基于高光谱遥感的黄河滩区典型人工材质目标检测

Typical Artificial Material Target Detection in Yellow River Beach Area Based on Hyperspectral Remote Sensing

摘要

利用遥感技术对黄河滩区人工材质目标进行及时准确监测，对于黄河生态保护具有积极意义。高光谱目标检测技术是典型材质提取的有效工具。本文利用无人机采集黄河滩区散落的典型人工材质目标物高光谱影像，构建了3种背景及4类目标共12个典型数据集，分别采用5种目标检测方法和5种异常检测方法进行了实验，结果显示：目标检测方法效率要高于大部分异常检测方法。对于已知材质，可构建光谱数据库，利用目标检测方法进行定向材质检测；同时，可以利用异常监测方法检测潜在目标。

Abstract

The application of remote sensing technology for the timely and accurate monitoring of artificial target materials in the Yellow River beach area is significant for ecological protection of the Yellow River. Hyperspectral object detection technology is an effective tool for extracting typical materials. This study utilized a drone-captured hyperspectral imaging technology to systematically investigate typical scattered targets in the Yellow River beach area. Twelve representative datasets， comprising three distinct background categories and four target types， were constructed through comprehensive field surveys. Comparative experiments were conducted employing five object detection algorithms and five anomaly detection methodologies. The experimental results demonstrated that object detection algorithms exhibited significantly higher operational efficiency compared to most anomaly detection approaches. For known materials， a spectral database could be constructed to detect common garbage targets using object detection and directional material detection. Meanwhile， anomaly monitoring algorithms could be used to detect potential targets.

Graphical abstract

关键词

黄河滩区 / 高光谱图像 / 目标检测 / 异常检测 / 环保监测

Key words

Yellow River beach area / Hyperspectral image / Target detection / Anomaly detection / Environmental monitoring

黄河滩区及其湿地是众多野生动植物的栖息地，在生物多样性保护、水源涵养、生态屏障等方面具有重要地位^［1］。黄河流域湿地具有典型的原生性、脆弱性和稀有性等特征，近年来国家有关部门陆续出台了黄河流域生态保护各种政策和具体措施，河湖“四乱”治理成效显著，大规模的固废乱堆现象被遏制，然而散落垃圾现象仍然普遍，且“四乱”目标呈现出小规模、散发、隐蔽的新特点，因此针对黄河滩区的典型人工材质目标进行常态化、多手段、智能化的检测仍然必要。

目标检测技术在多个领域都有广泛的应用，典型场景包括工业检测、农业监测、环境监测和军事安全等方面。在工业检测中，钢材表面缺陷检测使用STC-YOLOv8模型可增强检测的稳定性^［2］。在农业监测中，目标检测方法可用于农牧业产品个体的品质、数量与病害识别研究^［3-6］。在高光谱图像领域，由于图像中包含了窄带光谱信息，能够更加有效地实现目标识别和分类。在食品安全检测中，近红外波段的光谱分析方法被用于快速检测成分含量^［7］。而在军事安全领域，高光谱目标检测技术可被用于舰船和水下潜艇的检测^［8］。随着无人机及目标检测技术的发展，无人机遥感在低空数据采集方面越来越重要，能够为卫星遥感提供有效的数据补充，智能化的目标检测技术能够为实时监测提供有效手段。Veenstra等^［9］介绍了可用于检测水面垃圾的各种机载传感器，包含RGB相机、红外相机、高/多光谱成像仪、激光雷达等，并验证了它们的可行性。Mace等^［10］提出了一种多阶段建模和航空遥感方法来识别可能聚集区域的水面垃圾。随着高光谱成像技术在目标检测和识别领域的应用，高光谱遥感较多应用于湿地、海滩、海上等环境的垃圾识别检测 ^［11-13］。Zeng等^［14］提出了一种利用机载高光谱数据监测大面积垃圾分布的方法，并利用航空高光谱遥感的方式采集、标注、发布了一个高光谱垃圾数据集。Freitas等^［15］开发了用于检测和描述海洋环境中海洋垃圾浓度的远程高光谱成像系统，利用航空遥感技术采集了真实目标的高光谱图像数据集，并采用随机森林和支持向量机算法进行了精准检测。Balsi等^［16］利用无人机搭载高光谱的方式，开发了一套机载实时识别塑料目标的系统，用于识别沙滩和水面环境中的塑料垃圾。

无人机遥感在水域岸线监测方面的应用日益广泛，本文研究围绕自然地物背景下人工材质的高光谱目标检测与识别展开，在黄河滩区湿地环境验证目标检测方法与异常检测方法对于典型人工材质小目标的探测方案及效果。

