面向战场环境感知的高光谱图像处理技术综述

吴玲达， 姚中华， 任智伟

(1. 装备学院 复杂电子系统仿真实验室, 北京 101416； 2. 装备学院 研究生管理大队, 北京 101416)

面向战场环境感知的高光谱图像处理技术综述

吴玲达1， 姚中华2， 任智伟2

(1. 装备学院 复杂电子系统仿真实验室, 北京 101416； 2. 装备学院 研究生管理大队, 北京 101416)

高光谱图像由于其良好的空间特性和光谱特性，已经广泛应用于地质勘查、海洋监测、农业观测、战场侦察等领域中。面向战场环境感知相关应用，总结了高光谱图像预处理技术和端元解混技术，并根据战场环境分类和战场目标检测的实际应用，对高光谱图像分类技术和目标检测技术进行概述；总结比较了高光谱图像处理常用算法的优劣性及适用范围，展望了高光谱端元解混、分类及目标检测等技术的发展趋势。

高光谱图像；端元解混；目标检测；战场环境感知；光谱图像分类

高光谱遥感，又称成像光谱遥感，是一种将光谱技术与成像技术相结合的新兴遥感技术[1]。目前，许多国家都致力于星载与机载高光谱遥感系统的研究。其中，较有代表性的包括NASA的AVIRIS、欧洲空间局的CHRIS以及中国科学院上海技术物理研究所的PHI等[2]。

高光谱遥感技术具有图谱合一和光谱连续的特点，在现代战场环境感知领域有着巨大的发展潜力。通过高光谱遥感技术能够获取地物上百个谱段的信息，使得对地物的分类更加精确，据此能够进行战场中地表环境(例如河流、山川、城区、海洋、农田等)的识别，为作战计划的制定提供必要信息[3]。同时,根据目标与伪装材料不同的光谱特性，利用高光谱遥感技术可以有效地识别伪装，排除战场中的侦察干扰。另外，高光谱遥感技术除了能够对目标的状态进行识别外，还能够对目标的组成成分和元素进行分析，从而推断出更有效的侦察信息[4]。

高光谱图像处理是高光谱遥感技术的关键，主要包括数据预处理技术、端元解混技术、图像分类技术与目标检测识别技术等，如图1所示。其中，预处理技术和端元解混技术是高光谱图像处理中的基本处理技术，它们解决了高光谱图像的噪声干扰、维度冗余和像元混合等问题。高光谱图像的战场应用技术主要包括战场环境分类技术和战场目标检测技术。

图1 高光谱图像处理技术概略图

1 高光谱图像预处理技术

1.1 高光谱图像降噪技术

在实际工作场景中，遥感图像在进行光学信息获取和信息传输时普遍会受到噪声的影响而使遥感图像质量变差。噪声可能会淹没感兴趣的军事目标，因此需要对高光谱图像进行降噪处理。在遥感图像预处理过程中，对噪声进行分析、评估和滤波是关键的一部分，因此降噪一直都是该领域的热门问题。遥感图像降噪的根本目标是在抑制噪声的同时保持图像的特征信息。近年来，在空间域和光谱域针对遥感图像的降噪问题提出了种类繁多的解决方法，总结起来主要包括空间维度降噪和光谱维度降噪2大类。

空间维度降噪方法可借鉴普通二维图像的降噪方法，主要包括地质平均法[5]、局部均值法[6]、基于高斯波形提取的优化方法[7]等。空间维度降噪方法只能够对单幅图像的噪声进行滤除，对于高光谱图像不同光谱之间的相关噪声并不能取得很好的降噪效果，因此除了进行空间域的降噪外，还需要在光谱域降噪。最小噪声分离被认为是目前光谱域降噪的常用方法，文献[8]指出该方法可通过降低高光谱图像数据中的非相关噪声来提高信噪比；同时，该文献还针对主成分分析方法需要将非均匀噪声转化为高斯分布的缺点，提出了一种基于改进累积方差百分比的主成分降噪方法。根据高光谱空间域和光谱域数据相关性高的特点，Gao等[9]提出了一种新的残差调整的局部标准差高光谱图像噪声评估方法。上述这些高光谱降噪估计方法的基础是高光谱图像与其中的噪声是独立分布的，同样有一些研究考虑了噪声与高光谱图像的相关性，从而对这种相关噪声进行降噪估计[10]。

1.2 高光谱图像降维技术

高光谱遥感的最大特点是其图像数据包含了上百个光谱波段信息，利用这些信息可以绘制出不同地物近似连续的特征谱线，使得光谱特征更加明显，但同时信息的相似和重复导致数据处理更加困难。长期以来，高维数据处理始终是高光谱遥感在现实场景应用中的一大难题。为提高分类、检测的准确率并且减少数据量、提高效率，降维处理对高光谱数据来说尤为重要。高光谱数据降维有2种方法，即特征选择降维方法与特征提取降维方法。这2种方法各有优点，目前效果比较好的方法是将其混合使用。

