Abstract
Ulike materialer reflekterer og absorberer forskjellige bølgelengder i ulik grad. Variasjon i disse egenskapene over et bredt spekter av bølgelengder gir materialer en unik spektral signatur. Hyperspektrale kameraer måler innkommet stråling i flere titalls smale, nærliggende spektrale bånd. Hyperspektrale bilder er typisk tatt ved fjernmåling fra et fly eller en satellitt. Disse bildene kan brukes til å finne objekter i scenen basert på objektets spektrale signatur. Dette kalles hyperspektral måldeteksjon. En type måldeteksjon kan være å detektere spektrale signaturer som avviker fra det som finnes naturlig i omgivelser og kalles avviksdeteksjon. Denne naturlige delen av scenen kalles bakgrunn. Forsvarets Forskningsinstitutt har utviklet et demonstratorsystem for måldeteksjon i hyperspektrale bilder som prosesserer i sann tid. Avviksdeteksjon er et steg i dette systemet og baserer seg på antagelsen at bakgrunnen kan representeres med en veldefinert bakgrunnsmodell. Pikslene som avviker fra denne modellen blir detektert som avvik. Metoden utviklet for avviksdeteksjonen gir gode resultater, men det er også en betydelig del av bakgrunnen som blir detektert som avvik ved deteksjonen av vanskelige mål.
Hovedfokus i denne oppgaven er å finne en måte å redusere andel av disse falske avvik. Den største gruppen med avvik får man ved deteksjon av vanskelige mål i skyggen. Bakgrunnsmodellen baserer seg på et uttrekk av data fra det hyperspektrale bildet. Ved å få et uttrekk som representer bakgrunnen slik at skygge og ikke-skygge pikslene vektes likt, vil det bli enklere å detektere slike mål. Ulike uttrekksmetoder og ulike datatransformasjoner er undersøkt og testet. Det viser seg at et balansert datasett trukket med tilfeldig Gaussisk uttrekk av kvadratrotskalerte hypersfæriske data forbedrer betraktelig deteksjonsytelse i hyperspektrale bilder med store kontraster mellom sol- og skyggepikslene. Ved valg av metoder er det tatt hensyn til at disse skal kunne implementeres i FFIs demonstratorsystem og skal kunne prosessere i sann tid.
Metodene er testet på data tatt opp med HySpex, et hyperspektralt kamera som er utviklet av (Norsk Elektro Optikk (NEO). HySpex VNIR (visible and near-infrared) modul som dekker spektralt område mellom 0,4 og 1 er brukt.
Different materials reflect and absorb different wavelengths at varying degrees. The variation of these attributes from a broad spectrum of wavelengths gives a material a unique spectral signature. Hyperspectral cameras measure incoming radiation in a number of contiguous and narrow spectral bands. Hyperspectral images are typically recorded from planes or by satellite. These images could be used to find objects in the scene based on the objects’ spectral signature. This is called hyperspectral target detection. One type of target detection is the identification of spectral signatures which differ from the natural background. This is called anomaly detection. The natural part of the scene is called background. The Norwegian Defence Research Establishment (FFI) has developed a system for real-time target detection in hyperspectral images. Anomaly detection is one part of this system. The anomaly detection is based on the assumption that the background could be represented by a well defined background model. The image pixels which defer from this background model are detected as anomalies. The method developed for anomaly detection performs well, but a significant part of the background is detected as anomalies when trying to detect hard to find targets.
The main focus of this master thesis is to find a method to reduce the number of false anomalies. The largest part of false anomalies is received when trying to detect hard to find targets in shadow. The background model is based on a subset of data from the hyperspectral image. By developing a subset which represents the background in a manner which weighs shadow and non-shadow pixels equally, it will be easier to detect the hard to find targets. Different methods for data subtraction and transformation have been examined and tested. It is shown that a balanced dataset made by random Gaussian subtraction of square root scaled hyperspherical data, significantly improves detection rate in hyperspectral images with large contrast between sun and shadow pixels. When it comes to choosing methods for subtraction and transformation, the possibility of implementing these in the system for target detection and the possibility of real-time processing has been prioritized.
The methods have been tested on images recorded with HySpex, a hyper spectral camera developed by Norsk Elektro Optikk (NEO). The HySpex VNIR (visible and near-infrared) module with a spectral coverage between 0.4 µm and 1 µm has been used.