1 高光谱图像目标检测方法

高光谱图像目标检测类似二元分类，检索图像中特定的目标像元并区分为目标和背景。在高光谱目标检测中，基于是否采用先验光谱信息，高光谱目标检测技术分为异常检测和目标检测。异常检测无需先验光谱信息识别未知目标；而目标检测则侧重于利用先验光谱信息实现对待检测目标的精确识别。在实际应用中，应根据具体场景和需求选择合适的检测方法，以充分发挥高光谱技术在目标检测领域的优势。

1.1 目标检测方法

在目标检测领域，基于概率统计模型的方法通过构建高光谱数据的统计概率模型，并对比目标的光谱先验特征实现目标识别。此类方法通常基于背景服从多变量高斯分布的假设，衍生出多种高效的检测策略。

在高光谱目标检测领域，可采用概率分布模型与子空间模型分别对背景和目标进行表征。在噪声协方差矩阵结构及噪声水平均不明确的条件下，借助广义似然比准则，构建自适应匹配子空间检测器（ASD）。在目标特征光谱向量为单一维度时，该自适应匹配子空间检测器简化为自适应余弦估计（ACE）检测器^［17］。约束能量最小化（CEM）^［18］算法是在目标光谱信息具备先验知识而背景信息未知的情况下，构建一个有限脉冲响应线性滤波器，在特定的约束条件下对输入光谱数据进行处理，以有效提取包含目标信息的像元，并最大程度地抑制背景像元。正交子空间投影法（OSP）^［19］的核心原理，是将高光谱数据划分为目标相关子空间与背景相关子空间，根据像元在子空间中的投影值判断是否为目标。近年的新方法引入信息熵估计方法，按照数据的有序程度为目标和背景选择最优可分空间并实现分离（TD-IEEPST）^［20］。

1.2 异常检测方法

在高光谱异常检测领域，统计类方法基于图像背景服从多元高斯分布的假设，估算背景像素的统计参数，包括均值与协方差矩阵，通过计算待测像素与背景像素之间的马氏距离识别异常。RX算法以其低计算复杂度及在简单场景下的良好性能表现，被广泛作为高光谱异常检测的基线方法^［21］。然而，现实场景往往不能满足统计分布假设，对于复杂背景任务，这类方法的检测准确性较低^［22］。

基于表示和分解的异常检测方法主要分为低秩稀疏和张量分解两大类。张量分解法将数据视为高阶张量，可实现光谱维度、空间维度和时间维度的异常检测。对于典型异常检测任务面对的场景，异常目标在图像中占据较少像元，具有稀疏性，而背景往往具有近似的光谱和空间特征，因此具有低秩特性。低秩稀疏表示（LRASR）^［23］模型可以表示为：

X=DS+E，

式中：X为原始高光谱数据；D代表背景字典；S表示系数矩阵；DS表示背景成分；E代表异常成分。

基于马氏距离的低秩稀疏（LSMAD）模型 ^［24］在低秩稀疏矩阵分解技术的基础上应用马氏距离并引入Godec算法进行快速迭代，利用最小化分解误差分离异常目标。LSMAD模型表示为：

Y=X+Z+E，

式中，Y表示高光谱图像，X为低秩矩阵，Z为稀疏矩阵，E为噪声矩阵。检测器极大程度地避免了噪声干扰，能够较为准确地描述背景部分的分布，具有很好的背景抑制能力。其他新的基于表示的方法还有结合低秩稀疏分解模型与混合高斯分布（LSDM-MoG）^［25］算法及非凸正则化（LRSNCR）^［26］算法。

1.3 试验方案设计

为有效验证目标检测方法与异常检测方法的作用效果，需要从遥感采集航高、目标光谱典型性、背景复杂度等角度进行综合分析。

①ACE、CEM和OSP等目标检测算法基于线性混合模型（LMM），均依赖图像的协方差矩阵，适用于亚像元和小目标的情形，在目标尺度过大时会破坏背景统计导致协方差矩阵估计偏差；RX算法基于背景服从多元高斯分布的统计假设，同样受到目标尺度的影响；低秩稀疏类算法虽然同时利用了光谱和空间特征，对局部异常污染鲁棒性更强，但如果异常区域过大则导致稀疏假设失效。综合几类方法的物理原理和数学模型，设定无人机航高为200 m，将目标尺度控制在待试影像像素数的5%以内，以对比各类方法在良好工作区间的性能。

