Hyperspectral camouflage effect evaluation based on spectral indices
-
摘要: 伪装效果评估是伪装技术发展的重要内容。为了充分利用光谱细节信息对目标高光谱伪装效果进行评价，提出了基于光谱指数的伪装效果评估方法，该方法兼具可视化和量化分析的优势。可视化方面，通过光谱指数对高光谱图像进行阈值分割，实现目视解译的伪装效果评估；量化分析方面，以现有的遥感光谱指数为基础，构建新的伪装光谱指数来量化目标与背景的光谱特征，并提出光谱一致性系数指标，将各谱段的光谱指数加权综合进而量化评估目标伪装效果。实验结果表明：该方法的评估结果能够有效辨识目标伪装前后的高光谱伪装效果，且在传统指标相似度达到99%以上时，本文方法仍能有效辨识目标并给出客观评价，其在单个谱段的一致性以及宽谱段的整体匹配性方面评估结果更精准全面，更科学合理。Abstract: Camouflage effect evaluation is an important content in the development of camouflage technology. In order to make full use of spectral details to evaluate the hyperspectral camouflage effect of targets, a camouflage effect evaluation method based on spectral indices was proposed, which had the advantages of visualization and quantitative analysis. In terms of visualization, the hyperspectral image was segmented by spectral indices to realize the camouflage effect evaluation of visual interpretation. In terms of quantitative analysis, based on the existing remote sensing spectral indexes, the new camouflage spectral indexes were constructed to quantify the spectral characteristics of the target and background, and the spectral consistency coefficient index was proposed to weight and synthesize the spectral indexes, so as to quantitatively evaluate the camouflage effect of the target. The experimental results show that the proposed method can effectively identify the hyperspectral camouflage effect before and after target camouflage, and when the similarity of traditional indices reaches more than 99%, this method can still effectively identify the target and give an objective evaluation. Its evaluation results are more accurate, comprehensive, scientific and reasonable in terms of the consistency of single spectral segment and the overall matching of wide spectral segment.
-
引言
高光谱技术在军事侦察领域的应用使得传统的伪装技术受到极大的挑战[1-2]，面对覆盖可见光到近红外纳米级别光谱分辨率的高光谱侦察，研究发展高光谱伪装技术具有重要意义，而高光谱伪装效果评价方法研究成为其中的重要内容。
对于高光谱伪装效果评估方法，前人已开展相关研究工作，提出了诸如光谱距离[3]、光谱角[4]等衡量光谱相似度的特征指标。在此基础上，刘恂等将综合光谱角、光谱距离和光谱导数距离作为评估指标，对三种伪装材料的伪装效果进行评估，并提出错分率验证了方法的有效性[5]。华文深等在光谱维特征的基础上，综合考虑空间维的图像纹理信息，对迷彩伪装进行评价[6]。由于增加了6个空间维度的纹理信息，评价结果更加客观。马世欣等将图像异常探测概率引入高光谱伪装评估，克服了基于多特征描述评估方法指标单一的问题[7]。总的来看，基于高光谱伪装的评价方法多利用光谱曲线形状、幅度相似度来评估伪装效果，并加入空间维度的图像纹理信息等进行综合评估，其对光谱信息的匹配测度主要分为两类——基于距离和基于形状，鲜有基于光谱波段组合的高光谱伪装评估方法。
伪装的要求是目标与背景“同谱同色”，基于光谱波段组合的光谱指数可以进一步利用光谱维的信息，从精细化波谱匹配的角度对伪装效果进行客观评价，得到更加全面、稳健的评估结果。本文采集典型林地、雪地背景下伪装前后目标和背景的高光谱图像作为研究样本，针对不同的背景，基于伪装原理，分别设计并计算目标和背景对应的光谱指数，利用光谱指数对图像进行阈值分割，通过阈值分割后的图像对伪装效果进行可视化的定性分析。在此基础上，提出光谱一致性系数（spectral consistency coefficient, SCC）指标，用于量化目标和背景的差异，进而对伪装效果进行定量分析，得到量化评估结果，并通过林地和雪地两种实际场景的试验验证评估本文所提方法的有效性。
