基于目标与环境FD模型的多特征检测算法适应性评估

智能变形、变色、变温、变谱技术发展趋势下,低特征目标加速实现与自然地物背景的特征融合,导致复杂自然背景环境下低散射、微反射、弱辐射目标的检测与评估愈发困难,特定场景下潜在威胁目标的检测方法快速决策与准确评估成为了难题。为了提升离散目标、伪装目标、弱小目标、异常目标等低特征目标与复杂自然背景环境融合场景下的多特征检测算法的选择效率及其检测准确度,提出了目标与背景环境融合度（FD）参数模型,并设计了植被伪装目标嵌入草地背景、植被伪装目标嵌入土壤背景、植被及水泥路伪装目标嵌入土壤背景以及植被、水泥路、土壤伪装目标分别嵌入草地、水泥路、土壤背景等4种不同波谱特征分布场景的模拟图像数据,以及信噪比为200,400与800的高斯白噪声分别加入场景一的3种不同级别噪声比例的模拟图像数据。通过综合目标波谱信息、背景波谱信息、数据噪声比例等多种因素的综合试验分析,开展了基于目标与环境FD模型的多特征检测算法适应性评估研究。结果表明,在标准差均小于0.08的条件下,MtACE,MtAMF,MtCEM,SumACE,SumAMF,SumCEM,WtaACE,WtaAMF,WtaCEM等9大经典多特征检测算法对于4种波谱分布场景检测结果的FD参数平均值分别为0.320 0,0.350 2,0.862 4,0.365 8,0.365 8,0.846 1,0.680 0,0.680 0和0.948 2;在标准差均小于0.07的条件下,9大经典多特征检测算法对于3种不同级别噪声比例数据检测结果的FD参数平均值分别为0.313 5,0.320 9,0.774 7,0.369 6,0.369 6,0.847 5,0.695 6,0.695 6和0.960 3。通过不同波谱分布场景及不同噪声级别条件下的检测与融合度评估试验分析,实现了多特征检测算法的适应性能排序,大幅提升复杂场景下多种低特征目标的检测效率。综合波谱与噪声因素,对于复杂场景下离散分布的低特征目标检测,9大经典多特征检测算法的优先级顺序为：MtACE>MtAMF>SumACE=SumAMF>>WtaACE=WtaAMF>MtCEM>SumCEM>WtaCEM。     

一种基于目标与背景特征分离模型的高光谱目标检测修正算法

高光谱图像立方体数据可以提供成像场景中地物在可见光和近红外波长范围内的空间信息和地物属性诊断的光谱特征信息,在目标检测与识别方面拥有得天独厚的天然优势。然而,基于高光谱图像数据的目标检测也存在一定缺陷,如经典的高光谱目标检测算法仅利用光谱维度信息检测目标,检测模型要么对背景高维特征矩阵构建的准确度不足,要么对背景先验光谱特征的完备性要求较高,导致算法对不同复杂度的检测场景适应性不强。因此,基于计算复杂度较低、参数需求量较少且检测性能较为优异的经典多目标检测算法—多目标约束能量最小化(MCEM),提出了一种基于目标与背景环境特征分离模型的高光谱目标检测修正算法(R-MCEM)。首先,设计了一个与目标形状、尺寸相近的逐像元移动运算窗口,依次计算窗口中的每个像元与窗口内其他像元的光谱距离之和D1,像元与各类目标的光谱距离之和D2。其次,采用获得D1/D2最小值的像元替换窗口内的所有像元值。然后,自左向右、自上而下逐像元移动窗口,重复窗口内每一个像元与目标、背景像元的光谱距离运算,并确定窗口内与背景相似度最高、与目标相似度最低的像元。直到移动运算窗口遍历整个高光谱图像,大幅提升了基于目标与背景...