受昆蟲視覺(jué)啟發(fā)的多光譜遙感影像小目標(biāo)檢測(cè)

黃鳳辰，李敏，石愛(ài)業(yè)，湯敏，徐立中

（1.河海大學(xué) 計(jì)算機(jī)與信息學(xué)院，江蘇 南京 210098；2.河海大學(xué) 通信與信息系統(tǒng)工程研究所，江蘇 南京 210098）

1 引言

遙感影像目標(biāo)檢測(cè)技術(shù)在稀有礦藏勘測(cè)、農(nóng)業(yè)病蟲害監(jiān)測(cè)、軍事目標(biāo)檢測(cè)、公共安全等領(lǐng)域具有重要的研究意義，是實(shí)現(xiàn)遙感影像自動(dòng)解譯的關(guān)鍵技術(shù)之一。自20世紀(jì)80年代末Margalit A.等人[1]首次提出利用背景和目標(biāo)光譜差異檢測(cè)目標(biāo)以來(lái)，現(xiàn)已形成了基于背景建模和基于空間變換兩大類經(jīng)典的目標(biāo)檢測(cè)算法。

基于背景建模的目標(biāo)檢測(cè)算法是在全局或局部背景區(qū)域服從多元正態(tài)分布的假設(shè)下，通過(guò)背景協(xié)方差矩陣的估計(jì)獲得背景光譜分布模型，然后將不同于背景分布的像素標(biāo)記為目標(biāo)。典型算法是1990年 Reed I.S.等人[2]提出的恒虛警率（CFAR,constant false alarm rate）目標(biāo)檢測(cè)算法，該算法已被廣泛地應(yīng)用于超光譜遙感影像[3]、SAR影像[4]和普通視頻圖像[5]的目標(biāo)檢測(cè)中，并獲得了較為理想的檢測(cè)效果。然而背景協(xié)方差矩陣的估計(jì)往往受到局部背景地物種類數(shù)的影響，包含較多地物種類的復(fù)雜背景通常不服從正態(tài)分布的假設(shè)，從而導(dǎo)致檢測(cè)虛警率的提高，而構(gòu)建新的背景模型又將增加計(jì)算復(fù)雜度。此外對(duì)于背景協(xié)方差矩陣的估計(jì)還存在著計(jì)算量大、計(jì)算復(fù)雜度高等問(wèn)題。

基于空間變換的目標(biāo)檢測(cè)算法是以像元光譜線性混合模型（LMM, linear spectral mixture model）為基礎(chǔ)，通過(guò)各種空間變換方法將背景和目標(biāo)分離。例如：信號(hào)子空間映射（SSP, signal subspace projection）[6]算法，奇異值分解（SVD, singular value decomposition）算法等。然而以上采用線性變換的投影算法無(wú)法獲得高維特征信息。針對(duì)該問(wèn)題，基于核函數(shù)的非線性空間變換算法不斷涌現(xiàn)，主要有基于核函數(shù)的正交子空間映射法（KOSP, kernel orthogonal subspace projection）[7]、基于核函數(shù)的主成分分析法（KPCA, kernel principal component analysis）以及基于支持向量機(jī)（SVDD, support vector data description）[8]的目標(biāo)檢測(cè)算法等?；诳臻g變換的目標(biāo)檢測(cè)算法無(wú)需估算背景分布模型，避免了背景復(fù)雜度對(duì)檢測(cè)結(jié)果的影響，成為目前研究的熱點(diǎn)。但是由于缺乏地物的光譜先驗(yàn)知識(shí)和對(duì)背景抑制效果的評(píng)價(jià)標(biāo)準(zhǔn)，因此無(wú)法得到最優(yōu)的目標(biāo)檢測(cè)結(jié)果。

國(guó)內(nèi)關(guān)于遙感影像復(fù)雜背景下的小目標(biāo)檢測(cè)算法的研究主要集中在空間變換方法上，例如，2007年，尋麗娜等人[9]提出的將PCA和地物端元提取相結(jié)合的目標(biāo)檢測(cè)算法；2009年，劉德連等人[10]提出的利用期望最大化方法對(duì)復(fù)雜背景進(jìn)行分類從而實(shí)現(xiàn)背景復(fù)雜度抑制的目標(biāo)檢測(cè)算法；2010年，張文希等人[11]針對(duì)傳統(tǒng) PCA不考慮主成分信噪比的缺點(diǎn)，提出的結(jié)合基于噪聲調(diào)節(jié)的PCA和OSP算法提取影像端元的算法。