1 基本原理
对于高光谱伪装效果评估，一个重要方法是对目标与背景的光谱特征差异进行量化比较。特定波长的光谱反射率经过组合运算得到的光谱指数是量化光谱特征的有效手段，图1（a）是典型植被的光谱曲线，归一化植被指数（normalized differential vegetation index, NDVI）[8]通过红光波段和近红外波段反射率的组合，量化了植被典型的“红边效应”特征，即植被在近红外波段有强烈反射，而在红光波段有强烈吸收。该指数在植被覆盖率检测[9]、农作物健康状况监测[10-12]等领域的良好表现，也证明了光谱指数作为一种量化特征手段的有效性。
不同的地物背景，其光谱特征往往存在差异，对应的光谱指数也因此不尽相同。根据植被特有的“红边效应”构建的NDVI指数对于雪地背景不再适用，因为雪地背景在紫外、可见光波段有较高的反射率，而在短波红外波段反射率很低，典型雪地光谱曲线如图1（b）所示。针对雪地的光谱特征，通过可见光和短波红外波段反射率组合构建的归一化积雪指数（normalized difference snow index, NDSI）[13]被广泛应用于积雪检测[14-15]，且效果良好。
可见，光谱指数可以有效量化典型地物的特征，基于此，计算伪装目标和背景光谱指数差异能客观反映伪装目标与背景的光谱相似程度，进而评估伪装目标的光学伪装效果。
不失一般性，选取两种不同的典型背景——林地和雪地作为研究对象，并结合目前普遍使用的可见光-近红外光谱成像仪的波段范围（400 nm～1 000 nm）对上述光谱指数进行调整。基于伪装基本原理，结合林地、雪地两种背景的光谱特征，本文分别构建新的光谱指数，并提出光谱一致性系数，应用此系数指标评估伪装目标的光谱伪装效果。
本文针对林地和雪地背景选择并构建的光谱指数定义及原理描述如表1所示。
表 1 光谱指数定义及原理描述Table 1. Definition and principle description of spectral indices背景类型 光谱指数 定义 原理描述 林地背景 NDVI $\dfrac{{{\rho _{860}} - {\rho _{650}}}}{{{\rho _{860}}{\text{ + }}{\rho _{650}}}}$ 植被在860 nm处存在反射峰，650 nm处吸收强烈，因此该指数为正且值较大时表示植被，该指数值越接近于1表示越可能为植被。 GVI $ \dfrac{{{\rho _{550}} - {\rho _{400}}}}{{{\rho _{550}} + {\rho _{400}}}}{\text{ + }}{\rho _{500}} $ 植被在400 nm~650 nm范围内反射率整体较低且变化不大，故该指数为正且值较小表示植被，一般植被的取值范围为0～0.3。 NVI $ \dfrac{{{\rho _{900}} - {\rho _{800}}}}{{{\rho _{900}} + {\rho _{800}}}}{\text{ + }}{\rho _{850}} $ 植被在800 nm~1 000 nm范围内反射率整体较高，900 nm和800 nm处的反射率基本相同，故该指数值在0.3~0.6范围内表示植被。 雪地背景 NDSINIR $\dfrac{{{\rho _{550}} - {\rho _{960}}}}{{{\rho _{550}}{\text{ + }}{\rho _{960}}}}$ 雪地在可见光到近红外范围内反射率呈缓慢下降趋势，960 nm处反射率低于550 nm处，但幅度相差较小，因此该指数为正且较小时表示积雪，一般积雪在0~0.1范围内。 MSI $ \dfrac{{{\rho _{450}}{\text{ + }}{\rho _{750}}{\text{ + }}{\rho _{950}}}}{3} $ 雪地在可见光到近红外范围内反射率整体很高，达到0.7左右，该指数选取特定波段反射率均值，其值在0.6~0.8范围内表示雪地。 注：ρx表示波段为x/nm处的反射率。 构建的光谱一致性系数表达式如下：
$$ \begin{split} {\rm{SCC}} =& {k_1} \times \left| {{I_1}\_{\rm{tar}} - {I_1}\_{\rm{sur}}} \right| + {k_2} \times \left| {{I_2}\_{\rm{tar}} - {I_2}\_{\rm{sur}}} \right| + \cdots +\\ &{k_n} \times \left| {{I_n}\_{\rm{tar}} - {I_n}\_{\rm{sur}}} \right| \\[-13pt] \end{split}$$ (1) 式中：
$ {k}_{1}、{k}_{2}、\cdots {k}_{n} $ 为权重系数，且$ {k_1} + {k_2} + \cdots + {k_n} = 1 $ ；n为光谱指数的个数，根据光谱指数在目标伪装前后的变化剧烈程度而定，变化越剧烈，区分度越高，权重系数越大；${I_i}\_{\rm{tar}}$ 、${I_i}\_{\rm{sur}}$ 分别为目标和背景在不同波段定义的光谱指数。2 实验部分
2.1 实验方案设计
实验方案设计如图2所示。具体实验设计流程如下：
1） 针对不同的背景，分别以车辆和帐篷为目标，选择对应的伪装网，林地背景下选择绿色伪装色为主的林地型伪装网，如图3（a）所示；雪地背景下选择白色伪装色为主的雪地型伪装网，如图3（b）所示。分别拍摄两种背景下目标覆盖伪装网前后的高光谱图像，得到林地背景下未伪装目标、林地型伪装目标和雪地背景下未伪装目标、雪地型伪装目标四组数据作为研究对象。