②在环保监测任务中，主要检测对象一般为人工目标，由于建筑物和道路等不透水面目标空间尺度大，适用分割、分类方法进行识别。在无人机遥感的高空间分辨率条件下，小目标检测具备可行性^［27］，因此本文使用各类小型人工材质作为散落垃圾的场景模拟，选取金属、织物、塑料、木板作为待试目标物，其中金属呈现出宽频段高反射，织物由于褶皱阴影和色彩等因素往往出现明显的同物异谱现象，塑料选取与背景近似的颜色以避免过于突出的光谱差异，木板则与受到水分胁迫的植被具有近似的光谱特征。以上目标材质具有较强的特征差异性和典型性。

③在遥感任务中，常见地物类型为林、耕、水、建筑和未利用地^［28］，本文选取植被、河滩和水体三类作为试验背景。其中，植被类型由于植物疏密程度不同，其光谱特性一般呈现较强的混合像元特征；河滩背景的光谱响应特性受含水率影响较大，当土壤中的水分含量增加时，土壤的反射率会呈现出明显的下降趋势，河滩的干湿区域具有相对显著的光谱特性差异，在一定程度上符合复杂背景情况；水体光谱特征相对单一，但水面波纹产生的镜面反射是主要的异常噪声来源。

根据以上讨论，设计水域岸线环境中针对典型人工材质小目标的无人机高光谱遥感目标检测方法和异常检测方法的性能对比研究。试验框架见图1。

2 试验区及检测对象

2.1 试验区介绍

郑州黄河滩区地处黄河河南段中下游交界地带，该区域气候宜人，野生动植物资源较丰富。本研究以中国黄河郑州花园口段（113°42′30″—113°44′39″E，34°54′33″—34°54′54″N）的部分水域岸线为研究区域，如图2所示。

2.2 试验设备介绍

本研究采用无人机+高光谱成像仪遥感的航空遥感系统对黄河滩区环境中的典型人工材质目标进行数据采集。采集系统包括大疆M300 RTK无人机、Cubert-X20P机载高光谱成像仪，其中高光谱成像仪的主要参数如表1所示。

2.3 试验对象介绍

由于在试验区域环境中实际异常目标较多，并且背景复杂，对后期的数据处理和识别检测算法要求较高，因此在本研究的采集试验中，采集并构造金属、织物、塑料、木板等4类典型目标场景，如图3所示，每类采集2~4个目标。试验环境分别为河滩、植被、水。

2.4 试验数据集

通过实地采集试验，所创建的数据集是真实黄河滩区环境中的典型物质目标，采集高度为100 m。试验在晴朗天气条件下进行，且采集前根据日照情况进行了黑白辐射矫正，采集时间不超过1 h，日照辐射情况未发生大幅变化。数据集中的图像尺寸为100×100像素，空间分辨率（GSD）为3.73 cm。为了验证所用方法的可行性和鲁棒性，数据集包括3种背景和4种目标。图4展示了构建的试验数据集，其中，A—D展示了在河滩背景下采集的高光谱图像，E—H则展示了在植被背景下采集的高光谱图像，I—L则展示了在水面环境采集的高光谱图像，总共有12个数据集。接下来的仿真试验将在这12个数据集上进行。表2列出了3种背景下4种材料的目标数量统计数据。

3 结果与分析

本文中的方法和过程均使用MATLAB语言在PC机上实现，环境为Windows 11操作系统、英特尔酷睿i7-11800H CPU @2.30 GHz及32 GB内存。

本文选取了8种高光谱目标检测方法进行仿真试验，包括目标检测方法（CEM^［18］、OSP^［19］、ACE^［17］、TD-IEEPST^［20］）和异常检测方法（RX^［21］、LRASR^［23］、LSMAD^［24］、LSDM-MoG^［25］），所有方法都是根据原文参数设置的。

高光谱图像目标检测结果评价标准包括定性和定量两个方面。定性方面采用目标亮度与背景对比度之差，作为检测结果的直观显示。一般目标图像元素百分比越大，其对应的图像元素越亮，检测效果越好。检测效果的定量评价指标使用AUC值。

图5展示了目标检测方法与异常检测方法在各数据集下仿真试验的结果可视化效果。可以看出，有先验信息的目标检测类大部分方法都能很好地检测出目标，CEM的检测效果最好，OSP检测效果最差。具体到数据集，在数据集A和数据集G中ACE出现了漏检，CEM和TD-IEEPST能检测出所有目标，但TD-IEEPST误检较多，有时会将背景当成目标。在数据集B、数据集C和数据集E中，OSP算法出现了严重的漏检和误检。在数据集D、数据集F、数据集H—L中，所有目标检测方法均能很好地检测出目标。在抑制背景方面，CEM、ACE对背景的抑制较好。