光谱特征选择也被叫作波段选择，是从高光谱图像数据的全部波段中选出部分波段,其中包含的信息能够极大限度地表示原始高光谱图像的主要特征。波段选择依据目标函数的不同分成Wrapper型和Filter型波段选择2种方法。Wrapper型特征选择算法是把分类精度作为评判所选择的波段优劣的指标[11]。通过Wrapper型特征选择，可以得到较Filter方法更优的特征子集，但是要求大量的计算时间。与Wrapper型特征选择相比，Filter型使用的目标函数有所不同，计算复杂度更小。这些目标函数一般基于熵[12]、图论[13]、可分性[14]、最小估计丰度协方差[15]、Fisher判别[16]等构造。Filter波段选择算法相对简单，在精度、稳定性方面针对不同应用有不同结果。此外，近年来以智能搜索策略为基础的波段选择算法受到广泛关注,先后有遗传算法[17]、克隆选择[18]及蚁群优化[19]被应用到特征选择当中。Ghamisi等[20]提出基于遗传算法和粒子群优化的波段选择算法，可以自动选择有效特征。

光谱特征提取是将原始数据进行数学变换从而实现高光谱数据的约减，同时尽可能地增强特征。光谱特征提取可以分为2种，即线性提取方法与非线性提取方法。目前广泛使用的线性特征提取方法是主成分分析降维[21]法，使用该方法降维既保留较高信息量又降低了计算时间。此外，光谱特征提取在非线性处理方面也有一些研究成果。基于核函数的非线性特征提取代表算法有Kernel LDA[22]、核主成分分析[23]。但是核函数的工作原理理论证明不充分，属于隐式映射，因此在核函数构造及参数选择方面还需进一步研究。基于流形学习的非线性特征提取方法是近年来研究的热点问题，它将高维数据空间中的点进行低维流形嵌入，达到数据维数约减的目的[24]。这样虽然能较好地反映数据的非线性结构，但往往会带来较大的计算负担。

2 高光谱图像端元解混技术

高光谱图像的端元解混技术能够实现对战场环境的侦察，主要是对战场中的基础地理信息进行判别，如以色列学者使用CASI高光谱设备对特拉维夫市进行了空中拍摄，较好地实现了对该市的河道、森林、土壤、道路等地物的识别[25]。

由于高光谱设备的空间分辨率比较低，图像像元存储的信息一般是很多物质辐射光线的混合。其中，纯物质的光谱被称为端元。高光谱图像中部分像素通常会含有很多端元，这类像素被称为混合像元。混合像元会导致高光谱图像分类和检测错误，可能造成对军事目标的误判。因此，在分类与目标识别之前，需要对高光谱遥感图像进行端元解混。

高光谱遥感图像端元解混的主要步骤包括：混合像元的数学建模、高光谱图像的特征增强和端元提取。由于像元模型粗糙、地物种类繁多及信息量大等因素，端元解混至今未被很好解决。自Keshava提出了高光谱图像端元解混的问题后[26]，很多学者提出了大量的端元解混方法。

2.1 纯像元假设下的几何解混算法

该算法假设图像中存在纯净像元，这表明高光谱遥感数据在光谱维空间变换形成的单形体中，每一端点上最少会有一个投影点。根据该约束条件，算法思路就是寻找遥感图像中的纯净像元。由于概念明确而且解算简单，这种算法在线性端元解混里最常用[27]。其典型方法有内部最大体积法[28]、单形体增长算法[29]、顶点成分分析[30]、逐次投影法[31]、顺序最大角凸锥法[32]和交替体积最大化法[33]等。该类算法最大的问题是实际图像中往往不存在纯净像元，因而无法保证解混精度。

2.2 最小体积模型下的几何解混算法

最小体积模型方法的目标是求解混合矩阵，该矩阵使包含所有纯净像元单形体的体积最小。这里的求解问题是非凸优化问题，处理起来更困难。其典型方法有最小体积单形体分析[34]、凸锥分析[35]、最小体积约束的非负矩阵分解[36]、迭代限制端元[37]、最小体积单形体分析[38]、基于分离和增广拉格朗日的端元解混[39]等。此外还有基于稀疏策略的迭代限制端元[40]等。该类算法的主要缺点是提取得到的像元不一定在图像中。