2） 实验对象布置如图4所示。其中A为林地背景下未伪装目标，B为林地背景下伪装目标，C为林地背景；D为雪地背景下未伪装目标，E为雪地背景下伪装目标，F为雪地背景。
3） 数据采集于2022年2月27日（雪地背景）赤峰地区及2022年3月24日（林地背景）青岛地区，当天天气晴朗，采集时间为上午10:00～12:00，此时间段内太阳光充足且稳定，具备良好的成像条件。
2.2 高光谱数据采集
本研究使用的高光谱数据采集系统由高光谱成像仪、旋转台、固定三脚架、采集电脑组成，高光谱成像仪型号为Resonon Pika L，如图5所示。该光谱仪成像波段范围为400 nm～1000 nm，光谱分辨率达到2.1 nm，详细参数如表2所示。根据实验时的光照条件，将曝光时间设置为26 ms，拍摄目标距离30 m～50 m，为完整记录目标与背景，设置拍摄帧数为1 200帧，并设置帧率为40 f/s，为保证成像正确的长宽比，根据帧率调整转台旋转速度为1 °/s。
表 2 Resonon Pika L参数Table 2. Parameters of Resonon Pika L参数名称 数值 光谱范围/nm 400～1 000 光谱分辨率/nm 2.1 光谱通道数 281 空间通道数 900 每秒最大帧数/fps 249 位深度 12 质量/kg 0.6 尺寸/cm 10.0×12.5×5.3 连接方式 USB 3.0 孔径 f/2.4 像元尺寸/μm 5.86 平均RMS半径/μm 6 2.3 高光谱数据校正
高光谱成像仪获取的原始高光谱数据需要经过辐射校正和反射率校正，方可得到反射率数据。原始DN值与辐亮度之间存在线性关系：
$$ R = k \times DN + b $$ (2) 式中：
$ R $ 为辐亮度数据；$ DN $ 为原始DN值；$ k $ 为斜率；$ b $ 为截距。Pika L成像光谱仪设备出厂前会经过辐射度定标，得到式（2）中的斜率$ k $ 和截距$ b $ 并形成镜头的定标文件，根据参数$ k $ 、$ b $ 即可将原始DN值进行处理得到辐亮度数据。得到辐亮度数据后，根据式（3）对辐亮度影像进行反射率校正：
$$ \rho {\text{ = }}\frac{{{R_a} - {R_d}}}{{{R_w} - {R_d}}} \times {\rho _s} $$ (3) 式中：
$\rho $ 为校正后的反射率数据；${R_a}$ 为处理得到的辐亮度数据；${R_d}$ 为盖住镜头后得到的标定数据；${R_w}$ 为标准白板辐亮度数据；${\rho _s}$ 为标准白板的反射率数据（实验用到的标准白板反射率为40%）。数据校正结果如图6所示。2.4 伪装效果评估
伪装效果评估分为可视化定性评估和指标量化评估，前者通过确定合适的阈值对图像进行分割，得到可视化的伪装效果图像，从图像上可以清晰明了地判断目标伪装效果的好坏。其中，阈值由典型背景的光谱指数取值区间确定，具体流程如图7所示，其中
$ {\theta }_{x}(x=1、2、3、4) $ 为阈值常数。后者根据不同的背景，分别计算$ {\rm{SC}}{{\rm{C}}_{{\rm{veg}}}} $ 、$ {\rm{SC}}{{\rm{C}}_{{\rm{snow}}}} $ 作为量化指标，如式（4）和式（5）所示，$ {\rm{SCC}} $ 越小，伪装效果越好。$$ {\rm{SCC}}\left\{ \begin{gathered} {\rm{SC}}{{\rm{C}}_{{\text{veg}}}}{\text{ = }}{k_1} \times \left| {{\rm{NDVI}}\_{\rm{tar}} - {\rm{NDVI}}\_{\rm{sur}}} \right| + {k_2} \times \left| {{\rm{GVI}}\_{\rm{tar}} - {\rm{GVI}}\_{\rm{sur}}} \right| + {k_3} \times \left| {{\rm{NVI}}\_{\rm{tar}} - {\rm{NVI}}\_{\rm{sur}}} \right| \\ {\rm{SC}}{{\rm{C}}_{{\text{snow}}}}{\text{ = }}{k_1} \times \left| {{\rm{NDS}}{{\rm{I}}_{{\rm{NIR}}}}\_{\rm{tar}} - {\rm{NDS}}{{\rm{I}}_{{\rm{NIR}}}}\_{\rm{sur}}} \right| + {k_2} \times \left| {{\rm{MSI}}\_{\rm{tar}} - {\rm{MSI}}\_{\rm{sur}}} \right| \\ \end{gathered} \right. $$ (4) $$ {k_i} = \frac{{|{I_i}\_{\rm{cam}} - {I_i}\_{\rm{uncam}}|}}{{\displaystyle\sum\limits_{i = 1}^n {|{I_i}\_{\rm{cam}} - {I_i}\_{\rm{uncam}}|} }} $$ (5) 式中：
$ {\rm{SC}}{{\rm{C}}_{{\rm{veg}}}} $ 为植被背景下的光谱一致性系数；$ {\rm{SC}}{{\rm{C}}_{{\rm{snow}}}} $ 为雪地背景下的光谱一致性系数；$ {I_i}\_{\rm{tar}} $ 表示目标光谱指数值；$ {I_i}\_{\rm{sur}} $ 表示背景光谱指数值($ I={\rm{NDVI}}、{\rm{GVI}}、{\rm{NVI}}、{\rm{NDS}}{{\rm{I}}}_{{\rm{NIR}}}、{\rm{MSI}} $ )；${k_i}$ 为权重系数，且$\displaystyle\sum {{k_i} = 1} $ ；$ {I_i}\_{\rm{cam}} $ 和$ {I_i}\_{\rm{uncam}} $ 分别为目标伪装前后的光谱指数。同时，计算传统光谱评价指标即光谱距离、光谱角，计算方法如式（6）和式（7）所示。将传统指标的评价结果与本文方法的评价结果对比，结合实际伪装情况分析本文方法的合理性和有效性。