可見(jiàn)，基于機(jī)器視覺(jué)的目標(biāo)檢測(cè)算法均受到背景復(fù)雜度、光譜先驗(yàn)信息等條件的約束。復(fù)雜背景的出現(xiàn)和先驗(yàn)信息的缺失將導(dǎo)致檢測(cè)虛警率的提高。另外，隨著傳感器技術(shù)的不斷進(jìn)步，遙感影像空間分辨率和光譜分辨率的不斷提高，背景復(fù)雜度增高，光譜先驗(yàn)信息匱乏等問(wèn)題將日益嚴(yán)重。因此，研究獨(dú)立于背景建模和先驗(yàn)信息的目標(biāo)檢測(cè)算法不僅是解決現(xiàn)有算法存在問(wèn)題的主要途徑，也是將來(lái)有效利用高質(zhì)量遙感影像的關(guān)鍵。

1985年，Egelhaaf M.等人[12]研究發(fā)現(xiàn)，昆蟲視覺(jué)系統(tǒng)的小葉板上存在一種高階神經(jīng)元——小目標(biāo)運(yùn)動(dòng)檢測(cè)（STMD, small target motion detection）神經(jīng)元，并指出該神經(jīng)元具有高度的非線性濾波特性，對(duì)突變信號(hào)具有高度敏感性。2008年，Wiederman S.D.等人[13]根據(jù)前人的研究成果構(gòu)建了小目標(biāo)檢測(cè)神經(jīng)元模型。該模型中的非線性自適應(yīng)機(jī)理、中心側(cè)抑制機(jī)理和相反極性相關(guān)機(jī)理可以增強(qiáng)目標(biāo)特征，同時(shí)抑制背景紋理。

在小目標(biāo)檢測(cè)神經(jīng)元的啟發(fā)下，本文跳出傳統(tǒng)算法的研究思路，針對(duì)現(xiàn)有的中低分辨率水平多光譜遙感影像，提出基于局部數(shù)據(jù)分析的多光譜遙感影像小目標(biāo)仿生檢測(cè)模型以及相應(yīng)的目標(biāo)檢測(cè)方法。該方法利用神經(jīng)元的高度非線性濾波特性在抑制背景紋理特征的同時(shí)增強(qiáng)目標(biāo)特征，無(wú)需背景建模和先驗(yàn)信息實(shí)現(xiàn)目標(biāo)檢測(cè)。實(shí)驗(yàn)通過(guò)與多種經(jīng)典目標(biāo)檢測(cè)算法的比較證明，本文提出方法的自適應(yīng)處理機(jī)制較好地平衡了背景復(fù)雜度與目標(biāo)分辨率之間的矛盾關(guān)系，獲得了獨(dú)立于背景復(fù)雜度、低虛警率的檢測(cè)效果。

2 多光譜遙感影像小目標(biāo)仿生檢測(cè)模型

2.1 小目標(biāo)仿生檢測(cè)模型的基本思想

受小目標(biāo)檢測(cè)神經(jīng)元模型的啟發(fā)，本文提出針對(duì)多光譜遙感影像的小目標(biāo)仿生檢測(cè)模型如圖1所示。該模型主要由非線性自適應(yīng)、局部側(cè)抑制、相反極性通道相關(guān)等機(jī)理組成。小目標(biāo)具有對(duì)比度極性相反的一對(duì)邊緣，同時(shí)出現(xiàn)概率較低。非線性自適應(yīng)可以增強(qiáng)突變信號(hào)的幅度，即小目標(biāo)的邊緣特征；而局部側(cè)抑制是對(duì)增強(qiáng)的突變信號(hào)進(jìn)行挑選，將出現(xiàn)概率較低的突變信號(hào)保留，概率較高的紋理信號(hào)抑制；相反極性通道相關(guān)利用目標(biāo)的一對(duì)相反極性邊緣相乘獲得目標(biāo)檢測(cè)結(jié)果。

圖1 多光譜遙感影像小目標(biāo)仿生檢測(cè)模型

2.1.1 非線性自適應(yīng)機(jī)理

非線性自適應(yīng)機(jī)理將出現(xiàn)概率較低、變化幅度較大的突變信號(hào)進(jìn)行增強(qiáng)；將出現(xiàn)頻率較高、變化幅度較低的紋理信息進(jìn)行抑制。以水平方向?yàn)槔ù怪狈较蛲恚?，?duì)于輸入信號(hào)，其自適應(yīng)機(jī)理的離散形式表示為

