基于核正交子空间投影的高光谱影像-遥感学报.docVIP

1007-4619（2009） Journal of Remote Sensing 遥感学报 高光谱图像目标检测的核信号空间正交投影法 赵辽英1) 张凯1) 厉小润2) 杭州电子科技大学 计算机应用技术研究所， 浙江 杭州 310018 2). 浙江大学 电气工程学院，浙江 杭州 310027 摘 要:针对非线性混合下的亚像元目标检测问题，提出了一种基于核函数的信号空间正交投影方法（KSSP）。该方法作为信号空间投影方法（SSP）的非线性推广，首先将原空间中像元矢量经非线性映射转换到高维特征空间，然后在特征空间中用线性信号空间投影进行目标检测。通过核技巧，核信号空间投影不必知道具体的非线性映射形式。经模拟数据与真实高光谱图像数据实验证明，KSSP方法在目标检测性能上优于SSP，且对噪声的抑制也有很好的效果。 关键词：信号空间正交投影；核函数；亚像元目标检测；核信号空间正交投影 1. 引言 利用高光谱图像进行目标检测和识别是遥感图像处理领域的研究热点之一。由于遥感图像的空间分辨率的限制以及地物的复杂多样性，使得某些感兴趣目标在图像中只能以亚像元的形式存在，即图像中只存在感兴趣目标与别的地物的混合像元。亚像元目标检测和识别是提高高光谱遥感应用的关键技术之一。 通常在实际应用时，在已经知道或通过某种方法得到目标和背景端元光谱信息的前提下，近似计算目标和背景端元的光谱分布（丰度值）判断高光谱图像中的目标点是否存在。目前常用的方法包括最小二乘法、正交子空间投影算法（OSP）、信号空间正交投影算法（SSP）等（Chang,1998），但这些方法都是基于线性混合模型提出的。 光谱混合从本质上可以分为线性混合和非线性混合两种模式。线性光谱混合模型具有构模简单，物理含义明确的优点，理论上也有较好的科学性，但线性混合模型适用于本质上就属于或者基本属于线性混合的地物，以及在大尺度上可以认为是线性混合的地物。对于一些微观尺度上地物的精细光谱分析或一些小概率目标的检测来说，就需要用非线性混合模型来解释。目前比较典型且有一定影响力的光谱混合模型有Hapke模型，Kubelk-Munk模型，基于辐通量密度理论的植被、土壤光谱混合模型，SAIL模型等（童庆禧等，2006）。然而，这些非线性混合模型都有各自的适用范围，局限性大，并且非线性混合模型的探索也十分困难。 随着支持向量机(SVM)在各领域中的成功应用，通过核函数方法，使得线性方法能够处理非线性问题已成为机器学习的一热点方向。核函数方法是一种可以避免确定非线性关系和计算非线性模型的有效的非线性数据分析方法（Shawe-Tylor,2005）。近年来，核函数方法在高光谱遥感图像的分类和目标检测中得到较多的应用，特别是美国军事研究实验室的Kwon等(2005)对子空间匹配检测器 (MSD), 光谱匹配滤波器(SMF)、 自适应子空间检测器(ASD) ，正交子空间投影方法进行了非线性推广，提出了核子空间匹配检测器 (KMSD), 核光谱匹配滤波器(KSMF)、 核自适应子空间检测器(KASD)和核正交子空间投影（KOSP）算法。另外，Capobianco等(2008)对KOSP做了进一步的研究，提出了基于上下文的KOSP。 SSP是Chang等（1998）依据最小平方误差原理，在OSP的基础上提出的一种后验正交子空间投影方法。本文借鉴KOSP算法思想，运用核函数理论，将SSP推广到非线性空间中，提出了核信号空间正交投影（KSSP）。KSSP通过非线性映射将高光谱数据映射到高维特征空间，使光谱数据在特征空间中满足线性混合模型，再用线性SSP实现目标检测。为了评价SSP与KSSP的有效性，本文把其估计的误差作为N-P（Neyman-Pearson）理论中的信号检测问 题，再通过ROC（Receiver Operating  收稿日期: 2009-10-9 改回日期:2010-1-20基金项目: 作者简介: 赵辽英（1970-），女，副教授，博士，主要研究方向为模式识别、遥感图像分析。E-mail:zhaoly@ Characteristic Curve）曲线来评价两种算法性能。仿真数据实验和实际遥感数据实验结果均表明KSSP有效地解决了非线性混合数据的目标检测问题，且大大抑制了噪声，性能优于SSP。 2.信号空间正交投影 设为维的观测光谱向量，为维端元矩阵(为端元数)，为维的端元丰度向量，为维的附加噪声向量，则线性光谱混合模型（LSMM）可表示为 (1) OSP和SSP认为所有像元均由感兴趣目标信号和背景端元两部分组成。不失一般性，设，则背景端元矢量空间。