在异常检测方法中，大多数方法能检测出完整目标，但普遍出现了虚警高的现象，其中LSDM-MoG虽然虚警现象不严重，但出现了漏检。对于数据集A，LRASR、LSDM-MoG和LSMAD出现了漏检，RX能检测出所有目标，而且也能很好地抑制背景，证明经典方法在简单背景和小目标场景具有良好性能。在数据集B、数据集C、数据集E中，除了LSDM-MoG，其余方法均能检测出目标。在数据集D—L中，所有异常检测方法均能检测出目标。在数据集C和数据集E中，所有异常检测方法均出现了大量的噪声和虚警。经过对比可得，在目标检测方法中CEM的检测效果最好，在异常检测方法中LSMAD的检测效果较好，CEM、ACE、RX、LSMAD对背景的抑制最好。表3给出了不同方法在各数据集中的AUC值，同样显示出一致的结论。由于目标检测方法需要感兴趣目标的先验信息，因此在仿真试验开始前需要先获取目标光谱信息，需要做更多的准备工作。异常检测方法虽然有时候的检测效果不如目标检测方法，但由于其不需要目标先验光谱信息的便利优势，更加适合黄河滩区材质种类繁多的垃圾检测识别。

数据集之间进行对比可以发现，数据集B在目标检测方法和异常检测方法中都得到了最低的检测精度，其原因在于数据集B中使用了较大尺度的目标，间接证明飞行高度对目标检测任务有较大的影响。同时，在数据集B中，异常检测方法中的低秩稀疏算法反而获得了比目标检测方法更高的检测效果，与其他数据集的结果相反，证明低秩稀疏类算法对于目标尺度有更强的鲁棒性。在数据集A、D、F、H、I、J、L这7个测试条件下，异常检测方法能够得到与目标检测方法相当甚至超过的检测性能，说明在单一背景下异常检测方法可以实现检测任务目的，但随着背景复杂度增加，异常检测方法会将不符合统计规律的区域划为异常，虽然其结果不符合实际任务需求，但仍然是异常检测方法逻辑的体现。

4 总结与展望

本文采用无人机搭载高光谱成像仪的航空遥感方式，采集了黄河滩区散落的典型人工材质目标高光谱图像。同时构建了3种典型环境中金属、织物、塑料、木块等材质的12个高光谱数据集，并分别利用高光谱目标检测方法和异常检测方法进行仿真试验，得出仿真结果，并利用AUC值等评价指标评估所使用方法的检测性能。最后得出，在目标检测方法检测效果图中，大部分方法都能很好地检测出目标，CEM的检测效果最好，OSP检测效果最差；在异常检测方法效果图中，大多数方法能检测出完整目标，但LSDM-MoG漏检较多，其只能检测出部分目标。对于复杂背景，异常检测方法会将不符合统计规律和表示学习规则的区域误判为异常，下一步的研究可利用深度学习方法提升鲁棒性。由于目标检测方法需要感兴趣目标的先验信息，所以需要在应用前做更多的准备工作，而异常检测方法却不需要。未来，算法在运用于黄河滩区“四乱”监测应用时，针对乱堆、乱建等任务而言：对于已知人工材质目标，应该首先采集大量的光谱先验信息构建光谱数据库，利用目标检测方法定向检测目标材质；对于材质不明的目标，则可以利用异常检测方法进行检测。只有将目标检测方法与异常检测方法合理利用，才能够发挥出高光谱成像监测方法的优势，达到对黄河滩区环境高效监测的目标。

参考文献

[1] 冯君明，冯一凡，李翅，等. 河势特征分界下的黄河滩区周边城镇生境质量与景观格局演变［J］. 生态学报，2023，43（16）：6798-6809.

[2] 黄奥国，罗小玲，潘新. STC-YOLOv8：一种解决复杂背景下的钢材表面缺陷的检测方法［J］. 内蒙古农业大学学报（自然科学版），2024，45（5）：67-76.

[3] 谢志成，何冬黎，杨永政，等. 基于改进的Yolov7的西红柿果实计数算法研究［J］. 内蒙古农业大学学报（自然科学版），2024，45（1）：48-56.

[4] 徐刚刚，李盈科，高梦洁，等. ARIMA-BP神经网络组合模型在新疆牛布病发病率中的预测研究［J］. 内蒙古农业大学学报（自然科学版），2024，45（3）：68-73.

[5] 袁洋，付学良，李宏慧. 基于改进YOLOv8的马铃薯病害识别与分类研究［J］. 内蒙古农业大学学报（自然科学版），2024，45（4）：56-65.

[6] 周艳青，薛河儒，白洁，等. 基于图像的羊体尺参数测点检测方法的研究［J］. 内蒙古农业大学学报（自然科学版），2024，45（2）：69-77.