2.1.2 中心側(cè)抑制機(jī)理

中心側(cè)抑制機(jī)理可以增強(qiáng)信號(hào)之間的對(duì)比度，在非線性自適應(yīng)處理之后，背景的特征信息得到抑制，而目標(biāo)的特征信息則被保留。此時(shí)利用中心側(cè)抑制機(jī)理可以將保留的目標(biāo)特征進(jìn)行增強(qiáng)，從而降低檢測(cè)結(jié)果的虛警率。以 on通道為例，在領(lǐng)域半徑為r的局部區(qū)域中，第個(gè)像元進(jìn)行處理后的on通道輸出為

考慮到小目標(biāo)尺寸在水平方向或垂直方向上應(yīng)在 1～2個(gè)像元范圍內(nèi)，則局部區(qū)域的半徑為12r≤≤。其中ε為常數(shù)，off通道同理。

2.1.3 相反極性通道相關(guān)

高階神經(jīng)元on通道和off通道分別對(duì)應(yīng)了小目標(biāo)的2個(gè)邊緣，將相反極性通道平移后相關(guān)即可獲得小目標(biāo)的檢測(cè)結(jié)果。根據(jù)SPIE關(guān)于小目標(biāo)的定義可知，小目標(biāo)左右邊緣相隔 1～2個(gè)像元。對(duì)于不同類型的目標(biāo)（亮目標(biāo)或暗目標(biāo)），選擇平移的通道極性不同。多光譜遙感影像中小目標(biāo)通常具有光譜強(qiáng)度較高、出現(xiàn)概率較低且可近似為亮目標(biāo)的特點(diǎn)，即，因此水平方向上信號(hào)的極性從左到右依次為on通道（亮度增加）和off通道（亮度降低）。那么，遙感影像的通道相關(guān)處理為

2.2 小目標(biāo)仿生檢測(cè)模型的處理流程

小目標(biāo)仿生檢測(cè)模型的信息處理流程如圖3所示。基于該模型流程，本文采用數(shù)字信號(hào)處理算法模擬3種生物學(xué)機(jī)理進(jìn)行目標(biāo)檢測(cè)。該模型處理流程的偽代碼如下：

圖3 多光譜遙感影像小目標(biāo)仿生檢測(cè)模型處理流程

圖3中?表示2個(gè)通道的相關(guān)計(jì)算。該模型首先將同一個(gè)空間位置上不同時(shí)刻出現(xiàn)的信號(hào)按照其變化極性的不同流入不同的通道——on通道和off通道；然后利用每個(gè)通道的非線性自適應(yīng)機(jī)制和中心側(cè)抑制機(jī)制實(shí)現(xiàn)背景紋理特征抑制和目標(biāo)特征增強(qiáng)；最后將2個(gè)極性通道相乘獲得目標(biāo)檢測(cè)結(jié)果。

3 實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)1選擇2000年4月美國(guó)路易斯安那州新奧爾良地區(qū) Landsat7 ETM+遙感數(shù)據(jù)和 2008年 9月南京市玄武區(qū)Landsat5 ETM遙感數(shù)據(jù)作為研究對(duì)象，分別采用CFAR算法、基于SVD分解、基于PCA變換3種經(jīng)典檢測(cè)算法與本文方法進(jìn)行比較，檢測(cè)結(jié)果的虛警率采用感受性（ROC, receiver operating characteristic）曲線進(jìn)行比較。實(shí)驗(yàn)2仍選擇2008年9月南京玄武地區(qū)多光譜遙感影像作為研究對(duì)象，針對(duì)亞像元級(jí)目標(biāo)采用本文提出的仿生復(fù)眼處理方法在不同空間分辨率下進(jìn)行檢測(cè)，并通過(guò)檢測(cè)結(jié)果的 ROC曲線比較證明該算法對(duì)于亞像元級(jí)目標(biāo)的敏感性。

3.1 實(shí)驗(yàn)1

3.1.1 美國(guó)路易斯安那州新奧爾良地區(qū)實(shí)驗(yàn)

