摘要
针对高光谱亚像元空中航空器探测时受复杂背景影响而产生的低探测率、高虚警率问题,提出一种基于航迹云提议的高光谱遥感图像空中航空器探测方法。首先,基于高光谱语义分割模型搜索航迹云,利用航迹云提议航空器像元区域,减少无效搜索范围,抑制虚警;其次,提出一种基于字典学习和半盲非负矩阵分解的端元提取算法,有效提升混合像元航空器端元提取精度;最后,在国产高分五号高光谱遥感卫星图像数据集上开展实验验证。结果表明本文提出的算法能够在复杂场景下有效抑制虚警,显著提高亚像元空中航空器的探测率和探测精度。
空中交通管理监视为空管运行提供航空器位置信息,是空中交通管理的基础。在民用航空领域,采用多手段协同监视的方式监管空中航空器可有效提升监管的可靠性。探索发展新型监视技术,实现更加丰富且安全高效的空中交通监视手段,能够提高空中交通安全保障能力,提升航空飞行安全水平、空域容量和运行效率。
天基高光谱遥感载荷可有效探测空中航空器,如高分五号高光谱卫
基于概率统计模型的亚像元地物探测方法将背景和噪声建模为特定的概率分布,判定偏离这个概率分布的像元为兴趣地物像元,Reed Xiaoli(global reed Xiaoli,RX)算
基于光谱混合模型的亚像元地物探测方法将亚像元地物探测问题变为在混合像元中分离地物光谱的问
基于子空间模型的亚像元地物探测方法将高光谱像元看作高维空间的数据点,兴趣地物或背景分布于其低维子空间,并通过子空间投影变换在低维子空间进行地物探测,代表算法有基于子空间模型的探测算法、基于稀疏表示理论的探测方法等。基于子空间模型的探测算法包括正交子空间投影(orthogonal subspace projection,OSP)算
针对天基空中航空器探测难度大的问题,本文利用航迹
(1)针对高光谱亚像元空中航空器探测精度差、虚警率高的问题,提出一种基于航迹云引导的航空器区域提议方法,有效减少搜索区域,抑制虚警;
(2)提出一种基于字典学习和半盲非负矩阵分解的亚像元航空器端元提取方法,并结合联合表示算法进行亚像元空中航空器探测;
(3)基于实际高分五号高光谱卫星数据开展实验,验证了本文探测方法的有效性。
文章第二部分详细论述本文提出的高光谱亚像元空中航空器探测方法,第三部分开展实验验证与结果分析,最后对全文进行总结。
一般空中航空器在高光谱遥感图像中呈现为亚像元,探测时因无纯净端元先验,且受复杂背景影响,使得探测任务存在一定的困难,若直接采用一般的异常探测算法,如RX系列算法,将产生大量的虚警。目标区域提
空中航空器消耗燃料后将接近600 ℃高温的水汽随废气排到发动机外,遇到高空冷空气凝结成水滴或者冰晶,形成航空器后面拖曳出的航迹云。航迹云形成的条件包括高空和低温,一般航空器在6 000m以上高空时(气温在-41~-61 ℃之间时)出现,航迹云厚度可达2 km,一般可维持半小时以上,适宜条件下可存在1 h以上甚至更
对于航空器航迹云提取,文献[
基于航迹云引导的航空器区域提议方法主要流程如

图1 亚像元航空器兴趣区域提取流程
Fig. 1 ROI extraction process of sub-pixel aircraft
对于亚像元地物,一般基于混合像元分解技术进行探测。光谱混合模型分为线性混合模型和非线性混合模型两种,由于线性混合模型相较于非线性模型在真实场景应用中有更多的优势,所以一定精度要求下,线性模型是目前应用最广泛的混合像元分解模型。然而对于空中高光谱亚像元航空器探测而言,航空器与下垫面不在同一海拔高度,此时,无法直接对混合像元进行反射率反演。对此,本文从辐亮度数据入手,基于字典学习和半盲非负矩阵分解技术,提出一种亚像元端元的提取方法。
为有效提取航空器端元,采用包含空中航空器且背景较为纯净的影像进行提取,但受海水波浪、云层起伏和传感器噪声等的影响,即使是较为纯净的云、海背景区域,不同像元的光谱依然存在一定差异。如

图2 不同海背景像元辐亮度光谱对比:(a)可见近红外波段光谱;(b)短波红外波段光谱
Fig. 2 Spectral comparison of multiple seawater pixels: (a) spectral of VNIR bands; (b) spectral of SWIR bands
为削弱噪声影响,获取较为稳定的背景辐亮度光谱,本文提出一种基于集合经验模态分解(ensemble empirical mode decomposition,EEMD)算
一般的EEMD算法采用对观测信号混叠N次白噪声扰动的方式获取模态分量均
NMF是在矩阵中所有元素均为非负数约束条件之下的矩阵分解方法。给定一个非负矩阵V,NMF能够找到两个非负矩阵W和H,使得矩阵W和H的乘积近似等于矩阵V中的值,即:
, | (1) |
其中W和H常用数值优化方法进行求解。假设噪声矩阵为,那么有。假设噪声服从高斯分布,则优化问题可以转化为均方误差最小化的优化问题,即:
. | (2) |
相应可得最大似然函数为:
, | (3) |
. | (4) |
, | (5) |
. | (6) |
基于
1) 对于样本集中的航空器样本,利用其混合像元构造混合像元观测矩阵;
2) 利用EEMD算法获取海/云背景的辐亮度光谱,作为NMF中字典的原子,并随即初始化其他原子;
3) 随机初始化矩阵;