$$ D = \sqrt {\displaystyle\sum\limits_{i = 1}^N {{{({A_i} - {B_i})}^2}} } $$ (6) $$ \mathrm{cos}\alpha =\frac{{\boldsymbol{A}}·{\boldsymbol{B}}}{\left|{\boldsymbol{A}}\right|\left|{\boldsymbol{B}}\right|}=\frac{{\displaystyle \sum _{i=1}^{N}{A}_{i}{B}_{i}}}{\sqrt{{\displaystyle \sum _{i=1}^{N}{A}_{i}{A}_{i}}}\sqrt{{\displaystyle \sum _{i=1}^{N}{B}_{i}{B}_{i}}}} $$ (7) 式中：
$D$ 为光谱欧氏距离；$\alpha $ 为光谱角；${\boldsymbol{A}} = ({A_1},{A_2}, \cdots , {A_N})$ 为目标光谱向量；${\boldsymbol{B}} = ({B_1},{B_2}, \cdots ,{B_N})$ 为背景光谱向量；$N$ 为光谱数据波段数。$D$ 越小，$\cos \alpha $ 越大，则表示伪装效果越好。3 实验结果与分析
3.1 实验对象光谱
林地和雪地背景下的目标与背景光谱曲线如图8所示。从图8（a）可以看出，伪装前车辆在可见光-近红外波段范围内反射率均很高，保持在50%左右，与植被背景的先低后高有明显差异。伪装后的车辆整体反射率有明显降低，在400 nm～700 nm范围内光谱与植被背景非常相似，但在近红外范围内（760 nm～1 000 nm）与背景有一定差别。
![]()
图 8 不同背景下的目标与背景光谱曲线Figure 8. Spectral curves of target and background under different backgrounds从图8（b）可以看出，雪地和帐篷的反射率曲线存在明显差异，雪地反射率整体较高，且随着波长增加有下降趋势，而帐篷反射率先低后高，在650 nm左右处陡增；在可见光范围（400 nm～760 nm）内，雪地反射率保持在70%以上，在近红外范围下降到60%以下，而帐篷反射率在可见光范围内较低，为20%左右，在近红外范围较高，为60%左右，两者变化趋势相反。伪装后的帐篷反射率有整体性的提高，幅值与雪地基本接近，达到了70%左右，但伪装后的帐篷近红外波段反射率高于可见光波段，与雪地背景存在微小差异。
3.2 伪装效果评估结果
对于林地背景下伪装效果的目视解译分析，计算图像的NDVI光谱指数，并取阈值
$ {\theta }_{1}=0.2， {\theta }_{2}= 0.8 $ （典型植被区间）对图像进行分割，结果如图9和图10所示。从图9可以看出，当边界阈值取典型植被范围时（0.2～0.8），未伪装的车辆在图中被明显地分割出来，说明伪装前车辆伪装效果欠佳。由图10可知，伪装后车辆的绿色斑块与背景很好地融合在一起，而褐色斑块被明显地区分出来，说明NDVI对绿色植被的敏感性很高，也证明了本文方法的精准性和有效性。
![]()
图 9 伪装前车辆及阈值分割下的图像Figure 9. Vehicle before camouflage and image segmentation under threshold![]()
图 10 伪装后车辆及阈值分割下的图像Figure 10. Vehicle after camouflage and image segmentation under threshold对于林地背景下伪装效果的量化分析，分别计算伪装前车辆A、伪装后车辆B与林地背景C的各光谱指数均值，如表3所示。计算伪装前后目标各光谱指数的差值绝对值并依次确定各指标权重系数，如表4所示。由确定的权重计算目标伪装前后光谱一致性系数，如表5所示。计算目标A、B与背景C的光谱距离
$D$ 和光谱角余弦$\cos \alpha $ ，如表6所示。表 3 林地背景下目标与背景各光谱指数均值Table 3. Mean value of spectral indexes of target and background under forest land background目标或背景类型 NDVI GVI NVI A 0.0369 0.8288 0.4748 B 0.3916 0.0804 0.3808 C 0.5597 0.2517 0.5492 表 4 目标伪装前后光谱指数差值及权重系数kTable 4. Spectral index difference and weight coefficien k before and after target camouflage差值与权重 NDVI GVI NVI |A-B| 0.3547 0.7484 0.0940 k 0.2963 0.6252 0.0785 表 5 目标伪装前后光谱一致性系数SCCvegTable 5. Spectral consistency coefficient SCCveg before and after target camouflage光谱指数差值 NDVI GVI NVI SCCveg |A-C| 0.5228 0.5772 0.0744 0.5216 |B-C| 0.1681 0.1713 0.1684 0.1701 表 6 林地背景下目标与背景光谱距离及光谱角Table 6. Spectral distance and spectral angle between target and background under forest land background目标类型 D cosα A 7.3268 0.8060 B 2.0190 0.9703 从表3可以看出，伪装前车辆NDVI均值很小且接近于0，明显偏离植被特征区间，这是因为其在红光和近红外波段反射率差别不大，而植被背景因存在“红边效应”，NDVI均值达到0.559 7，伪装后车辆的NDVI均值明显增大，达到0.391 6，在植被特征区间范围内，说明伪装后目标与植被背景的相似度有所提高。