本實(shí)驗(yàn)截取美國(guó)路易斯安那州新奧爾良地區(qū)Landsat 7 ETM+遙感數(shù)據(jù)第 3波段上大小為200200×的區(qū)域如圖4(a)所示。該區(qū)域中主要是新奧爾良軍用機(jī)場(chǎng)附近一些建筑物和停車場(chǎng)。由于建筑物材料具有強(qiáng)反射特性，使得該區(qū)域中存在大量不同種類的光譜異常目標(biāo)。為了比較不同空間分辨率下各種檢測(cè)算法的虛警率，本文采用基于最大后驗(yàn)概率（MAP, maximum a posteriori）的超分辨率重構(gòu)技術(shù)對(duì)多光譜遙感影像進(jìn)行空間分辨率的增強(qiáng)。圖4為不同分辨率下的單波段影像。

圖4 新奧爾良軍用機(jī)場(chǎng)地區(qū)不同分辨率下多光譜遙感影像

圖5 新奧爾良軍用機(jī)場(chǎng)地區(qū)目標(biāo)檢測(cè)結(jié)果

在不同的分辨率水平下，4種算法的檢測(cè)結(jié)果如圖 5所示。圖 5(a)～圖 5(d)為空間分辨率為200200×?xí)r，采用CFAR算法、SVD分解、PCA變換以及本文檢測(cè)方法獲得的檢測(cè)結(jié)果。圖5(e)～圖5(h)為分辨率是400400×?xí)r4種算法的檢測(cè)結(jié)果。圖5(i)～ 圖5(l)為分辨率是800 800×?xí)r4種算法的檢測(cè)結(jié)果。表1對(duì)4種算法的漏檢率進(jìn)行比較。其中，CFAR和SVD算法的漏檢率隨著空間分辨率的提高而提高，CFAR算法的漏檢率從 15%提高到25%；SVD的漏檢率從30%提高到40%。PCA保持在 50%左右的漏檢率，而本文算法則保持在20%～25%之間較低的漏檢率。

表1 不同空間分辨率下4種算法漏檢率比較

圖6為該區(qū)域在不同空間分辨率下的光譜分布直方圖。由圖6可知，該地區(qū)背景光譜值的直方圖呈單調(diào)下降的偏態(tài)，大部分像元屬于低亮度區(qū)域，并且在灰度值為80左右處亮度分布出現(xiàn)高狹峰，因此該場(chǎng)景的背景光譜值明顯不服從高斯分布。基于此，以高斯分布模型為基礎(chǔ)的 CFAR算法會(huì)在空間分辨率提高的情況下，背景復(fù)雜度增加，算法漏檢率相應(yīng)提高。而PCA算法和SVD算法則需要進(jìn)行場(chǎng)景成分分析來(lái)抑制背景特征，從而實(shí)現(xiàn)目標(biāo)檢測(cè)。由于該地區(qū)的光譜分布較為均勻，在背景成分抑制中目標(biāo)與背景混淆嚴(yán)重、不宜分離導(dǎo)致了高漏檢率的發(fā)生。

圖6 新奧爾良軍用機(jī)場(chǎng)地區(qū)B5波段影像直方圖

可見(jiàn)傳統(tǒng)的目標(biāo)檢測(cè)算法對(duì)于背景分布特性的依賴性較大，在背景復(fù)雜度較高的條件下無(wú)法保證檢測(cè)結(jié)果的虛警率。而本文提出的仿生小目標(biāo)檢測(cè)模型是一種基于局部數(shù)據(jù)分析的目標(biāo)檢測(cè)算法，非線性自適應(yīng)處理機(jī)制具有平衡空間分辨率和背景復(fù)雜度之間矛盾關(guān)系、自適應(yīng)抑制背景紋理結(jié)構(gòu)特征的效果。在抑制復(fù)雜背景干擾的同時(shí)獲得了低漏檢率的目標(biāo)檢測(cè)效果。

3.1.2 南京玄武區(qū)實(shí)驗(yàn)

截取南京玄武區(qū)多光譜遙感影像第3波段上大小為6060×的區(qū)域作為研究對(duì)象。該區(qū)域?yàn)槌鞘械纳虡I(yè)街區(qū)，大量的建筑物為混凝土結(jié)構(gòu)，光譜吸收能力極差，反射能力極強(qiáng)，在遙感影像中表現(xiàn)為亮目標(biāo)。但由于該區(qū)域建筑物較為密集，地物種類較少，可以滿足正態(tài)分布模型。圖7(a)為Google Earth上截取對(duì)應(yīng)區(qū)域的衛(wèi)星影像作為目標(biāo)位置的參照，圖7(b)～圖7(d)為不同空間分辨率下的遙感影像，圖7(e)為 3種空間分辨率下圖像的光譜分布直方圖?？梢?jiàn)該區(qū)域影像的光譜分布存在雙峰，在亮度較低區(qū)域的單峰能量較少，亮度較高區(qū)域出現(xiàn)的單峰則近似于高斯分布模型，同時(shí)包含能量較大。