4) 固定,按照
5) 固定,以及,按照
6) 重复步骤(4)、(5)直到对应的损失函数小于阈值,得到航空器端元字典;
7) 将字典中的原子加入航空器端元字典D;
8) 重复步骤(1)~(7),直到处理完所有的样本,得到最终的航空器端元字典D。
利用以上字典学习方法,得到航空器光谱字典D后,进一步采用联合表示空中航空器探测算法对待处理图像进行探测。
联合表示探测模型[21]可表示为
, | (7) |
式中, 表示航空器不存在,表示航空器存在,为包含N个波段的光谱向量,为背景光谱字典,为航空器光谱字典,表示航空器和背景的联合表示字典,表示联合表示时各原子所占的权重系数,和为表示误差。
. | (8) |
进一步可以构造
, | (9) |
式中,,,分别表示背景字典和联合字典对光谱向量y的表示误差。对于背景像元光谱,残差和都较小,所以D接近于1;对于航空器混合像元光谱,较小而较大,因此D远大于1;对于因噪声产生的异常像元光谱,残差和都较大,D接近于1。因此,可以通过设置判决门限,判决待探测像元中目标的存在性。
为验证本文探测算法性能,采用高分五号高光谱遥感卫星数据开展实验验证。高分五号(GF-5)高光谱卫星具有60 km的成像幅宽、30 m的空间分辨率和5 nm(可见近红外)/10 nm(短波红外)的光谱分辨率,覆盖400~2 500 nm范围内330个谱
背景类型 | 航空器目标数量 | 航空器混合像元数 | |
---|---|---|---|
陆地背景 | 37 | 132 | |
海背景 | 45 | 154 | |
云背景 | 14 | 52 |

图3 陆地背景航空器及航迹云样本示例
Fig. 3 Example of aircraft and contrails cloud samples with land background

图4 海背景航空器及航迹云样本示例
Fig. 4 Example of aircraft and contrails cloud samples with sea background

图5 云背景航空器及航迹云样本示例
Fig. 5 Example of aircraft and contrails cloud samples with cloud background
对于航迹云提取,标注空中航空器航迹云后,截取航迹云数据切片,得到训练样本4 800组,按照80%、10%、10%的比例划分训练集、验证集和测试集。航空器探测实验中,每轮次实验从海背景和云背景航空器样本中各随机抽取50%作为训练数据,剩余样本为测试数据。航空器探测阶段采用双窗模型适应背景变化,以提议得到的航空器ROI区域为内窗(7像元×7像元),外窗大小设置为11像元×11像元。对于每个待探测ROI,利用外窗区域内所有的像元构建背景字典,联合所构建的目标字典对ROI区域内的像元进行探测。实验共进行10轮,取平均值作为实验结果。
利用训练样本集训练高光谱语义分割模型,采用2.1节的区域提议方法对航空器ROI进行提议。采用2.2节的混合像元分解算法对训练数据集进行处理,得到航空器端元字典,

图6 航空器及海背景端元提取结果示例
Fig. 6 Example of aircraft endmember and sea background endmember extraction results
航空器探测实验采用的评估指标包括采用探测率、探测精度、虚警率为评估指标,各评估指标定义如(10)式所示:
, | (10) |
式中,为准确探测出的目标像元数量,为探测出的虚警像元数,为测试集中的真值目标像元数。实验中加入了若干对比算法,包括CEM算法、局部RX算法、正则化RX算法、MSD算法,对比算法中CEM算法以及MSD算法的航空器端元直接采用训练样本中的混合像元作为训练端元,得到测试结果如
探测算法 | 探测率(R) | 探测精度(P) | 虚警率(Fa) |
---|---|---|---|
CEM算法 | 64.6% | 13.8% | 86.2% |
局部RX算 | 76.2% | 12.9% | 87.1% |
正则化RX算 | 76.9% | 14.1% | 76.9% |
MSD算法 | 65.8% | 15.1% | 84.9% |
本文算法 | 89.7% | 86.3% | 13.7% |

图7 航迹云及空中航空器高光谱影像示例:(a)RGB影像;(b)1 359 nm 波段影像
Fig. 7 Examples of contrails cloud and aerial aircraft in HIS: (a) RGB image; (b) image of 1 359 nm band

图8 航迹云及空中航空器探测结果示例。
Fig. 8 Examples of contrails cloud and aerial aircraft detection results
值得注意的是,对于一般的高光谱地物探测任务,图像预处理阶段往往会直接剔除水汽影响较大的波段,而本文在研究中发现,1 400 nm波段附近的水汽吸收波段可有效支撑航迹云及航空器探测。在大气吸收波段中,空中航空器及航迹云在高海拔时受大气吸收的影响远小于地面背景,航迹云的信杂比显著提升,使得在该波段影像适用于航迹云提取。