伪装前车辆GVI指数达到0.828 8，严重偏离典型植被区间（0～0.3），伪装后车辆GVI指数下降到0.080 4，落入典型植被区间，同样说明了伪装效果良好。NVI指数在目标伪装前后变化不大，但伪装后的NVI指数与背景相似度反而不如伪装前，说明该伪装网在800 nm～1 000 nm范围内伪装效果欠佳，在设计伪装网时应当引起重视。
由表4得到的权重将以上各光谱指数综合得到
$ {\rm{SC}}{{\rm{C}}_{{\rm{veg}}}} $ 。由表5中的$ {\rm{SC}}{{\rm{C}}_{{\rm{veg}}}} $ 可知，伪装前$ {\rm{SC}}{{\rm{C}}_{{\rm{veg}}}} $ 为0.521 6，伪装后$ {\rm{SC}}{{\rm{C}}_{{\rm{veg}}}} $ 下降到0.152 8，说明尽管表3中个别光谱指数显示目标伪装后的效果不如伪装前，但$ {\rm{SC}}{{\rm{C}}_{{\rm{veg}}}} $ 作为一个综合指标，通过权重加和，揭示了目标在伪装后整体伪装效果有明显提升，伪装效果良好，即伪装效果A<B。结合表6数据可知，伪装后的车辆与背景光谱距离从7.326 8下降到2.019 0，光谱角余弦相似度从0.806 0提高到0.970 3，两指标均说明伪装效果A<B，这也与实际情况相符，说明光谱一致性系数作为伪装评估指标的正确性。另一方面，本方法可准确判断单个谱段的光谱一致性情况，而不是笼统地给予结论，也说明本文提出的方法更加全面，对光谱波段的分析更加精细。对于雪地背景下伪装效果的目视解译分析，通过计算NDSINIR对伪装前后图像进行阈值分割，不同的阈值θ分割结果如图11和图12所示。
![]()
图 11 伪装前帐篷及不同NDSINIR阈值分割下的图像Figure 11. Tent before camouflage and image segmentation under different NDSINIR thresholds![]()
图 12 伪装后帐篷及不同NDSINIR阈值分割下的图像Figure 12. Tent after camouflage and image segmentation under different NDSINIR thresholds从不同的阈值分割结果可以看到，伪装前的帐篷因为NDSINIR与雪地相差很大，在θ取不同值时均能将帐篷目标从背景中明显地区分开来，说明伪装前帐篷伪装效果不佳。伪装后的帐篷NDSINIR有极大的提升，与雪地背景相近，当阈值取典型雪地区间（0～0.1）附近值时，如θ3=−0.1、θ4=0.1，伪装帐篷在图像中基本与背景融为一体，如图12（b）所示，说明伪装网效果良好。通过表10可知，此时目标与背景的光谱角相似度已经达到了99.27%，目标和背景极为相似，传统的伪装评估方法已经难以将目标和背景区分，而本研究提出的方法通过调整阈值θ，即取典型雪地区间（θ3=0、θ4=0.1）时，可以将伪装后的帐篷从背景中分离，如图12（c）所示，说明本研究提出的方法对光谱信息的利用更加精细化，对揭示伪装也可提供积极的参考价值。
对于雪地背景下伪装效果的量化分析，分别计算伪装前帐篷D、伪装后帐篷E与雪地背景F的各光谱指数均值，如表7所示。计算伪装前后目标各光谱指数的差值绝对值并依此确定各指标权重系数，如表8所示。由确定的权重计算目标伪装前后光谱一致性系数，如表9所示。并计算目标D、E与背景F的光谱距离d和光谱角余弦cos φ如表10所示。
表 7 雪地背景下目标与背景各光谱指数均值Table 7. Mean value of each spectral index of target and background under snow background目标或背景类型 NDSINIR MSI D −0.7627 0.4228 E −0.0375 0.6716 F 0.0942 0.6164 表 8 目标伪装前后光谱指数差值及权重系数kTable 8. Spectral index difference and weight coefficient k before and after target camouflage差值与权重 NDSINIR MSI |E-D| 0.7253 0.2488 k 0.7446 0.2554 表 9 目标伪装前后光谱一致性系数SCCsnowTable 9. Spectral consistency coefficient SCCsnow before and after target camouflage光谱指数差值 NDSINIR MSI SCCsnow |D-F| 0.8569 0.1936 0.6875 |E-F| 0.1316 0.0552 0.1121 表 10 雪地背景下目标与背景光谱距离及光谱角Table 10. Spectral distance and spectral angle between target and background under snow background目标类型 d cosφ D 6.4600 0.7736 E 2.3267 0.9927 从表7数据可以看到，雪地背景的NDSINIR均值大于0且幅值很小，MSI均值较大，达到0.616 4，这是因为积雪在可见光到近红外范围内反射率较高且呈缓慢下降趋势；而伪装前帐篷在可见光范围内反射率远低于近红外波段反射率，且整体反射率低于雪地背景，故其NDSINIR均值为负且幅值很大，达到−0.768 1，而MSI均值较低，为0.422 8，说明伪装前目标与背景相似度较低；伪装后的帐篷NDSINIR均值增大到−0.037 5，极接近积雪特征范围，MSI也增大到0.671 6，与积雪背景更加接近。
