基于偏振光谱成像的草地伪装物识别研究

Research on Recognition of Grassland Forgeries Based on Polarization Spectral Imaging

摘要: 目前高光谱成像技术在森林、草原、农业资源的遥感监测中得到广泛应用，其能够很好地利用植被在可见与近红外波段的反射光谱特征做到识别，但是依然存在无法区分具有相似光谱特征的伪装物的问题，在可见波段具有一定相似性。而由于表面材质和粗糙度的不同，偏振成像能够很好地区分相似光谱的植被和伪装物。本文旨在研究植被表面偏振光谱特征，一方面通过结合偏振成像与高光谱成像技术，丰富信息维度，解决单一光谱研究的不足，另一方面提取空间多角度下植被的偏振光谱特征，为植被和伪装物的识别打下基础。

Abstract: At present, hyperspectral imaging technology has been widely used in remote sensing monitoring of forest, grassland and agricultural resources, and it can identify vegetation well by using its reflection spectral characteristics in visible and near-infrared bands. However, there is still a problem that it cannot distinguish the precursors with similar spectral characteristics, which have certain similarities in visible bands. Due to the difference in surface material and roughness, polarization imaging can well distinguish between vegetation and precursors of similar spectra. This paper aims to study the polarization spectral characteristics of vegetation surface. On the one hand, it combines polarization imaging and hyperspectral imaging technology to enrich the information dimension and solve the shortcomings of single spectral research. On the other hand, it extracts the polarization spectral characteristics of vegetation from multiple angles in space, laying a foundation for the identification of vegetation and precursors.

1. 引言

目前，高光谱成像技术在森林、草原、农业资源的遥感监测中被广泛采用。它能够有效地利用植被在可见光和近红外波段的反射光谱特征进行识别。然而，仍然存在一个难题，即无法区分具有相似光谱特征的伪装物[1]。这种现象被称为“异物同谱”。光照和探测方位角对目标表面产生影响，导致获得的光谱数据出现“异物同谱”的情况[2]。由于表面材质和粗糙度的差异，偏振成像技术能够有效地区分相似光谱的植被和伪装物[3]。本研究旨在探讨植被表面的偏振光谱特征。一方面，通过结合偏振成像和高光谱成像技术，丰富了信息维度，解决了单一光谱研究的不足。另一方面，本文提取了空间多角度下植被的偏振光谱特征，为植被和伪装物的识别奠定了基础，最终实现了对植被环境和伪装物的快速高效识别。通过实验获取的草地偏振光谱数据及特征角度与波段，为随后的偏振特征识别研究提供了理论基础；结合实验获取的草地偏振光谱特性数据，可形成针对草地及伪装物融合的识别算法；对多种不同植被环境进行研究有助于实现更精细的识别分类，为农业和林业资源遥感监测提供了一种新的技术路线。在21世纪初阶段，偏振光谱成像技术在多个领域中尚处于起步阶段，但其近几年的快速进步已经让它在农业、医疗、军事和民用等多个领域找到了广泛的应用[4]。空军航空大学采用高光谱成像方法收集了9种典型军用伪装材质及其操作环境下的光谱信息，分析了这些样本的光谱波段和反射率之间的对应关系，通过光谱和机器学习算法分析了这些数据，将高光谱技术应用于军事伪装评估，为选择伪装检测的光谱波段和材料提供了科学依据[5]。南京航空航天大学的杨玲研究了一些绿色植物在可见光和近红外波段的光谱反射率，以及在远红外波段的发射率，进一步分析了影响这些参数的因素，并在此基础上设计了模拟伪装材料，为我国军事伪装技术的发展提供了新思路[6]。2015年，华中师范大学运用高光谱技术对土壤中有机质含量进行了测量，相比传统使用化学试剂的土壤测试方法，这种高光谱成像技术因其快速、无损的特性在土壤属性分析中展现了显著优势[7]。2017年，王小龙等研究人员收集了不同时间段内荒漠背景下的伪装目标光照角度和观测角度下的高光谱偏振特性数据，为在此类环境下的伪装目标检测提供了科学基础[8]。2019年，西安电子科技大学的李文博构建了一个散射特性模型，通过射线追踪算法模拟了典型环境下活动目标的高光谱成像，为高光谱成像技术的应用提供了仿真基础[9]。2020年，贾镕等人结合高光谱偏振成像技术和系统，对几种典型伪装材料进行了检测，获取了这些材料与周围环境的光谱反射率变化曲线，并分析了伪装材料的偏振参数[10]。在国际上，自20世纪80年代末期，美军实验室就开始利用AVIRIS系统收集伪装材料和植被的高光谱数据，开展初步的军事目标识别和分类研究。2007年，美国空军基地通过Tacsat-3卫星在太空中部署了高光谱传感器，而德国、南非等国也开始研究高光谱技术[11]。2012年，比利时首次在CMOS传感器上集成了Fabry-Perot干涉滤光片，为高光谱成像设备的发展奠定了实验基础[12]。在2017年，由美国和法国领头的10个国家部署了各种类型的高光谱成像设备(包括可见光、近红外、短波红外波段)，他们在特设的试验场内开展了众多实验，为军事及伪装目标的探测，及其作战环境的模拟收集了大量图像数据，这些工作为当下伪装系统的技术研究提供了数据基础[13]。2020年，F. Racek与团队借助高光谱传感技术，对选定目标的光谱特性进行了测量，成功搜集了北约地区自然环境下的高光谱图像资料[14]。