为检验本文端元提取算法的有效性,进一步将本文算法提取的航空器端元用于训练CEM模型与MSD模型,得到测试结果如
探测算法 | 探测率 | 探测精度 | 虚警率 |
---|---|---|---|
CEM | 66.8% | 17.3% | 82.7% |
MSD | 68.3% | 19.7% | 80.3% |
R-CEM | 66.8% | 67.2% | 32.3% |
R-MSD | 68.3% | 71.4% | 28.6% |
研究了基于高光谱卫星遥感的亚像元空中航空器探测问题。基于高光谱语义分割模型实现了对航空器航迹云的有效发现,并引导提议航空器所在区域,形成了基于航迹云引导的航空器区域提议方法;针对空中航空器与下垫面海拔差异导致的反射率反演、混合像元分解难的问题,从辐亮度数据入手,提出一种半盲条件下的航空器端元提取方法,并基于背景与航空器字典联合表示法对空中航空器进行探测;最后,利用实际高分五号卫星数据开展实验验证,检验了本文算法的有效性。需要说明的是,因废气凝结尾迹在不同的季节和气温存在差别,冬天气温更低,形成的航迹云高度更低,夏天形成航迹云的高度略高,本文区域提议方法在应用时需要考虑季节的影响。
References
Liu Yin-Nian,Sun De-Xin,Hu Xiao-Ning, et al. Development of visible and short-wave infrared hyperspectral imager onboard GF-5 satellite [J]. Journal of Remote Sensing(Chinese), 2020, 24(4): 333-344. [百度学术]
刘银年, 孙德新, 胡晓宁, 等. 高分五号可见短波红外高光谱相机设计与研制[J]. 遥感学报,2020, 24(4): 333-344. 10.11834/jrs.20209196 [百度学术]
Reed I S, Yu X. Adaptive multiple-band CFAR detection of an optical pattern with unknown spectral distribution [J]. IEEE Transactions on Acoustics Speech & Signal Processing, 1990, 38(10): 1760-1770. [百度学术]
He Lin, Pan Quan, Zhao Yong-Qiang, et al. CFAR target detection in unknown background based on subspace projection in aerial hyperspectral imagery [J]. Chinese Journal of Aeronautics, 2006, 27(4): 657-662. [百度学术]
贺霖, 潘泉, 赵永强, 等. 基于子空间投影的未知背景航拍高光谱图像恒虚警目标检测[J]. 航空学报, 2006, 27(4): 657-662. [百度学术]
Zhao Chun-Hui, Yao Xi-Feng. Local kernel RX algorithm-based hyperspectral real-time detection [J]. Journal of Infrared Millimeter Waves, 2016, 35(6): 708-714. [百度学术]
赵春晖, 姚淅峰. 基于局部核RX算法的高光谱实时检测[J]. 红外与毫米波学报, 2016, 35(6): 708-714. [百度学术]
Shi Zhen-Wei, Wu Jun, Yang Shuo, et al. RX and its variants for anomaly detection in hyperspectral images [J]. Infrared and Laser Engineering, 2012, 41(3):796-802. [百度学术]
史振威, 吴俊, 杨硕, 等. RX及其变种在高光谱图像中的异常检测[J]. 红外与激光工程, 2012, 41(3): 796-802. [百度学术]
Pu Xiao-Feng, Lei Wu-Hu, Zhang Lin-Hu,et al. Anomaly detection based on improved RX algorithm in hyperspectral imagery [J]. Journal of Image & Graphics, 2011, 16(9): 1632-1636. [百度学术]
蒲晓丰,雷武虎,张林虎,等. 基于改进RX算法的高光谱异常检测[J]. 中国图象图形学报, 2011, 16(9): 1632-1636. [百度学术]
Zhao Chun-Hui, Li Jie, Mei Feng. A kernel weighted RX algorithm for anomaly detection in hyperspectral imagery [J].Journal of Infrared Millimeter Waves, 2010, 29(5): 378-382. [百度学术]
