金椿柏,楊 桄*，雷 巖，吳 迪，劉文婧

(1.空軍航空大學(xué)，長(zhǎng)春 130022；2.中國(guó)人民解放軍 31434部隊(duì)，沈陽(yáng) 110000)

引 言

軍事行動(dòng)的隱蔽性要求行動(dòng)時(shí)必須借助一定手段進(jìn)行偽裝[1]。在軍事領(lǐng)域上，偽裝的目的是通過(guò)減少目標(biāo)與背景的差異性，使觀察者難以發(fā)現(xiàn)目標(biāo)[2]，因此，偽裝效果決定著軍事行動(dòng)的隱蔽性。傳統(tǒng)的偵察手段主要依靠可見(jiàn)光傳感器，而針對(duì)這種偵察手段的偽裝，主要依靠改變目標(biāo)的色調(diào)實(shí)現(xiàn)偽裝效果[3]。高光譜圖像能同時(shí)獲取地物的2維空間圖像和一定波長(zhǎng)范圍內(nèi)的光譜曲線，不同物體在光譜特征上存在差異，利用這一點(diǎn)可以實(shí)現(xiàn)揭露目標(biāo)偽裝[4]。

植被偽裝是通過(guò)采集目標(biāo)周圍植物對(duì)軍事目標(biāo)進(jìn)行遮障、覆蓋以達(dá)到隱蔽目標(biāo)的一種手段，偽裝目標(biāo)與周圍環(huán)境在色調(diào)、形態(tài)，甚至是光譜特征上都具有極高相似性，因此具有優(yōu)良的偽裝效果[5]。植被偽裝由于水分和葉綠素的減少會(huì)與周圍植被環(huán)境在一定波段范圍內(nèi)產(chǎn)生差異，這種細(xì)微的差異是揭露偽裝的關(guān)鍵。高光譜圖像包含數(shù)百個(gè)波段的光譜數(shù)據(jù)，在實(shí)際應(yīng)用過(guò)程中計(jì)算量巨大；且相鄰波段數(shù)據(jù)相關(guān)性強(qiáng)，容易造成“維數(shù)災(zāi)難”[6]，導(dǎo)致分類精度降低，所以必須對(duì)高光譜圖像進(jìn)行降維。為了保留數(shù)據(jù)的原始物理意義，采用波段選擇算法進(jìn)行降維。典型算法包括最佳指數(shù)法[7]、子空間劃分[8]等。為了識(shí)別出特定目標(biāo)，采用異常檢測(cè)算法，如基于光譜角背景純化局部異常檢測(cè)算法[9]、改進(jìn)波段選擇方式提取端元[10]、基于特征波段進(jìn)行鑒別[11]、基于激光誘導(dǎo)熒光技術(shù)提取特征光譜[12]等方法。但是這些算法僅從與數(shù)據(jù)本身相關(guān)的固有屬性入手，難以結(jié)合具體實(shí)際問(wèn)題進(jìn)行波段選擇。

針對(duì)上述問(wèn)題，作者提出基于過(guò)濾式特征選擇擴(kuò)展(relevant feature,Relief-F)算法進(jìn)行高光譜波段選擇，用于進(jìn)行揭露植被偽裝問(wèn)題的研究。通過(guò)模擬一個(gè)植被偽裝目標(biāo)作為研究對(duì)象，分析不同時(shí)間段下偽裝目標(biāo)光譜特征的變化。一方面通過(guò)觀察光譜數(shù)據(jù)，定性分析變化較大的波段范圍及變化幅度；另一方面，引入Relief-F算法分析偽裝目標(biāo)與周圍環(huán)境的光譜波段的差異性，結(jié)合子空間劃分的思想進(jìn)行波段選擇。最后與傳統(tǒng)的波段選擇方法進(jìn)行對(duì)比，驗(yàn)證Relief-F算法在這一問(wèn)題上的有效性。

1 實(shí) 驗(yàn)

植被偽裝一般是通過(guò)將采集的植物覆蓋在目標(biāo)上來(lái)進(jìn)行偽裝，所以用于偽裝目標(biāo)的植物會(huì)隨著時(shí)間的推移和環(huán)境的變化逐漸枯萎，水分和葉綠素逐漸減少，這個(gè)過(guò)程從植物被采集下來(lái)便開(kāi)始了。因此，準(zhǔn)確獲得植物在枯萎過(guò)程中變化敏感的波段區(qū)間是作者研究的核心目的。

1.1 設(shè)置偽裝目標(biāo)