通过对比国际内外在偏振光谱领域的研究动态，可以明显看到其发展轨迹：从最初的定义阶段发展至今，偏振光谱技术已经走过了数十年的历程。这一期间，该技术在地物遥感探测、目标辨识等方面取得了突破性的进展。特别是在特定波段，如可见光、激光及红外波段的散射与辐射研究上，偏振光谱的应用范围已经大大扩展。这些研究成果表明，偏振图像在增强目标与背景对比度、提升识别准确性以及在复杂环境中有效探测伪装目标方面具有关键作用。通过分析伪装材质与环境的偏振特性差异，挑选合适的偏振参数不仅能够增强目标的纹理细节，提升其在视觉上的对比度，而且通过光谱偏振特性分析，选择适当波段以便于迅速而准确地识别伪装物。偏振光谱技术的遥感应用进一步促进了对地面植被、农作物生长状况的研究，为农业发展提供了重要支持。通过对草地偏振光谱特性的相关研究，可以为农林业遥感监测提供一定的参考，有助于实现更准确的探测结果。草地偏振光谱特性的优点在于显著提高了人造光谱伪装材料的对比度，对于军事目标探测具有一定的意义[15]。

2. 实验方法

本文使用的全Stokes偏振光谱相机是由Canon公司生产的18~135 mm变焦镜头、Meadowlark公司生产的LCPR和LCVR、CRI公司生产的LCTF、滨松公司生产的CH13440 CMOS相机、双凹透镜组、三维位移台和计算机控制部分组成，为了使用方便，将其分为上下两层，上层为光路探测系统，下层为控制电路系统，并配备了移动电源。图1所示为研制的一种全Stokes矢量偏振光谱成像系统的结构示意图。

Figure 1. Structure diagram of full Stokes vector polarization spectral imaging system

图1. 全Stokes矢量偏振光谱成像系统结构示意图

在1852年，英国的物理学者斯托克斯引入了四个参数的概念，用以全面表述一束光波的光强和偏振状态。这些斯托克斯参数能够描述从完全偏振光到部分偏振光，以及自然光的特性，不论是单色光还是复合光，都能被这套系统完整地定义。斯托克斯矢量法利用这些参数I、Q、U、V来具体描绘光的强度及其偏振情况，斯托克斯参数的具体定义如下所示：

$\overrightarrow{S}={\left[IQUV\right]}^{\text{T}}$(1)

也可表达式为：

$S={\left[S_0,S_1,S_2,S_3\right]}^{\text{T}}$ (2)

此四维矢量经常被应用于详尽描述目标与光发生作用后偏振状态的变化，其中S₀涉及光的强度变化；而S₁和S₂用于代表线偏振光的振动方向，它们分别对应于0˚、90˚以及45˚、135˚偏振方向上的偏振光；而代表的是相位差的变化，这一变化反映在左旋和右旋圆偏振光的光强差异上。相关的关系式展示如下：

$S=\left(\begin{array}{c}\begin{array}{c}{S}_0\\ S_1\\ S_2\end{array}\\ S_3\end{array}\right)=\left(\begin{array}{c}\begin{array}{c}I\\ Q\\ U\end{array}\\ V\end{array}\right)=\left(\begin{array}{c}\begin{array}{c}{I}_0+I_{90}\\ I_0-I_{90}\\ I_{45}-I_{135}\end{array}\\ I_R-I_L\end{array}\right)$ (3)

这使得四个斯托克斯参数的物理含义变得清晰：S₀参数代表整体光强，等同于两个垂直方向上线偏振光分量的总光强；S₁参数反映了水平与垂直方向上光强的差异；S₂参数对应45˚方向与−45˚方向上线偏振分量的光强差；S₃参数描绘了右旋与左旋圆偏振光之间的光强差异。通过对完全偏振光的分析，我们能进一步掌握这些参数之间的关联性。

对于完全偏振光的情况：

$S_0^2=S_1^2+S_2^2+S_3^2$ (4)

对于部分偏振光而言：

$S_0^2>S_1^2+S_2^2+S_3^2$ (5)

而完全非偏振光的情况则满足：

$S_1=S_2=S_3=0$ (6)

对于一般情况的部分偏振光，可以看成完全偏振光和自然光的叠加，这里通过引入由Stokes参数定义的偏振度P来表示偏振部分光强占总光强的比重：

$P=\frac{\sqrt{S_1^2+S_2^2+S_3^2}}{S_0}$ (7)