[7] 张源朴，刘江平. 基于改进长鼻浣熊优化算法的牛奶脂肪光谱特征波段筛选方法研究［J］. 内蒙古农业大学学报（自然科学版），2024，45（6）：76-83.

[8] 李宁阳，王兆晖. 基于近似后验信息的高光谱海上舰船目标检测［J］. 郑州大学学报（理学版），2021，53（1）：54-60.

[9] VEENSTRA T S， CHURNSIDE J H. Airborne sensors for detecting large marine debris at sea［J］. Marine Pollution Bulletin，2012，65（1/2/3）：63-68.

[10] MACE T H. At-sea detection of marine debris：Overview of technologies，processes，issues，and options［J］. Marine Pollution Bulletin，2012，65（1/2/3）：23-27.

[11] HU B， SERRANTI S， FRAUNHOLCZ N，et al. Recycling-oriented characterization of polyolefin packaging waste［J］. Waste Management，2013，33（3）：574-584.

[12] BONIFAZI G， PALMIERI R， SERRANTI S. Hyperspectral imaging applied to end-of-life （EOL） concrete recycling［J］. Tm - Technisches Messen，2015，82（12）：616-624.

[13] LUCIANI V， BONIFAZI G，REM P，et al. Upgrading of PVC rich wastes by magnetic density separation and hyperspectral imaging quality control［J］. Waste Management，2015，45：118-125.

[14] ZENG D， ZHANG S， CHEN F S，et al. Multi-scale CNN based garbage detection of airborne hyperspectral data［J］. IEEE Access，2019，7：104514-104527.

[15] FREITAS S， SILVA H， SILVA E. Remote hyperspectral imaging acquisition and characterization for marine litter detection［J］. Remote Sensing，2021，13（13）：2536.

[16] BALSI M， MORONI M， CHIARABINI V，et al. High-resolution aerial detection of marine plastic litter by hyperspectral sensing［J］. Remote Sensing，2021，13（8）：1557.

[17] KRAUT S， SCHARF L L， BUTLER R W. The adaptive coherence estimator：a uniformly most-powerful-invariant adaptive detection statistic［J］. IEEE Transactions on Signal Processing，2005，53（2）：427-438.

[18] HARSANYI J C. Detection and classification of subpixel spectral signatures in hyperspectral image sequences ［D］. College Park：University of Maryland，Baltimore County，1993.

[19] CHANG C I， CAO H J， SONG M P. Orthogonal subspace projection target detector for hyperspectral anomaly detection［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2021，14：4915-4932.

[20] SUN X T， ZHUANG L N， GAO L R，et al. A point-set topology-based information entropy estimation method for hyperspectral target detection［J］. IEEE Transactions on Geoscience and Remote Sensing，2024，62：5518317.

[21] GUO Q D， PU R L， CHENG J. Anomaly detection from hyperspectral remote sensing imagery［J］. Geosciences，2016，6（4）：56.

[22] MATTEOLI S， VERACINI T， DIANI M，et al. A locally adaptive background density estimator：an evolution for RX-based anomaly detectors［J］. IEEE Geoscience and Remote Sensing Letters，2014，11（1）：323-327.

[23] XU Y， WU Z B， LI J，et al. Anomaly detection in hyperspectral images based on low-rank and sparse representation［J］. IEEE Transactions on Geoscience and Remote Sensing，2016，54（4）：1990-2000.

[24] ZHANG Y X， DU B， ZHANG L P，et al. A low-rank and sparse matrix decomposition-based mahalanobis distance method for hyperspectral anomaly detection［J］. IEEE Transactions on Geoscience and Remote Sensing，2016，54（3）：1376-1389.

[25] LI L， LI W， DU Q，et al. Low-rank and sparse decomposition with mixture of Gaussian for hyperspectral anomaly detection［J］. IEEE Transactions on Cybernetics，2021，51（9）：4363-4372.

[26] YAO W， LI L， NI H Y，et al. Hyperspectral anomaly detection based on improved RPCA with non-convex regularization［J］. Remote Sensing，2022，14（6）：1343.

[27] BALSI M， MORONI M， BOUCHELAGHEM S. Plastic litter detection in the environment using hyperspectral aerial remote sensing and machine learning［J］. Remote Sensing，2025，17（5）：938.

[28] SAWANT S， GHOSH J K. Land use land cover classification using Sentinel imagery based on deep learning models［J］. Journal of Earth System Science，2024，133（2）：101.

基金资助

国家自然科学基金联合基金项目(U21A2014)

河南省科技攻关项目(232102320258)