實(shí)驗(yàn)于2020-07開(kāi)展，以云杉這種常見(jiàn)的植物作為材料。由于植被偽裝的偽裝材料一般與周圍環(huán)境的主要植被相同，所以采用云杉的葉作為模擬植被偽裝的原材料。首先在12:00采集云杉葉若干，確保采集的樣本能夠接受到充足日照；然后使用云杉葉樣本分別設(shè)置3個(gè)植被偽裝目標(biāo)，確保偽裝材料將地面目標(biāo)完全覆蓋，將偽裝目標(biāo)放置在無(wú)遮障的自然環(huán)境下。

1.2 光譜數(shù)據(jù)采集與預(yù)處理

本實(shí)驗(yàn)中采用ASD公司生產(chǎn)的Hand Held 2(HH2)便攜式地物光譜儀進(jìn)行數(shù)據(jù)采集，光譜波長(zhǎng)范圍為325nm～1075nm，波長(zhǎng)精度±1nm，光譜分辨率小于3.0nm。分別對(duì)新鮮采集的植物樣本、在自然環(huán)境下放置24h,48h和72h的3個(gè)偽裝目標(biāo)進(jìn)行光譜數(shù)據(jù)采樣，對(duì)每一種樣本采集50個(gè)樣本數(shù)據(jù)，共200個(gè)光譜數(shù)據(jù)，如表1所示。

Table 1 Spectral data sampling table

為了降低周圍環(huán)境中散射光對(duì)光譜數(shù)據(jù)質(zhì)量的影響，實(shí)驗(yàn)人員統(tǒng)一著深色服裝。采集數(shù)據(jù)時(shí)，首先對(duì)光譜儀采集暗電流、定標(biāo)，然后將儀器垂直向下對(duì)準(zhǔn)目標(biāo)，距離目標(biāo)約1m，確保實(shí)驗(yàn)人員面向太陽(yáng)，目標(biāo)上無(wú)陰影。采集數(shù)據(jù)過(guò)程中，每經(jīng)過(guò)10min，需要對(duì)光譜儀再次定標(biāo)。

光譜數(shù)據(jù)采集完成后，首先對(duì)光譜數(shù)據(jù)降噪，然后對(duì)采集到的數(shù)據(jù)轉(zhuǎn)化為反射率，便于后續(xù)計(jì)算。

1.3 Relief-F算法

Relief算法是一種濾波式的特征選擇算法，最早由KIRA和RENDELL提出用于二分類問(wèn)題[13]。算法的核心思想是通過(guò)考察特征在同類近鄰樣本與異類近鄰樣本之間的差異來(lái)選擇特征，權(quán)重小于某個(gè)閾值的特征將被移除[14]。后來(lái)，KONONENKO等人提出了 Relief-F 算法來(lái)處理多分類問(wèn)題[15]，將多分類問(wèn)題轉(zhuǎn)化成多個(gè)二分類問(wèn)題，解決了多類別特征選擇過(guò)程。Relief-F算法的計(jì)算過(guò)程簡(jiǎn)述如下。

(1)

在得到每一個(gè)樣本的平均間隔向量后，利用下式來(lái)更新特征權(quán)重向量w:

(2)

式中,‖·‖表示范數(shù)。連續(xù)迭代一定次數(shù)，最終得到各個(gè)特征的權(quán)重向量w。

1.4 實(shí)驗(yàn)流程

本實(shí)驗(yàn)流程如下：(1)制作并放置偽裝目標(biāo)；(2)使用光譜儀在不同時(shí)間點(diǎn)采集植被偽裝的光譜數(shù)據(jù)，并進(jìn)行降噪和歸一化預(yù)處理；(3)分析對(duì)比偽裝目標(biāo)與周圍植被環(huán)境的光譜曲線，利用Relief-F算法計(jì)算偽裝目標(biāo)分別與周圍環(huán)境的特征權(quán)重關(guān)系，并根據(jù)特征權(quán)重選擇特征波段；(4)與其它常用的波段選擇算法對(duì)比，利用k均值無(wú)監(jiān)督分類算法進(jìn)行對(duì)比實(shí)驗(yàn)。

2 結(jié)果與分析

2.1 各類樣本采集的光譜特征

圖1是對(duì)各類樣本采集到的光譜數(shù)據(jù)。每一種樣本的光譜曲線取50個(gè)樣本數(shù)據(jù)平均值。

Fig.1 Spectral curves of various samples

通過(guò)觀察圖1可以發(fā)現(xiàn)，與剛采集的云杉葉相比，植被偽裝的時(shí)間越長(zhǎng)，在第130波段～第250波段以及第300波段～第500波段的光譜曲線變化程度越多，這兩處波段范圍對(duì)應(yīng)的波長(zhǎng)范圍分別是455nm～575nm和625nm～825nm波長(zhǎng)范圍內(nèi)，處于水吸收波段和紅光及紅外波段范圍。這一范圍正是植物的水吸收區(qū)和“紅邊”的兩個(gè)區(qū)域，表明植被偽裝的中植被的水分和葉綠素隨著時(shí)間推移在不斷減少，導(dǎo)致對(duì)應(yīng)波段范圍內(nèi)的光譜曲線發(fā)生相應(yīng)改變。同時(shí)觀察圖1還可以發(fā)現(xiàn)，當(dāng)云杉采集24h、48h和72h后，光譜特征的變化幅度不相同。從24h～48h這段時(shí)間，在455nm～575nm和625nm～825nm波長(zhǎng)范圍內(nèi)的光譜特征變化幅度明顯增大。綜上所述，當(dāng)利用植被偽裝軍事目標(biāo)時(shí)，短時(shí)間內(nèi)偽裝效果比較好，長(zhǎng)時(shí)間之后，偽裝效果會(huì)迅速下降。