2.3 稀疏回归解混算法

由于高光谱遥感图像在光谱维上有稀疏性特征，因此可以基于稀疏编码方法中的过完备字典思想构建出表示物质种类的过完备端元集合，进而根据该集合对存在混合像元的高光谱遥感图像进行表征。Iordache等[41]提出了混合像元光谱稀疏编码的方法，基本工作原理如图2所示。该算法的主要问题为其结果并不一定共享相同的端元集合，使结果中可能包含不存在于图像中的地物种类。针对该缺陷，Iordache等[42]此后又提出了联合稀疏编码方法，通过引入混合范数使稀疏编码处理过程中共用相同的端元集合。研究人员基于这一思想做了较大改进，如局部联合稀疏表示等。除此以外，最近几年稀疏编码还和NMF(Non-negative Matrix Factorization)模型联合组成稀疏NMF端元解混模型，例如超图约束的稀疏NMF、流行约束的稀疏NMF等。

由于有效地规避了纯净像元缺失与端元估计这2个制约高光谱图像端元解混精度的因素，因而基于稀疏编码的方法成为高光谱端元解混的热门研究领域。但是，高光谱稀疏解混算法仍然无法很好地解决同物异谱和同谱异物问题。

图2 高光谱图像稀疏表示端元解混合

2.4 融合空间信息的解混算法

为提高高光谱遥感图像端元解混精度，除根据地物光谱信息提取端元外，还可以将地物空间信息引入到图像处理中。这里的地物空间信息可以用来增加光谱区别度，尤其是当遇到同谱异物的情况时，考虑地物空间信息可以提升端元的提取准确率。根据这一考虑，Plaza等[43]最先提出了非监督的形态学端元解混算法。此外，地物空间信息可当作制约条件与稀疏表示方法相融合，如空间约束NMF、空间-光谱限定的稀疏表示等算法。而如何将光谱信息与空间信息进一步有效结合仍然是目前需要研究的问题。

3 高光谱图像的战场应用

3.1 战场环境分类技术

高光谱图像的分类技术已经广泛地用于战场感知。例如：该技术在海洋水体的遥感中具有明显的应用优势——结合海洋本身的水文特性和光学模型，利用高光谱图像所获取的海水清晰度、海底深度、水流信息等，能够获得水面舰艇和水下潜艇等目标信息及其相应的动态特性。美国海军主持研发设计，现已投入使用的成像光谱仪，可提供210个波段(400～2 500 nm)的光谱数据。其主要目的是获取近海目标动态特性，同时还可以对大气进行监测分析，为海军作战提供情报参考。打击效果评估也是高光谱图像分类技术在战场环境中的一个重要应用，尤其是对地下建筑物的毁伤效果评估。此外，对战场地形的分类可为军事行动提供更有力支持。

由此可见，分类及检测是高光谱遥感图像应用中十分重要的内容。赋予每个像元以唯一光谱特征类别标识，并在此基础上提取出感兴趣目标是分类的最终目的。这在战场环境的判断中具有重要的应用意义。目前高光谱图像的分类技术主要包括以下几种:

1) 半监督学习[44]和主动学习[45]能够利用已标记的有限训练集对大规模待标记像元信息进行挖掘，可以减弱“不适定”问题给高光谱图像分类带来的影响。另外，使用大量待标记数据集和少量已标记数据集进行共同学习，可构建更加有效的分类器。

2) 光谱-空间特征结合的高光谱分类方法引入了空间信息，使得地物连续性以及分类精度有较大提高。如何有效获取空间特征，以及将光谱信息与空间特征结合，是该方法研究的核心问题。根据对光谱-空间联合分类时效要求的不同，可分为同步处理与后处理2种方法。

3) 高光谱图像的稀疏编码使得原子类别标记信息得以传递，具有重要应用价值。稀疏多元逻辑回归[46]和稀疏条件随机场模型方法被引入到高光谱图像处理中，后者具有可以同时选择特征及训练分类模型的特点[47]。

3.2 战场目标检测技术

高光谱图像目标检测技术已成功地应用于航天军事目标侦察领域。通过对侦察目标的光谱特征曲线分析可以得到对应目标的组成成分，如识别隐蔽于丛林中的坦克、探测地雷、搜救人员等。坦克的迷彩与丛林极其相似，从自然光的遥感图像中是无法分辨的，但是其光谱曲线有很大区别。利用地雷与土壤的光谱差别和地面被扰动痕迹的光谱特性可以探测地雷。如果战场失踪或逃生人员用特殊物质做标记，那么可以通过高光谱传感器更加快速地定位。高光谱图像目标检测相对于可见光遥感图像战场目标侦测的主要优点是：能够对侦察目标的材料进行鉴别，以区分自然环境背景与伪装的军事目标；能够对军事目标的性质和种类进行鉴别，从而避免伪装及假目标的干扰等。