赵春晖, 李杰, 梅锋. 核加权RXHSI异常检测算法[J]. 红外与毫米波学报, 2010, 29(5): 378-382. [百度学术]
He Yuan-Lei, Wang Jing-Li, Jia Jun-Bo, et al. Improved ACE target detection algorithm for hyperspectral remote sensing images [J]. Journal of Shandong University of Science and Technology (Natural Science), 2015, 34(3): 62-67. [百度学术]
何元磊, 王静荔, 贾俊波, 等. 一种改进的高光谱遥感影像ACE目标检测算法[J]. 山东科技大学学报(自然科学版), 2015, 34(3): 62-67. [百度学术]
Du Bo. Sub-pixel target detection from hyperspectral remote sensing [D]. Wuhan University, 2010. [百度学术]
杜博. 高光谱遥感影像亚像元小目标探测研究[D]. 武汉大学, 2010. [百度学术]
Feng Ru-Yi, Wang Li-Zhe, Zeng Tie-Yong. Review of hyperspectral remote sensing image subpixel information extraction [J]. Acta Geodaetica et Cartographica Sinica, 2023, 52(7):1187-1201. [百度学术]
冯如意, 王力哲, 曾铁勇. 高光谱遥感图像亚像元信息提取方法综述[J]. 测绘学报, 2023, 52(7): 1187-1201. [百度学术]
Heinz D C , Chein-I-Chang. Fully constrained least squares linear spectral mixture analysis method for material quantification in hyperspectral imagery [J]. IEEE Transactions on Geoscience & Remote Sensing, 2002, 39(3): 529-545. [百度学术]
Ren H, Chang C I. Automatic spectral target recognition in hyperspectral imagery [J]. IEEE Transactions on Aerospace and Electronic Systems, 2003, 39(4): 1232-1249. [百度学术]
Tu T M, Chen C H, Chang C I. A least squares orthogonal subspace projection approach to desired signature extraction and detection [J]. IEEE Transactions on Geoscience and Remote Sensing, 1997, 35(1): 127-139. [百度学术]
Tu T M, Shyu H C, Lee C H, et al. An oblique subspace projection approach for mixed pixel classification in hyperspectral images[J]. Pattern Recognition, 1999, 32(8): 1399-1408. [百度学术]
Brumbley C, Chang C I. An unsupervised vector quantization-based target subspace projection approach to mixed pixel detection and classification in unknown background for remotely sensed imagery [J]. Pattern Recognition, 1999, 32(7): 1161-1174. [百度学术]
Scharf L L, Friedlander B. Matched subspace detectors [J]. IEEE Transactions on Signal Processing, 1994, 42(8): 2146-2157. [百度学术]
Yuam Z, Sun H, Ji K, et al. Local sparsity divergence for hyperspectral anomaly detection [J]. IEEE Geoscience and Remote Sensing Letters. 2014, 11(10): 1697-1701. [百度学术]
