摘要
20世纪80年代以来，传感器技术、数字电子技术和计算机处理能力等的提升推动了高光谱成像技术的发展，它将反映地物空间结构的图像和辐射特征的光谱相结合，在军事侦察、矿物勘测及文物考古等领域得到广泛关注，具有十分重要的理论研究意义和实际应用价值。高光谱图像目标检测旨在基于先验光谱或空谱信息对高光谱数据进行定量化解译分析，进而判断每个待测像元中存在感兴趣目标的置信度。受成像条件、传感器噪声、地物组成及特征高维等因素影响，高光谱数据呈现为复杂的非线性结构且普遍存在光谱畸变（包括“同物异谱”和“异物同谱”），难以凭借单一光谱实现目标精准检测。已有研究一般通过预定义模型估计数据分布来缓解上述问题，然而当理论模型不足以准确描述真实数据时，容易造成检测性能下降。 在实际应用中，按照训练样本和测试样本是否属于同一场景，可将检测划分为同场景检测和跨场景检测。针对这两个应用下光谱畸变造成目标检测性能低的问题，论文首先以鉴别特征提取的方式，分别研究了同场景和跨场景下的高光谱图像目标检测，能够从高光谱数据的全波段信息中提取目标和背景间区分度更强的判别特征;随后，进一步研究了同场景下的光谱一致性增强方法，不仅可以降低光谱类内差异，且能够保留地物的全谱段信息，更好地实现基于特定波段的典型目标提取。基于以上研究，本文构建了多个无监督和半监督深度神经网络模型，可以充分利用大量无标签样本自适应地学习拟合数据分布，并且能够挖掘高光谱数据的隐含非线性特征和空谱联合特征，提高特征唯一表达能力，实现复杂背景下感兴趣目标的精准提取。论文主要研究成果如下: (1)针对同场景高光谱图像目标检测中光谱畸变导致的低检测性能问题，本文提出了一种基于全连接自编码网络的光谱鉴别特征提取方法。为了扩大特征空间中目标和背景的差异，利用先验目标光谱有针对性地构建一个判别损失函数，在原始高光谱数据中目标和背景间区分度的加权下，增强特征空间中二者的可分性，进而更易从背景中分离出感兴趣目标。针对目标和背景间“异物同谱”极为严重，仅凭光谱信息难以辨别二者的问题，本文提出了一种基于三维残差卷积自编码网络的多尺度空谱特征提取方法，为目标检测增加了空间判别依据，能够有效减少虚警背景。实验结果表明，提出的两种方法均能够提取鉴别能力更强的特征，且多尺度空谱特征相比光谱鉴别特征能够获得目标与背景间更显著的差异，大幅提升检测效果。 (2)为了进一步高效解决同场景高光谱图像目标检测中“异物同谱”的目标和背景不易区分的问题，本文提出了一种感兴趣区域空谱鉴别特征提取方法，可以使网络更加专注于目标和易混淆背景之间的判别性特征学习，提高有效特征学习效率。具体而言，首先构建感兴趣区域转换层，从空间维排除高光谱图像中明显不属于目标类的无关区域，提取感兴趣空间特征;然后，设计一个多尺度光谱注意力层，作用于感兴趣空间特征，学习不同尺度的光谱特征，并沿光谱维对其自适应加权，从而更好地提取辨识度高的感兴趣光谱特征。实验结果表明，本算法能有效提高目标检测性能，尤其是在目标和背景极相似的IndianPines数据上，提出的方法总体检测精度AUCoA可达1.7080，远优于对比算法中的最高值1.3938。 (3)针对跨场景高光谱图像目标检测任务中单一模型泛化能力弱、重新训练模型时间成本高，并难以利用已有学习经验的问题，本文提出了一种域自适应小样本学习的跨场景高光谱图像目标检测方法，通过源域样本间相似性判断能力改善目标域检测任务的学习。首先，设计了一个由可调制变形空谱特征融合和残差通道注意力组成的源域网络，能够根据地物空间结构自适应提取有用的空谱鉴别特征，更有效地学习样本对之间相似度-非相似度度量;然后，采用加权域自适应策略缩小源域数据和目标域数据的分布差异，缓解源域模型迁移至目标域后所面临的性能下降问题，同时基于先验目标信息构建一个增强判别损失函数，促使难区分样本愈加靠近或远离目标，弱化高光谱数据中的光谱畸变程度。跨场景高光谱图像目标检测任务中，相比重新训练网络模型，采用提出的方法可以使时间消耗降低约50％。 (4)针对给定特征波段的目标检测任务，难以从降维提取的重组鉴别特征中获取到特定谱段信息，导致此类任务无法达到更高性能的问题，本文设计了一个层级去噪自编码网络，在不损失光谱维信息的前提下，通过逐层迭代的方式增强目标光谱一致性，使目标光谱曲线更加紧凑。随后，基于无约束线性混合模型，提出了一种无需估计数据分布的同场景检测器，其通过两步子空间投影分别抑制无关背景和增强目标强度，能够在复杂场景中获得稳定的目标检测性能。实验结果及分析表明，层级去噪自编码网络可以同时克服光谱畸变中的“同物异谱”和“异物同谱”问题，对提升目标检测性能具有重要意义。 综上所述，本文有效解决了高光谱图像目标检测中光谱畸变造成检测性能低的问题，在同场景和跨场景两种实际应用中，均取得了与现有方法相比更高的检测性能，可为高光谱图像目标检测在城市规划、矿物调查、搜索救援、危险预测等具体任务中的顺利实施提供理论指导和技术支撑。
NETL