圖7 南京玄武區(qū)多光譜遙感影像

圖8為不同空間分辨率條件下各種檢測(cè)算法獲得結(jié)果的ROC曲線。如圖8所示，通過(guò)3種空間分辨率下虛警率的比較可知，CFAR算法始終保持較低水平的虛警率，而 SVD、PCA以及本文算法的虛警率則相差不大。結(jié)合該地區(qū)的光譜分布直方圖可以看出，背景光譜分布近似于高斯分布，符合CFAR算法的理論基礎(chǔ)，因此可以獲得較低虛警率的檢測(cè)效果。隨著空間分辨率的提高，PCA、SVD與本文算法的虛警率均有所下降，其中本文方法的虛警率下降速度最快。可見(jiàn)盡管目前本文算法的檢測(cè)虛警率仍高于CFAR算法，但隨著影像空間分辨率的不斷提高，背景復(fù)雜化加劇，其自適應(yīng)處理優(yōu)勢(shì)將得到充分的體現(xiàn)。因此針對(duì)目前中低分辨率水平遙感影像的目標(biāo)檢測(cè)，算法虛警率的降低仍有進(jìn)一步研究的空間。而對(duì)于高復(fù)雜度背景條件下的目標(biāo)檢測(cè)問(wèn)題，本文算法具有背景自適應(yīng)抑制的優(yōu)勢(shì)。

3.2 實(shí)驗(yàn)2

實(shí)驗(yàn)1結(jié)果表明本文提出的小目標(biāo)仿生檢測(cè)模型可以獨(dú)立于背景復(fù)雜度，獲得較為穩(wěn)定的低虛警率檢測(cè)效果。考慮到空間分辨率的提高將有利于增強(qiáng)亞像元級(jí)目標(biāo)的可識(shí)別性，實(shí)驗(yàn)2將通過(guò)不同空間分辨率下亞像元級(jí)目標(biāo)檢測(cè)效果的比較證明本文算法的有效性。同樣選擇南京玄武區(qū)的單波段數(shù)據(jù)作為研究對(duì)象，利用本文檢測(cè)方法在3種空間分辨率下獲得的檢測(cè)結(jié)果如圖9所示。圖9為3種空間分辨率下本文算法的檢測(cè)結(jié)果，比較3種空間分辨率下檢測(cè)結(jié)果的ROC曲線，結(jié)果如圖10所示。

圖8 南京玄武區(qū)不同空間分辨率下4種算法的虛警率比較

圖9 不同空間分辨率下亞像元級(jí)目標(biāo)檢測(cè)結(jié)果

圖10 3種空間分辨率下檢測(cè)結(jié)果的ROC曲線

比較圖10，可見(jiàn)隨著空間分辨率的提高，檢測(cè)結(jié)果的虛警率獲得了明顯的降低。本文算法較好地利用了高空間分辨率下目標(biāo)特征的可識(shí)別性，同時(shí)克服了由于分辨率的提高所產(chǎn)生的復(fù)雜背景問(wèn)題。有利于高空間分辨率遙感影像的亞像元級(jí)目標(biāo)檢測(cè)。圖10(a)中檢測(cè)窗口為10Δ=時(shí)虛警率最低；圖10(b)中檢測(cè)窗口為12Δ=時(shí)虛警率最低；圖10(c)中檢測(cè)窗口為24Δ=時(shí)虛警率最低。本文僅按照小目標(biāo)尺寸的定義結(jié)合空間分辨率的提高倍數(shù)選擇窗口尺寸，不同的窗口對(duì)應(yīng)著不同的虛警率?？梢?jiàn)在特定空間分辨率條件下，局部窗口尺寸也是影響虛警率的關(guān)鍵參數(shù)之一。

4 結(jié)束語(yǔ)