2.2 基于Relief-F算法的特征波段提取

利用Relief-F算法對(duì)植被環(huán)境、植被偽裝1、植被偽裝2和植被偽裝3共4種樣本的數(shù)據(jù)進(jìn)行特征權(quán)重分析，如圖2所示。

Fig.2 Weight coefficients of each band obtained by Relief-F algorithm

從圖2中可以看出,在權(quán)重較高，對(duì)應(yīng)點(diǎn)波長(zhǎng)范圍分別是425nm～525nm和575nm～785nm，與從圖1中觀察所得結(jié)果略有出入，但總體上是相同的。波段的權(quán)重系數(shù)越高，說(shuō)明植被環(huán)境與偽裝目標(biāo)之間在該波段內(nèi)差異越大。其中單波段權(quán)重系數(shù)最高的是第432波段，對(duì)應(yīng)的波長(zhǎng)為767nm，波段位于“紅邊”位置。

結(jié)合子空間劃分的思想，從權(quán)重系數(shù)較高的2個(gè)波段區(qū)間第100波段～第200波段以及第250波段～第460波段內(nèi)，按照權(quán)重系數(shù)的大小等比例選擇波段，避免所選波段子集相關(guān)性過(guò)高。

2.3 算法性能對(duì)比

為了驗(yàn)證Relief-F在揭露植被偽裝的性能，將Relief-F算法與常用的波段選擇算法進(jìn)行對(duì)比，常用的算法包括最佳指數(shù)法、自動(dòng)子空間劃分法。使用3種算法選擇10個(gè)波段，波段選擇結(jié)果如表2所示。

Table 2 Subset of bands selected by three algorithms

驗(yàn)證3種波段選擇算法所得的波段子集的分類精度，具體方法為：對(duì)所測(cè)200條光譜數(shù)據(jù)利用k均值算法進(jìn)行無(wú)監(jiān)督分類，將其分為植被環(huán)境、植被偽裝1、植被偽裝2和植被偽裝3共4類，其中總體分類精度代表被正確分類的樣本占所有樣本數(shù)的比例。分類結(jié)果如表3所示。

Table 3 Classification accuracy of three algorithms

從表3中的分類結(jié)果可以發(fā)現(xiàn)，利用Relief-F算法選擇的特征波段分類精度高于其它兩種算法，表明Relief-F提取到的特征波段子集在揭露植被偽裝方面具有一定優(yōu)越性。再利用余弦相似度將3種算法分類結(jié)果同地物真實(shí)分類標(biāo)記結(jié)果比較，余弦值如表4所示。值越接近于1，表明相似程度越高。

Table 4 Cosine similarity between the classification results of three algorithms and the real classification

由表4中的余弦相似度可知，通過(guò)Relief-F算法比較波段權(quán)重系數(shù)選擇的特征波段分類結(jié)果相似度比其它兩種篩選波段的算法略高，說(shuō)明該算法可以應(yīng)用于揭露植被偽裝的實(shí)踐中。

3 結(jié) 論

由于植被偽裝在色調(diào)、形態(tài)以及光譜特征上與周圍環(huán)境高度類似，所以揭露植被偽裝較為困難。本文中利用常見(jiàn)植物模擬植被偽裝目標(biāo)，采集樣本光譜數(shù)據(jù)進(jìn)行實(shí)驗(yàn)分析；提出利用Relief-F算法結(jié)合子空間劃分思想選擇光譜數(shù)據(jù)特征波段，既考慮了光譜特征的類間可分性，又在一定程度上避免了波段子集相關(guān)性問(wèn)題。與其它兩種常用的波段選擇方法對(duì)比，Relief-F算法所選波段子集在4種目標(biāo)上的分類精度高于其它兩種算法，總體分類精度達(dá)到了96.4%，余弦相似度達(dá)0.9690。證明利用Relief-F算法篩選的光譜波段可以有效地識(shí)別出不同時(shí)間段的植被偽裝目標(biāo)，在高光譜圖像揭露植被偽裝以及植被偽裝目標(biāo)的設(shè)置應(yīng)用方面具有一定的價(jià)值。