由表8中得到的权重系数将上述光谱指数加权综合，得到如表9所示的
${\rm{SC}}{{\rm{C}}_{\rm{snow}}}$ ，可以看到，伪装后${\rm{SC}}{{\rm{C}}_{\rm{snow}}}$ 从0.687 5下降到0.112 1，说明伪装后目标与背景的差异明显减小，光谱一致性有极大地提高，即伪装效果D<E，结合表10数据，伪装后目标和背景光谱距离减小，光谱角余弦值增大，传统指标也得出伪装效果D<E的结论，这与实际情况相符。结合上述的可视化分析可知，本文提出的方法在整体上客观反映了伪装前后的伪装效果变化，同时通过对特定光谱指数的分析，可以精准定位各特定谱段伪装目标与背景的差异，从而达到精细化量化评估的目的，为伪装器材设计和伪装措施实施提供针对性的参考意见。4 结论
本文基于遥感光谱指数能够简便明了反映地物特征的特点，分析不同背景的光谱特征，构建了相应的伪装光谱指数，并提出了基于光谱指数阈值分割的目视解译伪装评估方法以及基于光谱一致性系数的量化分析方法。通过对两种典型作战背景——林地、雪地下伪装前后的目标进行伪装评估实验并将结果与传统评估方法对比分析，可以得到以下结论：1）本文提出的方法兼具可视化和量化分析的优势，既能通过图像清晰直观地反映目标伪装前后的伪装效果变化，又能通过光谱一致性系数对目标伪装前后的伪装效果进行客观量化评估，使得评估形式更加多样化；2）本文提出的方法能正确客观地反映目标伪装前后的实际伪装效果，得出的伪装效果评价结果与传统指标评价结果相吻合，且相较于传统指标评价方法，本文提出的方法对波谱信息的利用更加精细，相较传统的单个光谱指标，评估结论更为精细全面、稳健可靠。综上所述，本文的工作对伪装材料设计，伪装措施实施，以及揭示伪装等方面具有积极的参考价值和指导意义。
-
![]()
图 8 不同背景下的目标与背景光谱曲线
Figure 8. Spectral curves of target and background under different backgrounds
![]()
图 9 伪装前车辆及阈值分割下的图像
Figure 9. Vehicle before camouflage and image segmentation under threshold
![]()
图 10 伪装后车辆及阈值分割下的图像
Figure 10. Vehicle after camouflage and image segmentation under threshold
![]()
图 11 伪装前帐篷及不同NDSINIR阈值分割下的图像
Figure 11. Tent before camouflage and image segmentation under different NDSINIR thresholds
![]()
图 12 伪装后帐篷及不同NDSINIR阈值分割下的图像
Figure 12. Tent after camouflage and image segmentation under different NDSINIR thresholds
表 1 光谱指数定义及原理描述
Table 1 Definition and principle description of spectral indices
背景类型 光谱指数 定义 原理描述 林地背景 NDVI $\dfrac{{{\rho _{860}} - {\rho _{650}}}}{{{\rho _{860}}{\text{ + }}{\rho _{650}}}}$ 植被在860 nm处存在反射峰，650 nm处吸收强烈，因此该指数为正且值较大时表示植被，该指数值越接近于1表示越可能为植被。 GVI $ \dfrac{{{\rho _{550}} - {\rho _{400}}}}{{{\rho _{550}} + {\rho _{400}}}}{\text{ + }}{\rho _{500}} $ 植被在400 nm~650 nm范围内反射率整体较低且变化不大，故该指数为正且值较小表示植被，一般植被的取值范围为0～0.3。 NVI $ \dfrac{{{\rho _{900}} - {\rho _{800}}}}{{{\rho _{900}} + {\rho _{800}}}}{\text{ + }}{\rho _{850}} $ 植被在800 nm~1 000 nm范围内反射率整体较高，900 nm和800 nm处的反射率基本相同，故该指数值在0.3~0.6范围内表示植被。 雪地背景 NDSINIR $\dfrac{{{\rho _{550}} - {\rho _{960}}}}{{{\rho _{550}}{\text{ + }}{\rho _{960}}}}$ 雪地在可见光到近红外范围内反射率呈缓慢下降趋势，960 nm处反射率低于550 nm处，但幅度相差较小，因此该指数为正且较小时表示积雪，一般积雪在0~0.1范围内。 MSI $ \dfrac{{{\rho _{450}}{\text{ + }}{\rho _{750}}{\text{ + }}{\rho _{950}}}}{3} $ 雪地在可见光到近红外范围内反射率整体很高，达到0.7左右，该指数选取特定波段反射率均值，其值在0.6~0.8范围内表示雪地。 注：ρx表示波段为x/nm处的反射率。 
下载: 导出CSV
表 2 Resonon Pika L参数
Table 2 Parameters of Resonon Pika L
