《Chinese Journal of Electronics》:Pixel-Weighted Background Reconstruction Network with Dual-Windows Blind Block for Hyperspectral Target Detection
编辑推荐:
本文针对高光谱目标检测中目标先验信息稀疏和背景抑制能力不足的瓶颈问题,提出了一种基于预检测引导的双窗口盲块像素加权背景重建网络(DWBRN)。研究通过设计双窗口盲块结构破坏目标空间信息,利用周边像素加权模块生成纯净背景标签,并结合检测-重建聚合模块有效融合预检测与重建结果。实验表明,该方法在四个数据集上均优于八种先进算法,显著提升了复杂场景下的目标检测精度与背景抑制能力,为高光谱遥感图像分析提供了新思路。
在高光谱遥感图像分析领域,目标检测一直是一项关键而富有挑战性的任务。高光谱图像(HSI)通过数十至数百个连续的窄波段捕捉地物光谱信息,能够区分外观相似但光谱特征迥异的材料,在农业监测、环境评估、矿产勘探等领域具有广泛应用。然而,现实场景中目标像素通常稀疏分布,且受复杂地形干扰,实验室测得的目标先验光谱信息往往与实际情况存在偏差,这给传统检测算法带来了巨大挑战。
早期基于光谱匹配的方法如光谱角匹配(SAM)和自适应匹配滤波器(AMF)严重依赖实验室先验信息,在复杂场景下性能受限。而深度学习虽能自动学习高维光谱特征,却面临目标-背景样本不平衡、背景信息不纯等难题。针对这些瓶颈,哈尔滨工程大学李泽超等人创新性地提出了一种融合预检测机制与背景重建思想的检测框架——双窗口盲块像素加权背景重建网络(DWBRN),相关成果发表于《Chinese Journal of Electronics》。
该研究的核心技术方法包括:1)通过快速约束能量最小化(CEM)预检测获取背景样本,构建双窗口盲块(DWBB)破坏目标区域空间结构;2)设计周边像素加权(SPW)模块,基于光谱角距离(SAD)加权生成背景标签;3)采用残差连接背景重建网络(BRN)学习纯净背景特征;4)利用检测-重建聚合(DRA)模块融合预检测与重建差异结果。实验选用帕维亚、德克萨斯海岸、洛杉矶和坦帕湾四个公开数据集,以接收者操作特征曲线下面积(AUC)等指标进行量化评估。
方法原理与实验设计
DWBRN框架包含训练和预测两个阶段(图1)。训练阶段首先对高光谱数据X∈RH×W×L进行预检测,通过计算自相关矩阵M和CEM滤波器获得初步检测图y,根据阈值α区分目标像素ptg与背景像素pbg。随后构建双窗口结构:外窗口(Wo×Wo)包含完整空间信息,内窗口(Wi×Wi)中心像素被随机替换为窗口间区域的背景像素,形成盲块Pob。SPW模块通过计算内窗口周边像素与先验光谱d的光谱角差异Li,生成加权标签pw=βpc+(1-β)∑(Li/∑Lj)psi,有效降低目标像素对重建过程的影响。背景重建网络采用卷积层+ReLU+BN+三重残差模块(ResBlock)结构,以?1范数损失函数优化中心像素重建精度。
检测结果对比分析
在帕维亚数据集车辆检测任务中(图3),CEM、HTDIRN等方法虽能检测多数目标,但背景抑制能力较弱;hCEM、DSC等方法背景纯净但存在漏检。DWBRN在AUC(D,F)达到0.9988,背景抑制指标AUCBS为0.9925,显著优于对比算法。德克萨斯海岸数据集(图4)进一步验证了该方法对复杂海岸线环境的适应性,其3D-ROC曲线在(PD,PF)平面上最接近左上角,表明兼具高检测率与低虚警率。
模块有效性验证
消融实验(表4)表明,单独使用DWBB+BRN时帕维亚数据集AUC为0.9664,加入SPW模块后提升至0.9887,而完整框架达到0.9988,证明各模块的协同增效作用。参数敏感性分析显示,当内窗口尺寸为3×3、外窗口19×19时检测性能最优(表6),且超参数β在0.3-0.7区间结果稳定(表5)。检测时间对比(表7)中,DWBRN在坦帕湾大型场景下仅需0.4969秒,仅次于最快的HTDIRN算法,而模型参数量(表8)为349,583,在保持较高表征能力的同时实现效率平衡。
创新价值与展望
该研究通过预检测引导的背景重建思路,有效解决了高光谱目标检测中先验信息不足与背景污染难题。双窗口盲块设计保障了背景学习纯度,周边像素加权策略削弱了对预检测结果的依赖性,而检测-重建聚合模块则实现了目标增强与背景抑制的平衡。实验证明该方法在常规与大规模场景下均具有优越的泛化能力,为高光谱遥感智能解译提供了新范式。未来工作可着眼于降低计算复杂度(当前FLOPs为15.3G)与模型参数量,进一步提升工程应用价值。