本文在昆蟲視覺(jué)系統(tǒng)中小目標(biāo)神經(jīng)元非線性濾波特性的啟發(fā)下，提出了針對(duì)多光譜遙感影像的小目標(biāo)仿生檢測(cè)模型以及相應(yīng)的目標(biāo)檢測(cè)方法。相比傳統(tǒng)的目標(biāo)檢測(cè)算法，本文提出的方法可以獨(dú)立于背景復(fù)雜度和先驗(yàn)信息，自適應(yīng)地抑制背景紋理特征并增強(qiáng)目標(biāo)的邊緣特征，獲得低虛警率的目標(biāo)檢測(cè)效果。另外實(shí)驗(yàn)中采用多種空間分辨率的場(chǎng)景檢測(cè)結(jié)果進(jìn)行比較，證明了該算法可以較好地平衡空間分辨率與背景復(fù)雜度之間的矛盾關(guān)系。本文方法具有檢測(cè)原理簡(jiǎn)單，易于實(shí)現(xiàn)等特點(diǎn)。但是由于空間分辨率的增強(qiáng)與局部檢測(cè)窗口尺寸選擇有關(guān)，因此探討如何選擇合適的檢測(cè)窗口獲得低虛警率檢測(cè)效果是下一步研究的重點(diǎn)。

[1]MARGALIT A, REED I S, GAGLIARDI R M.Adaptive optical target detection using correlated images[A].IEEE Transactions on Aerospace and Electronic Systems[C].1985.394-405.

[2]REED I S, YU X.Adaptive multiple-band CFAR detection of anoptical pattern with unknown spectral distribution[J].IEEE Transaction on Acoustics, Speech and Signal Processing, 1990,38(10): 1760-1770.

[3]HUCK A, GUILLAUME M.Asymptotically CFAR-unsupervised target detection and discrimination in hyperspectral images with anomalous-component pursuit[J].IEEE Transactions on Geoscience and Remote Sensing, 2010, 48(11): 3980-3992.

[4]GAO G, LIU L, ZHAO L,et al.An adaptive and fast CFAR algorithm based on automatic censoring for target detection in high-resolution SAR images[J].IEEE Transactions on Geoscience and Remote Sensing, 2009, 47(6):1685-1697.

[5]王博, 劉德連, 張建奇.基于背景移除的時(shí)域目標(biāo)檢測(cè)[J].通信學(xué)報(bào), 2009, 30(7):67-72.WANG B, LIU D L, ZHANG J Q.Temporal filtering for target detection algorithm based on static background elimination[J].Journal on Communications, 2009, 30(7): 67-72.

[6]ACITO N, DIANI M, CORSINI G A.New algorithm for robust estimation of the signal subspace in hyperspectral images in the presence of rare signal components[J].IEEE Transactions on Geoscience and Remote Sensing, 2009, 47(11):3844-3856.

[7]CAPOBIANCO L, GARZELLI A, CAMPS-VALLS G.Target detection with semisupervised kernel orthogonal subspace projection[J].IEEE Transactions on Geoscience and Remote Sensing, 2009, 47:3822-3833.

[8]VASILIS A, PETER W, MICHAEL G.Anomaly detection through a bayesian support vector machine[J].IEEE Transactions on Geoscience and Remote Sensing, 2010, 59(2):277-287.

[9]尋麗娜, 方勇華, 李新.高光譜圖像中基于端元提取的小目標(biāo)檢測(cè)算法[J].光學(xué)學(xué)報(bào), 2007, 27(7):1178-1182.XUN L N, FANG Y H, LI C.A small target detection approach based on endmember extraction in hyperspectral image[J].Acta Optica Sinica, 2007, 27(7):1178-1182.

[10]劉德連, 王博, 張建奇.期望最大化聚類的高光譜亞像素目標(biāo)檢測(cè)[J].西安電子科技大學(xué)學(xué)報(bào), 2009, 36(3): 512-516.LIU D L, WANG B, ZHANG J Q.Hyperspectral subpixel target detection approach based on expectation-maximization cluster[J].Journal of Xidian University, 2009, 36(3): 512-516.

[11]張文希, 鄭茂, 李綱.基于端元提取的超光譜圖像目標(biāo)檢測(cè)算法[J].電光與控制, 2010, 17(8):45-49.ZHANG W X, ZHENG M, LI G.An endmember extraction based target detection algorithm for hyperspectral image[J].Electronics Optics& Control, 2010, 17(8):45-49.

[12]EGELHAAF M.On the neuronal basis of figure-ground discrimination by relative motion in the visual system of the fly II Figure-detection cells, a new class of visual interneurones[J].Biol Cybern,1985, 52: 195-209.

[13]WIEDERMAN S D, SHOEMAKER P A, O'CARROLL D C.A model for the detection of moving targets in visual clutter inspired by insect physiology[J].PLoS One, 2008, 3(7): 2784.