参数名称 数值 光谱范围/nm 400～1 000 光谱分辨率/nm 2.1 光谱通道数 281 空间通道数 900 每秒最大帧数/fps 249 位深度 12 质量/kg 0.6 尺寸/cm 10.0×12.5×5.3 连接方式 USB 3.0 孔径 f/2.4 像元尺寸/μm 5.86 平均RMS半径/μm 6
下载: 导出CSV
表 3 林地背景下目标与背景各光谱指数均值
Table 3 Mean value of spectral indexes of target and background under forest land background
目标或背景类型 NDVI GVI NVI A 0.0369 0.8288 0.4748 B 0.3916 0.0804 0.3808 C 0.5597 0.2517 0.5492
下载: 导出CSV
表 4 目标伪装前后光谱指数差值及权重系数k
Table 4 Spectral index difference and weight coefficien k before and after target camouflage
差值与权重 NDVI GVI NVI |A-B| 0.3547 0.7484 0.0940 k 0.2963 0.6252 0.0785
下载: 导出CSV
表 5 目标伪装前后光谱一致性系数SCCveg
Table 5 Spectral consistency coefficient SCCveg before and after target camouflage
光谱指数差值 NDVI GVI NVI SCCveg |A-C| 0.5228 0.5772 0.0744 0.5216 |B-C| 0.1681 0.1713 0.1684 0.1701
下载: 导出CSV
表 6 林地背景下目标与背景光谱距离及光谱角
Table 6 Spectral distance and spectral angle between target and background under forest land background
目标类型 D cosα A 7.3268 0.8060 B 2.0190 0.9703
下载: 导出CSV
表 7 雪地背景下目标与背景各光谱指数均值
Table 7 Mean value of each spectral index of target and background under snow background
目标或背景类型 NDSINIR MSI D −0.7627 0.4228 E −0.0375 0.6716 F 0.0942 0.6164
下载: 导出CSV
表 8 目标伪装前后光谱指数差值及权重系数k
Table 8 Spectral index difference and weight coefficient k before and after target camouflage
差值与权重 NDSINIR MSI |E-D| 0.7253 0.2488 k 0.7446 0.2554
下载: 导出CSV
表 9 目标伪装前后光谱一致性系数SCCsnow
Table 9 Spectral consistency coefficient SCCsnow before and after target camouflage
光谱指数差值 NDSINIR MSI SCCsnow |D-F| 0.8569 0.1936 0.6875 |E-F| 0.1316 0.0552 0.1121
下载: 导出CSV
表 10 雪地背景下目标与背景光谱距离及光谱角
Table 10 Spectral distance and spectral angle between target and background under snow background
目标类型 d cosφ D 6.4600 0.7736 E 2.3267 0.9927
下载: 导出CSV
-
[1] 王君光, 关松. 高光谱成像卫星发展研究[J]. 光电技术应用,2020,35(3):1-7. doi: 10.3969/j.issn.1673-1255.2020.03.001 WANG Junguang, GUAN Song. Research on development of hyper-spectral imaging satellite[J]. Electro-Optic Technology Application,2020,35(3):1-7. doi: 10.3969/j.issn.1673-1255.2020.03.001
[2] 麻永平, 张炜, 刘东旭. 高光谱侦察技术特点及其对地面军事目标威胁分析[J]. 上海航天,2012,29(1):37-40. doi: 10.19328/j.cnki.1006-1630.2012.01.008 MA Yongping, ZHANG Wei, LIU Dongxu. Characteristics of hyperspectral reconnaissance and threat to ground military targets[J]. Aerospace Shanghai,2012,29(1):37-40. doi: 10.19328/j.cnki.1006-1630.2012.01.008
[3] KRUSE F A, LEFKOFF A B, BOARDMAN J W, et al. The spectral image processing system (SIPS)—interactive visualization and analysis of imaging spectrometer data[J]. Remote Sensing of Environment,1993,44(2/3):145-163.
