鄧賢明, 張?zhí)觳牛?, 劉增燦, 李忠盛，熊 杰，張翼翔，劉朋浩，岑 奕，吳法霖

1. 中國兵器工業(yè)第五九研究所，重慶 400039 2. 中國科學院空天信息創(chuàng)新研究院，北京 100101 3. 南京大學電子科學與工程學院，江蘇 南京 210023

引 言

復雜背景環(huán)境下目標特征檢測分析是軍事對抗應用及諸多民用領域的研究熱點，檢測的方法主要有基于空間域、波譜域、偏振域的方法，其中基于波譜域的檢測方法利用目標及背景地物表面材質的波譜特征差異，構建目標檢測數(shù)學模型，實現(xiàn)目標及背景地物的高精度分離[1-3]，對于與背景環(huán)境融合的離散目標、弱小目標等低散射弱輻射特征檢測，比基于空間域、偏振域的方法具備更大的優(yōu)勢[4-6]。 波譜域目標檢測技術主要起源于RXD及其改進的異常特征檢測算法[7-8]，之后，為了克服噪聲和弱小特征的非目標干擾，Chein-I Chang等分別基于信號理論與正交子空間模型先后提出了CEM(constrained energy minimization)/TCIMF(target-constrained interference-minimized filter)、OSP(orthogonal subspace projection)等實用性較強的經(jīng)典算法，由于加入了目標或背景環(huán)境的先驗波譜信息，特征檢測準確度有了較大提升[9]；為了提高基于多維正態(tài)分布的波譜數(shù)據(jù)特征檢測精度，Kraut等提出了 ACE(adaptive coherence/cosine estimator) 算法、Fuhrmann 提出了AMF(adaptive matched filter)算法；為了克服多種特征逐步檢測的缺陷，Chein-I Chang提出了SumCEM(sum-CEM)、WtaCEM(winner take all-CEM)、MtCEM(multiple target-CEM)三種多特征檢測算法[10-11]，極大提升了多特征檢測效率。 為了摸清各種算法對于特定場景下特征檢測的準確度，國內外發(fā)展了一系列高置信度理論模型，如基于層次分析法的評價方法、基于決策樹與隨機森林的評價方法、基于混淆矩陣的評價方法、基于受試者操作特征曲線[12-13]的評價方法、基于準確率/召回率與F1-Score的評價方法、基于K折交叉驗證技術的評價方法等，但是這些方法對于低特征目標與背景環(huán)境的融合度估計能力不足，難以準確評估復雜環(huán)境下多特征檢測算法的適應性，導致特定場景下算法選擇效率較低。 本工作首先將基于CEM算法的多特征檢測思想拓展至ACE與AMF算法中，然后基于多特征檢測結果，提出目標與環(huán)境融合度(fusion degree，F(xiàn)D)參數(shù)模型，通過綜合目標波譜信息、背景波譜信息、數(shù)據(jù)噪聲比例等因素的綜合試驗分析，實現(xiàn)基于FD模型的9種多特征檢測算法適應性準確評估。

1 算法原理

1.1 目標與環(huán)境融合度算法模型

特征檢測結果灰度圖中，像元的灰度值大小與該像元屬于目標的概率大小正相關，通過將灰度階級細分并分別計算每一細分灰度閾值下的檢測率與虛警率，獲得特征檢測的檢測率向量與虛警率向量，分別如式(1)和式(2)所示。

(1)

(2)

式(1)和式(2)中，Pdn×1和Pfn×1分別表示特征檢測概率、虛警率向量，Ndi為第i個分割灰度值下被正確判斷為目標的像元數(shù)量，Nture表示目標像元總數(shù)，Nfi為第i個分割灰度值下被誤判為目標的背景地物像元數(shù)量，Nmiss表示背景地物像元總數(shù)，n為灰度閾值的數(shù)量，n一般取大于2 000的整數(shù)且保證灰度閾值能夠覆蓋圖像中所有灰度值。

特征檢測精度采用傳統(tǒng)的ROC(receiver operation characteristics)面積，即檢測率與虛警率關系函數(shù)與坐標橫軸圍成面積，如式(3)所示。

(3)

式(3)中，f(pf,pd)為虛警率與檢測率之間的關系函數(shù)，pd(2)為倒數(shù)第二大閾值下的檢測率，Δpf為虛警率向量元素之間的增長步長。 但是ROC對于性能較為接近的算法優(yōu)劣評估效果較差、灰度閾值分割的數(shù)量對評估結果影響較大，基于此，提出如式(4)所示的目標與環(huán)境融合度(fusion degree，F(xiàn)D)參數(shù)模型，結合ROC面積實現(xiàn)算法檢測性能綜合評判。

