卓立漢光旗下的四川雙利合譜科技有限公司于2015年7月13-14號(hào)在木蘭圍場(chǎng)草原的實(shí)驗(yàn)基地對(duì)偽裝目標(biāo)進(jìn)行測(cè)試，利用高光譜成像儀獲取偽裝目標(biāo)的高光譜數(shù)據(jù)，并進(jìn)行目標(biāo)識(shí)別。

    雙利合譜設(shè)備：高光譜成像儀；光譜范圍：400nm-1000nm和1000nm-2500nm波段的兩款相機(jī)，光譜分辨率：4nm@435.8nm（@400-1000nm）、11.9nm@1129nm（@1000-2500nm）;目標(biāo)距離：50m-2000m; 測(cè)試時(shí)間：14號(hào)上午10:30-14:30；

1、利用短波紅外相機(jī)進(jìn)行測(cè)試：

圖1 掛載直升機(jī)

圖2 儀器設(shè)備

    利用短波紅外相機(jī)對(duì)目標(biāo)進(jìn)行拍攝，獲取到相應(yīng)的偽裝目標(biāo)圖像，如下圖所示，光譜范圍為1000nm-2500nm波段。紅圈標(biāo)注目標(biāo)為偽裝網(wǎng)。利用短波紅外波段的相機(jī)可以很直接的獲取到偽裝目標(biāo)的影像并與其它背景目標(biāo)區(qū)分開(kāi)。

    綠色植被、樹(shù)木等綠色的目標(biāo)與偽裝目標(biāo)在整個(gè)大環(huán)境下都顯示為綠色，而利用短波紅外相機(jī)進(jìn)行拍攝則可以區(qū)分開(kāi)真實(shí)的綠色植被（或者樹(shù)木、草）是與偽裝目標(biāo)不一樣的。

圖3 短波紅外高光譜相機(jī)拍攝圖像（RGB圖）

    在圖4和圖5所示的是對(duì)原始數(shù)據(jù)進(jìn)行數(shù)據(jù)處理后的影像，同樣能夠區(qū)分開(kāi)目標(biāo)對(duì)象與背景的影像，偽裝網(wǎng)如圖中所示標(biāo)注的位置。

圖4 PCA算法處理后結(jié)果

圖5 PCA算法處理后識(shí)別結(jié)果

   選取圖像中9個(gè)目標(biāo)物，分別為偽裝網(wǎng)1-6、樹(shù)木、樹(shù)林、房屋為對(duì)象，獲取其相應(yīng)的光譜曲線，如圖所示。

圖6 不同目標(biāo)的光譜曲線

    偽裝網(wǎng)12346對(duì)應(yīng)的光譜曲線基本一致，偽裝網(wǎng)5的光譜曲線與其它5種有很大的差別，此偽裝網(wǎng)為國(guó)防科大特別提供的偽裝網(wǎng)，與樹(shù)木的光譜曲線有些類(lèi)似，但比植被的反射率高，在2061nm處和其它5種偽裝網(wǎng)有相同的光譜吸收峰存在。

圖7 不同目標(biāo)的光譜曲線

圖8 偽裝&樹(shù)木&汽車(chē)目標(biāo)識(shí)別

圖9 目標(biāo)物的光譜曲線

    樹(shù)木、汽車(chē)、偽裝網(wǎng)均有自身的特征峰位置，可以通過(guò)具體的算法來(lái)完成這些目標(biāo)物的分類(lèi)和識(shí)別。

    2、利用可見(jiàn)-近紅外相機(jī)進(jìn)行測(cè)試：

圖1 高光譜成像儀

   利用可見(jiàn)-近紅外高光譜相機(jī)對(duì)偽裝網(wǎng)進(jìn)行圖像采集，光譜范圍：400nm-1000nm，光譜分辨率4nm。

圖2 可見(jiàn)-近紅外高光譜相機(jī)拍攝

圖3 算法處理后的識(shí)別結(jié)果

圖4 光譜曲線

    選取不同的目標(biāo)對(duì)象，獲取相應(yīng)的光譜，植被的光譜在680nm以后分反射率會(huì)提高，而非植被所表現(xiàn)出來(lái)的紅邊效應(yīng)與真實(shí)的植被的紅邊效應(yīng)有很大的差別。

    對(duì)可見(jiàn)-近紅外波段的數(shù)據(jù)進(jìn)行數(shù)據(jù)處理，分別利用歸一化植被指數(shù)和紅邊歸一化植被指數(shù)來(lái)簡(jiǎn)單的對(duì)目標(biāo)物進(jìn)行區(qū)分識(shí)別。

    1、歸一化植被指數(shù)（Normalized Difference Vegetation Index, NDVI）計(jì)算可以將多光譜數(shù)據(jù)變換成一個(gè)單獨(dú)的圖像波段，用于顯示植被的分布。能夠發(fā)現(xiàn)非植被目標(biāo)物與植被之間的區(qū)別，隱藏在植被中的偽裝網(wǎng)利用歸一化植被指數(shù)處理算法進(jìn)行處理后，其很明顯的能夠真實(shí)植被區(qū)分開(kāi)。

圖5 單波段下圖像

標(biāo)準(zhǔn)算法：
NDVI=(ρ_Nir-ρ_Red)/(ρ_Nir+ρ_Red )
規(guī)定波段的中心波長(zhǎng)： ρ_Nir=800nm； ρ_Red=680nm

圖6 RGB圖

    對(duì)圖像中所有的目標(biāo)都進(jìn)行相應(yīng)的算法處理，指數(shù)系數(shù)從低到高依次排開(kāi)，并進(jìn)行了詳細(xì)的劃分。

圖7 分類(lèi)識(shí)別結(jié)果

不同的目標(biāo)物（或植被）的歸一化植被指數(shù)是不同的，利用植被標(biāo)準(zhǔn)算法進(jìn)行處理后可以得到相應(yīng)的指數(shù)系數(shù)。
NDVI值的范圍在-1和+1之間，一般的綠色植被的范圍是0.2~0.8。

圖8 植被分類(lèi)識(shí)別結(jié)果

    2、紅邊歸一化指數(shù)：

     規(guī)定波段的中心波長(zhǎng)： ρ_Nir=750nm； ρ_Red=705nm

圖9 分類(lèi)識(shí)別結(jié)果

   〖NDVI〗_705值的范圍在-1和+1之間，一般的綠色植被的范圍是0.2~0.9。

圖10 植被分類(lèi)識(shí)別結(jié)果

    利用植被的紅邊效應(yīng)可以區(qū)分開(kāi)真實(shí)植被與偽裝目標(biāo)。偽裝目標(biāo)并未表現(xiàn)出非常明顯的紅邊效應(yīng)。