由此部分偏振光就可以表示为：

$S=\left(\begin{array}{c}\begin{array}{c}{S}_0\\ {S^{\prime }}_1\\ {S^{\prime }}_2\end{array}\\ {S^{\prime }}_3\end{array}\right)=\left(1-P\right)\left(\begin{array}{c}\begin{array}{c}{S}_0\\ 0\\ 0\end{array}\\ 0\end{array}\right)+P\left(\begin{array}{c}\begin{array}{c}{S}_0\\ S_1\\ S_2\end{array}\\ S_3\end{array}\right)$ (8)

其中$S_0^2=S_1^2+S_2^2+S_3^2$ ，上公式表示的就是部分偏振光的组合表示。

偏振光谱相机可同时采集物体的光谱和偏振图像，其中偏振部分通过获取的四个(I、Q、U、V)Stokes矢量来计算图像的偏振度(DoP)，偏振角(AoP)，线偏振度(DoLP)以及圆偏振度(DoCP)。高光谱部分分为可见光(400~720 nm)、近红外光(900~1700 nm)两个范围。偏振度(DoP)、偏振角(AoP)、线偏振度(DoLP)、圆偏振度(DoCP)四个偏振信息可从Stokes矢量中计算，分别为

$\text{DoP}=\frac{\sqrt{S_1^2+S_2^2+S_3^2}}{S_0}$ (9)

$\text{AoP}=\frac{1}{2}\arctan \frac{S_2}{S_1}$ (10)

$\text{DoLP}=\frac{\sqrt{S_1^2+S_2^2}}{S_0}$ (11)

$\text{DoCP}=\frac{S_3}{S_0}$ (12)

这四个参数紧密关联于目标物体的轮廓信息和表面粗糙度，它们在表面检测、图像恢复等领域有着广泛的应用，特别是在室外这样的复杂光照环境中进行目标识别。与传统的光强图像相比，在弱光目标识别和遭遇云雾等不利探测条件时，利用偏振光进行探测显示出明显的优势[16] [17]。

3. 实验结果与分析

实验中偏振光谱相机采集0˚、45˚、90˚、135˚四个偏振方向角的光谱图像，依靠获取的四偏振态图像数据，可以计算得到Stokes矢量中的S₀、S₁、S₂图像。进一步计算可以获得偏振角(AoP)、线偏振度(DoLP)、电场分量(E_x、E_y、$E_x-E_y$ )、差分信息(PDI)等参量图像。

Figure 2. The comparison of polarization angle and linear polarization degree images

图2. 偏振角与线偏振度图像对比

由图2可以看出，偏振角图像对目标本身材质敏感，不同材质的灰度值差异明显，而偏振度图像对目标轮廓敏感。

图像数据在计算机中可视作是二维/多维矩阵，对于需要进行研究的感兴趣区域，ROI提取算法可将一组光谱图像的目标区域强度值提取保存并绘制曲线图。具体实现步骤如下：

I. 按照“波长–参量后缀.tif”的格式对一组光谱图像数据进行重命名；

II. 软件自动读取图像，根据选择的感兴趣区，在图像数据矩阵中提取对应数值，计算区域内的平均值、标准差等，记录数据值与对应波长；

III. 根据记录的(多个)感兴趣区数据值，自动绘制光谱曲线变化图。

对每种材质采取如下表所示的取样法进行取样，提取的ROI曲线如图3所示。

选取草地背景阳光直射区域、草地背景阴影区域、伪装网阳光直射区域，对比不同偏振参量下它们的偏振参量光谱曲线。偏振参量光谱曲线对比如图4所示。

Figure 3. Effect diagram of ROI curve extraction

图3. ROI曲线提取效果图

Figure 4. Comparison of spectral curves of different polarization parameters

图4. 不同偏振参量光谱曲线对比

从结果可以看出同一种背景的相同条件相近区域的光谱曲线变化趋势基本一致，少部分区域的曲线不一致可能原因是草的叶片、根茎部位不同或朝向不一致，同一种伪装物的相同条件相近区域的光谱曲线变化趋势较为相近，少部分区域的曲线不一致可能原因是伪装物表面颜色不同或朝向不一致。

4. 结论

通过本文的实验结果我们可以分析得出在400~720 nm波长范围内草地和伪装物之间具有相似的光谱曲线趋势，很难分析出它们之间的差异性，而我们在进行偏振光谱成像的实验后通过对获得的偏振参量图像的分析可知，草地和伪装物的偏振角图像差异非常明显，由于伪装物本身的迷彩变化导致区域内的起偏能力发生改变，在400~500 nm波长范围内背景草地的AoP值大于伪装物，而在500~720 nm范围内则恰好相反，很好地体现了二者间的差异性。本文的工作以偏振光谱相机作为成像设备，通过宽谱段更好地获取不同偏振态下的图像而后计算得出不同的偏振参量图像，通过分析其不同的偏振参量图像从而区分了具有相似光谱特征的草地和伪装物，提高识别的精准度。