[4] CHANG C I, CHIANG S S. Anomaly detection and classification for hyperspectral imagery[J]. IEEE Transactions on Geoscience and Remote Sensing,2002,40(6):1314-1325. doi: 10.1109/TGRS.2002.800280
[5] 刘恂, 华文深, 杨佳. 面向高光谱探测的伪装效果评价方法[J]. 红外与激光工程,2014,43(10):3228-3232. doi: 10.3969/j.issn.1007-2276.2014.10.010 LIU Xun, HUA Wenshen, YANG Jia. Camouflage effect evaluation based on hyperspectral detecting technology[J]. Infrared and Laser Engineering,2014,43(10):3228-3232. doi: 10.3969/j.issn.1007-2276.2014.10.010
[6] 华文深, 杨佳, 刘恂, 等. 基于高光谱特征的迷彩伪装评价[J]. 应用光学,2013,34(6):964-967. HUA Wenshen, YANG Jia, LIU Xun, et al. Camouflage assessment based on hyperspectral characteristics[J]. Journal of Applied Optics,2013,34(6):964-967.
[7] 马世欣, 刘春桐, 李洪才, 等. 基于高光谱图像探测与感知的伪装效果评估方法[J]. 兵工学报,2019,40(7):1485-1494. doi: 10.3969/j.issn.1000-1093.2019.07.019 MA Shixin, LIU Chuntong, LI Hongcai, et al. Camouflage effect evaluation based on hyperspectral image detection and visual perception[J]. Acta Armamentarii,2019,40(7):1485-1494. doi: 10.3969/j.issn.1000-1093.2019.07.019
[8] ROUSE J W, HAAS R H, SCHELL J A, et al. Monitoring vegetation systems in the great plains with ERTS[J]. Nasa Special Publication,1974,351:309-317.
[9] NAGANO H, KOTANI A, MIZUOCHI H, et al. Contrasting 20-year trends in NDVI at two Siberian larch forests with and without multiyear waterlogging-induced disturbances[J]. Environmental Research Letters,2022,17(2):025003. doi: 10.1088/1748-9326/ac4884
[10] 宋桂兰, 汤顺青. 迷彩伪装的谱识别方法[J]. 北京理工大学学报,1996,16(6):567-570. doi: 10.15918/j.tbit1001-0645.1996.06.001 SONG Guilan, TANG Shunqing. A method of spectral pattern recognition for color camouflage[J]. Journal of Beijing Institute of Technology,1996,16(6):567-570. doi: 10.15918/j.tbit1001-0645.1996.06.001
[11] 段维纳, 竞霞, 刘良云, 等. 融合SIF和反射光谱的小麦条锈病遥感监测[J]. 光谱学与光谱分析,2022,42(3):859-865. doi: 10.3964/j.issn.1000-0593(2022)03-0859-07 DUAN Weina, JING Xia, LIU Liangyun, et al. Monitoring of wheat stripe rust based on integration of SIF and reflectance spectrum[J]. Spectroscopy and Spectral Analysis,2022,42(3):859-865. doi: 10.3964/j.issn.1000-0593(2022)03-0859-07
[12] ALDUBAI A A, ALSADON A A, AL-GAADI K A, et al. Utilizing spectral vegetation indices for yield assessment of tomato genotypes grown in arid conditions[J]. Saudi Journal of Biological Sciences,2022,29(4):2506-2513. doi: 10.1016/j.sjbs.2021.12.030
[13] RIGGS G A, HALL D K, SALOMONSON V V. A snow index for the landsat thematic mapper and moderate resolution imaging spectroradiometer[C]//Proceedings of IGARSS'94-1994 IEEE International Geoscience and Remote Sensing Symposium. Pasadena: IEEE, 2002: 1942-1944.
[14] ALI S, CHEEMA M J M, WAQAS M M, et al. Changes in snow cover dynamics over the Indus basin: evidences from 2008 to 2018 MODIS NDSI trends analysis[J]. Remote Sensing,2020,12(17):2782. doi: 10.3390/rs12172782
[15] 王京达, 郝晓华, 和栋材, 等. 基于AVHRR影像的北半球积雪识别算法[J]. 冰川冻土,2022,44(1):316-326. WANG Jingda, HAO Xiaohua, HE Dongcai, et al. Snow discrimination algorithm in the northern hemisphere based on AVHRR image[J]. Journal of Glaciology and Geocryology,2022,44(1):316-326.
-
期刊类型引用(2)
1. 李博，李凯，江山. 基于全同超弱反射光纤光栅阵列的实用解调系统研究. 电子设计工程. 2023(07): 146-150+155 . 
百度学术
2. 简丹，刘诚. 可用于现场快速检测的小型化多通道光谱测量系统. 应用光学. 2021(02): 310-316 . 本站查看
其他类型引用(3)
计量
- 文章访问数: 402
- HTML全文浏览量: 116
- PDF下载量: 80
- 被引次数: 5
陕公网安备 61011302001501号 