Li J Y,Zhan H Y, Zhan L P, et al. Hyperspectral anomaly detection by the use of background joint sparse representation [J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2015,8(6):2523-2533. [百度学术]
Zhan Y X, Du B, Zhan L P, et al. Joint sparse representation and multi-task learning for hyperspectral target detection [J]. IEEE Transactions on Geoscience and Remote Sensing, 2017, 55(2): 894-906. [百度学术]
Li W, Du Q. Collaborative representation for hyperspectral anomaly detection [J]. IEEE Transactions on Geoscience and Remote Sensing, 2015, 53(3): 1463-1474. [百度学术]
Ling Qiang, Huang Shu-Cai, Wei Dao-Zhi, et al. Collaborative representation based binary hypothesis model for hyperspectral target detection [J]. Acta Electronica Sinica, 2016, 44(11): 1187-1201. [百度学术]
凌强, 黄树彩, 韦道知, 等. 联合表示求解二元假设模型的高光谱目标检测[J]. 电子学报, 2016, 44(11): 1187-1201. [百度学术]
Taghizadeh M, Chalechale A. A comprehensive and systematic review on classical and deep learning based region proposal algorithms [J]. Expert Systems with Application, 2022 (3): 116105. [百度学术]
Liu C Y, Zhang Y L, Bi X J. Urban traffic object detection based on multi-stage proposal sparse R-CNN [J]. Acta Electronica Sinica, 2023, 51(1): 26-31. [百度学术]
柳长源, 张玉亮, 毕晓君. 基于多阶段提议稀疏区域卷积网络的城市交通目标检测 [J].电子学报, 2023, 51(1): 26-31. [百度学术]
Zhang J G, Zhang G Y, Yang Q, et al.Review of recognition of aircraft contrails and their radiative forcing [J].Trans. Atmos. Sci.,2018, 41( 5) : 577-584. [百度学术]
张敬林, 张国宇, 杨全, 等. 飞机尾迹云识别及其辐射强迫的研究进展[J]. 大气科学学报, 2018, 41(5): 577-584. [百度学术]
Liu C, Wei Z Q. Numerical simulation on condensation tail characteristics of a civil aviation engine [J]. China Science Paper, 2021, 16(06): 649-656. [百度学术]
刘聪, 魏志强. 民航发动机凝结尾迹特征数值模拟[J]. 中国科技论文, 2021, 16(06): 649-656. [百度学术]
Fan Z Y. Aircraft wake cloud recognition based on satellite images [J]. China Flights, 2022, (01): 73-76. [百度学术]
范紫筠. 基于卫星图像的飞机尾迹云识别[J]. 中国航班, 2022, (01): 73-76. [百度学术]
Engelstad M, Sengupta S K, Lee T, et al. Automated detection of jet contrails using the AVHRR split window [J]. International Journal of Remote Sensing, 1992, 13(8): 1391-1412. [百度学术]
Mannstein H, Meyer R, Wendling P. Operational detection of contrails from NOAA-AVHRR data [J]. International Journal of Remote Sensing, 1999, 20(8): 1641-1660. [百度学术]