美国以星载高光谱遥感作为研究重点，成功将其应用于战场侦察中，主要包括识破伪装和监督武器生产等。识破伪装主要利用目标与伪装材料之间的光谱特性区别，判断所侦察的区域是否存在伪装目标或制造干扰的假目标。监督武器生产主要是利用高光谱成像技术侦察目标工厂的烟雾等信息，通过识别工厂烟雾中物质成分，对军工厂生产的打击武器类型进行判断。美国位于马萨诸塞州Fitchburg的Headwall Photonics公司已经为地面部队开发了一种用于侦察的便携式高光谱传感器[48]。通过该系统能够扩展侦察兵获悉地形和威胁信息的内容。例如，在执行侦察任务过程中，传感器可以发现隐藏在背景环境中的伪装物；根据其现有配置，该装备可用于发现狙击手。

能够用于战场目标检测的技术主要包括以下几种：

1) 约束能量最小化算法[49]在保证目标光谱特征响应为1的情况下，通过最小化输出能量来实现目标的探测。但是，约束能量最小化算法容易受到背景光谱的影响，因此，Gao等[50]为了提高目标探测的效果，提出了一种自适应的匹配滤波算法。

2) 正交子空间投影算法[51]通过正交投影的方式，最小化背景光谱的特性，同时保留目标光谱的特性而实现目标识别，因此本算法中所选择的投影空间为背景光谱的正交子空间。

3) 目标约束下的干扰最小化滤波算法[52]通过探测算子进行目标的探测，该探测算子的特点是对于目标特征能够进行正确探测，而对于背景的特征能够有效地进行抑制，防止将背景作为目标进行探测的情况发生。

4) 基于稀疏编码的目标探测算法[53]将每个像元通过冗余词典中少量元素的线性加权来进行表示，在具有目标光谱特征的先验知识下，可以对目标进行探测。冗余词典的构建对基于稀疏编码的目标探测算法影响较大，但是合适的冗余词典是非常难构建的。

4 结 束 语

本文立足战场环境感知中的高光谱图像处理技术，从高光谱图像的预处理、端元解混和战场应用技术等3个方面进行概述，内容包括经典的算法和目前的前沿算法。随着技术的逐步成熟，高光谱遥感将在战场环境感知中发挥举足轻重的作用。

由于战场环境中对于信息的精确度要求较高，而高光谱图像空间维分辨率通常较低，为了进一步提高战场环境分类和目标检测精度，目前比较热门的一个研究方向是将高光谱图像与高分辨率可见光图像进行融合，能够综合2类图像的优点进而提高高光谱图像的利用价值。

战场中对信息的实时性要求较高，现有的高光谱处理算法复杂度比较高，计算开销大，为了进一步提高战场态势感知速度，研究高光谱图像的并行处理算法，利用分布式计算方法对高光谱图像处理是一个可行的解决方案。

References)

[1]童庆禧,张兵,郑兰芬.高光谱遥感：原理、技术与应用[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]张良培,杜博,张乐飞.高光谱遥感影像处理[M].北京：科学出版社,2014:22-32.

[4]张达,郑玉权.高光谱遥感的发展与应用[J].光学与光电技术,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]高连如.高光谱遥感目标探测中的信息增强与特征提取研究[J].中国科学院遥感应用研究所,2007,1(2):13-18.

[8]黄威,高太长,刘磊,等.一种基于改进累积方差百分比的红外高光谱数据降噪方法[J].光谱学与光谱分析,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,张爱武,王书民,等.基于谱聚类与类间可分性因子的高光谱波段选择[J].光谱学与光谱分析,2015(5):1357-1364.

[14]苏红军,杜培军.高光谱数据特征选择与特征提取研究[J].遥感技术与应用,2006,21(4):288-293.

[15]夏威.高光谱遥感图像的解混和波段选择方法研究[D].上海：复旦大学,2013:35-55.

[16]甘乐,李功权.半监督局部保持高光谱影像降维算法研究[J].电脑知识与技术,2015,11(2):169-170.

[17]冯静,舒宁.改进型遗传算法和支持向量机的波段选择研究[J].武汉理工大学学报,2009(18):120-123.

[18]杨三美.基于克隆选择算法的高光谱图像波段选择[D].武汉：华中科技大学,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]李海涛,顾海燕,张兵,等.基于MNF和SVM的高光谱遥感影像分类研究[J].遥感信息,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]张朝阳,程海峰,陈朝辉,等.高光谱遥感的发展及其对军事装备的威胁[J].光电技术应用,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]冯海燕，陈国杰.美陆军为地面部队试验高光谱传感器[J].通信与计算技术,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]王凯,舒宁,李亮,等.利用 ICA 正交子空间投影加权的高光谱影像目标探测算法[J].武汉大学学报( 信息科学版),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.

(编辑：李江涛)

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

部委级资助项目

吴玲达(1962—)，女，教授，研究员，主要研究方向为多媒体与虚拟现实技术、虚拟战场环境构建技术。wld@nudt.edu.cn

O433

2095-3828(2017)03-0001-07

A DOI 10.3783/j.issn.2095-3828.2017.03.001