(4)

1.2 多特征檢測算法

基于Chein-I Chang提出的MtCEM, SumCEM和WtaCEM多特征檢測算法，將基于CEM算法的多特征檢測思想拓展至ACE與AMF算法中，即MtACE，MtAMF，SumACE，SumAMF，WtaACE和WtaAMF，開展9種多特征檢測算法的檢測適應性評估研究。 9種算法的原理如式(5)—式(13)所示。

(5)

(6)

(7)

(8)

(9)

(10)

(11)

(12)

(13)

2 實驗部分

2.1 試驗數(shù)據(jù)

設計了圖1所示的4種模擬圖像數(shù)據(jù)，分別為植被偽裝目標嵌入草地背景、植被偽裝目標嵌入土壤背景、植被及水泥路偽裝目標嵌入土壤背景以及植被、水泥路、土壤偽裝目標分別嵌入草地、水泥路、土壤背景4種不同波譜特征分布場景。 模擬所用的真實背景數(shù)據(jù)共360個波段，波長范圍為413.9～2 452.8 nm，光譜分辨率為5 nm，空間分辨率為1 m[14]。

圖1 試驗場景(a)： 草地背景及植被偽裝目標; (b)： 土壤背景及植被偽裝目標； (c): 土壤背景及植被與水泥路偽裝目標; (d): 草地/水泥路/土壤背景及其相應偽裝目標Fig.1 Test scenarios(a)： Grassland background and vegetation camouflage target; (b): Soil background and vegetation camouflage target; (c): Soil background and vegetation and cement road camouflage targets; (d): Grassland/cement road/soil background and its corresponding camouflage targets

2.2 方法

首先，設計了表1所示的4種試驗方案，即分別開展目標之間及目標與背景之間波譜相似性大、目標之間波譜相似性大而目標與背景之間波譜相似性小、目標之間及目標與背景之間波譜相似性小、目標之間波譜相似性小而目標與背景之間波譜相似性大等4種條件下的偽裝目標檢測試驗，獲取上述4種場景下9種多特征檢測算法的檢測結果；其次，分別將圖1(a)所示的原始數(shù)據(jù)加入信噪比(signal noise ratio，SNR)為200, 400與800的高斯白噪聲，獲取3種信噪比情況下9種多特征檢測算法的檢測結果；然后，對所有檢測結果用本文提出的FD模型建模以及檢測精度解析；最后，通過多種條件下FD參數(shù)及檢測精度的綜合比對分析，實現(xiàn)綜合目標波譜信息、背景波譜信息、數(shù)據(jù)噪聲比例等因素的算法適應性評估。

表1 試驗方案Table 1 Test scheme

3 結果與討論

試驗1—試驗5結果分別見圖2—圖5與表2—表6。

圖6、圖7分別展示了九種多特征檢測算法對四種試驗場景、三種不同信噪比場景檢測結果的融合度分布特征，檢測均值及標準差統(tǒng)計如表7所示。

圖2 草地背景下植被偽裝目標不同算法檢測結果(a)： MtACE; (b): MtAMF; (c): MtCEM; (d): SumACE; (e): SumAMF; (f): SumCEM; (g): WtaACE; (h): WtaAMF; (i): WtaCEMFig.2 Detection results of vegetation camouflage targets under grassland background using different algorithms(a)： MtACE; (b): MtAMF; (c): MtCEM; (d): SumACE; (e): SumAMF; (f): SumCEM; (g): WtaACE; (h): WtaAMF; (i): WtaCEM

圖3 土壤背景下植被偽裝目標不同算法檢測結果(a)： MtACE; (b): MtAMF; (c): MtCEM; (d): SumACE; (e): SumAMF; (f): SumCEM; (g): WtaACE; (h): WtaAMF; (i): WtaCEMFig.3 Detection results of vegetation camouflage targets under soil background using different algorithms(a)： MtACE; (b): MtAMF; (c): MtCEM; (d): SumACE; (e): SumAMF; (f): SumCEM; (g): WtaACE; (h): WtaAMF; (i): WtaCEM