Yang L F, Feng Y Q, Wang Y M, et al. Refined fire detection and band selection method in hyperspectral remote sensing imagery based on sparse-VIT [J]. Infrared Physics & Technology, 2024 137: 105104. [百度学术]
Gioi R G V, Jérémie Jakubowicz, Morel J M, et al. LSD: A line segment detector [J]. Image Processing On Line, 2012, 2(4): 35-55. [百度学术]
Li H, Chen Q, Xu Y X. Method of ensemble empirical mode decomposition with partial adaptive noise [J]. Journal of Nanjing University of Science and Technology, 2024, 48(02): 227-234. [百度学术]
李昊, 陈强, 徐一雄. 一种添加部分自适应噪声的集成经验模态分解方法[J]. 南京理工大学学报, 2024, 48(02): 227-234. [百度学术]
Chen Z G, Shu J. Empirical mode decomposition on removing spectral noise in hyperspectral image [J]. Journal of Infrared and Millimeter Waves, 2008, 27(5): 378-382. [百度学术]
陈志刚, 束炯. 高光谱图像光谱域噪声去除的经验模态分解方法[J]. 红外与毫米波学报, 2008, 27(5): 378-382. [百度学术]
Shen Y, Zhang M. Hyperspectral images classification based on wavelet threshold denoising and empirical mode decomposition [J]. Journal of Astronautics, 2012, 33(4): 471-477. [百度学术]
沈毅, 张敏, 张淼. 基于小波阈值降噪和经验模态分解的高光谱图像分类算法[J]. 宇航学报, 2012, 33(4): 471-477. [百度学术]
Demir B, Erturk S. An empirical mode decomposition and composite kernel approach to increase hyperspectral image classification accuracy [C]. Geoscience & Remote Sensing Symposium. IEEE, 2010, 855-858. [百度学术]
Erturk A, Gullu M K, Erturk S. Hyperspectral image classification using empirical mode decomposition with spectral gradient enhancement [J].IEEE Transactions on Geoscience & Remote Sensing, 2013, 51(5): 2787-2798. [百度学术]
Shen Yi, Zhang Min, Zhang Miao. Mutual information bands selection and empirical mode decomposition based support vector machines for hyperspectral data high-accuracy classification [J]. Laser & Optoelectronics Progress, 2011, 48(9): 62-69. [百度学术]
沈毅, 张敏, 张淼. 基于互信息波段选择和经验模态分解的高精度高光谱数据分类[J]. 激光与光电子学进展, 2011, 48(9): 62-69. [百度学术]
Wang Li-Guo, Wan Yu-Mei, Lu Ting-Ting, et al. Hyperspectral image classification by combining empirical mode decomposition with gabor filtering [J]. Journal of Harbin Engineering University, 2016, 37(2): 284-290. [百度学术]
王立国, 宛宇美, 路婷婷, 等. 结合经验模态分解和Gabor滤波的高光谱图像分类[J]. 哈尔滨工程大学学报, 2016, 37(2): 284-290. 10.11990/jheu.201411032 [百度学术]