素目标检测[J].西安电子科技大学学报, 2009, 36(3): 512-516.LIU D L, WANG B, ZHANG J Q.Hyperspectral subpixel target detection approach based on expectation-maximization cluster[J].Journal of Xidian University, 2009, 36(3): 512-516.

[11]张文希, 郑茂, 李纲.基于端元提取的超光谱图像目标检测算法[J].电光与控制, 2010, 17(8):45-49.ZHANG W X, ZHENG M, LI G.An endmember extraction based target detection algorithm for hyperspectral image[J].Electronics Optics& Control, 2010, 17(8):45-49.

[12]EGELHAAF M.On the neuronal basis of figure-ground discrimination by relative motion in the visual system of the fly II Figure-detection cells, a new class of visual interneurones[J].Biol Cybern,1985, 52: 195-209.

[13]WIEDERMAN S D, SHOEMAKER P A, O'CARROLL D C.A model for the detection of moving targets in visual clutter inspired by insect physiology[J].PLoS One, 2008, 3(7): 2784.