圖4 土壤背景下植被及土壤偽裝目標不同算法檢測結果(a)： MtACE; (b): MtAMF; (c): MtCEM; (d): SumACE; (e): SumAMF; (f): SumCEM; (g): WtaACE; (h): WtaAMF; (i): WtaCEMFig.4 Detection results of vegetation and soil camouflage targets under soil background using different algorithms(a)： MtACE; (b): MtAMF; (c): MtCEM; (d): SumACE; (e): SumAMF; (f): SumCEM; (g): WtaACE; (h): WtaAMF; (i): WtaCEM

圖5 草地/水泥路/土壤背景下植被/水泥路/土壤偽裝目標不同算法檢測結果(a)： MtACE; (b): MtAMF; (c): MtCEM; (d): SumACE; (e): SumAMF; (f): SumCEM; (g): WtaACE; (h): WtaAMF; (i): WtaCEMFig.5 Detection results of vegetation/cement road/soil camouflage targetsunder grassland/cement road/soil background using different algorithms(a)： MtACE; (b): MtAMF; (c): MtCEM; (d): SumACE; (e): SumAMF; (f): SumCEM; (g): WtaACE; (h): WtaAMF; (i): WtaCEM

表2試驗1融合度與精度參數(shù)統(tǒng)計Table 2 FD and accuracy parameter of test 1

表3 試驗2融合度與精度參數(shù)統(tǒng)計Table 3 FD and accuracy parameter of test 2

表4 試驗3融合度與精度參數(shù)統(tǒng)計Table 4 FD and accuracy parameter of test 3

表5 試驗4融合度與精度參數(shù)統(tǒng)計Table 5 FD and accuracy parameter of test 4

表6 不同信噪比圖像檢測結果Table 6 Detection results under different signal-to-noise ratios

圖6 九種多特征檢測算法對四種試驗場景的檢測結果Fig.6 Detection results of four scenarios by ninemultiple features detection algorithms

圖7 九種多特征檢測算法對三種不同信噪比場景的檢測結果Fig.7 Detection results of three SNR scenarios by ninemultiple features detection algorithms

表7 不同場景下多特征檢測算法的檢測均值及標準差統(tǒng)計

從圖6、圖7以及表7的統(tǒng)計分析結果可以看出，MtCEM以及基于Wta思想的多特征檢測算法WtaCEM，WtaACE和WtaAMF在不同級別噪聲下的FD參數(shù)變化最微弱，說明該四種算法對于噪聲的適應能力較強，但是其對不同場景下多特征同步檢測的精度均較差，融合度參數(shù)也較高，綜合來講適應性偏低；CEM算法的三種多特征檢測版本MtCEM，SumCEM和WtaCEM對波譜信息的變化較為敏感，對于不同目標及背景波譜分布的場景檢測效果較差，融合度參數(shù)偏高，為適應性最低的前三種算法；MtACE，MtAMF，SumACE和SumAMF四種算法對于不同場景的適應能力強，對于噪聲的敏感性也較低，為適應性最高的前四種算法。 此外，從各大算法的檢測精度可以看出，CEM的三種多特征檢測算法高于WtaACE、WtaAMF，但是從檢測效果來看，后者的效果明顯更優(yōu)，此時本文提出的FD參數(shù)則與檢測效果的優(yōu)劣保持一致，說明了FD模型的正確性。

4 結 論

(1)提出了目標與環(huán)境FD模型，極大提升了弱特征目標檢測結果的評價準確性，可支撐多種場景下的檢測算法執(zhí)行決策。

(2)開展了四種不同波譜分布場景的檢測試驗，結果表明在標準差均小于0.08的條件下，9大算法對于波譜變化的適應能力由強到低排序為： MtACE>MtAMF>SumACE=SumAMF>WtaACE=WtaAMF>MtCEM>SumCEM>WtaCEM。

(3)對波譜數(shù)據(jù)加入不同級別噪聲，檢測結果表明在標準差均小于0.07的條件下，9大算法對于噪聲的適應能力由強到低排序為： MtACE>MtAMF>SumACE=SumAMF>WtaACE=WtaAMF>MtCEM>SumCEM>WtaCEM。

(4)綜合不同試驗場景及不同級別噪聲條件下的檢測結果，MtCEM，SumCEM和WtaCEM三種算法對于多特征檢測的準確度以及自身泛化能力均較差，WtaACE和WtaAMF算法對于多種特征的檢測不全面，往往突出某一類特征而丟失其他大部分特征，因此，復雜場景下離散分布的多特征檢測，建議考慮算法的優(yōu)先級順序為MtACE>MtAMF>SumACE=SumAMF。