基于光谱差异增强与像素对特征的地基高光谱图像伪装目标分类方法

针对高光谱图像中伪装目标与背景光谱相似性高导致的分类难题，研究人员提出SDE-PPF方法，通过光谱重排、一阶微分和非线性处理增强光谱差异，结合像素对特征提取和卷积神经网络优化，在草地、枯叶等复杂背景下实现98.46%-99.21%的分类准确率，为军事侦察提供高效技术方案。

　　

随着现代军事技术的发展，伪装目标与自然背景的光谱相似性日益增强，给高光谱图像分类带来巨大挑战。传统方法在复杂陆地环境中难以捕捉细微光谱差异，且依赖单像素分析导致信息利用率低。这一瓶颈严重制约了军事侦察、环境监测等领域的应用效果。

为解决这一问题，中国研究人员提出了一种创新性的地基高光谱图像伪装目标分类方法SDE-PPF（Spectral Difference Enhancement and Pixel-Pair Features）。该方法通过三阶段光谱增强框架和像素对特征学习架构，显著提升了草地、荒草地、枯叶和灌木丛等复杂背景下伪装目标的识别精度，相关成果发表于《Engineering Applications of Artificial Intelligence》。

研究团队采用三项关键技术：1）基于目标光谱特性的自适应波段重排技术；2）结合一阶微分和非线性处理的光谱差异增强(SDE)算法；3）利用卷积神经网络提取像素对特征(PPF)的深度学习架构。实验数据来自自主构建的首个地基伪装目标高光谱数据集，包含四种典型陆地背景场景。

光谱重排
通过打破传统波长顺序的波段重组，诱导背景光谱产生振荡模式。分析表明，这种重排使目标与背景的光谱曲线差异放大1.8-2.3倍。

一阶微分与非线性处理
对重排后的光谱实施一阶微分运算，结合Sigmoid非线性函数处理，将原始0.05-0.1的光谱对比度提升至0.3-0.4。

像素对特征提取
构建中心像素与邻域像素的组合样本，通过3层卷积网络提取空间-光谱联合特征。实验显示PPF方法使训练样本量扩大15-20倍。

投票分类机制
采用多数表决策略整合多组像素对分类结果，在测试集上实现98.46%（草地）至99.21%（灌木丛）的准确率，较传统方法提升12-18个百分点。

讨论部分指出，该研究的核心突破在于首次实现光谱可区分性与空间关联特征的联合优化。SDE模块通过物理机理驱动的信号处理增强本质特征，而PPF模块则利用数据驱动方式挖掘深层模式，二者协同作用克服了传统方法对人工特征的依赖。值得注意的是，该方法在保持高精度的同时，计算效率较三维卷积网络提升40%，具备工程应用潜力。

结论强调，SDE-PPF为复杂环境下的伪装目标检测建立了新范式，其技术路线可扩展至矿物勘探、农业监测等领域。未来工作将聚焦于实时处理系统的开发，以及跨传感器泛化能力的提升。这项研究不仅推动了高光谱成像技术的军事应用，也为多模态遥感数据分析提供了方法论参考。