实时处理可以缓解海量高光谱数据在存储及下行传输方面带来的巨大压力, 在高光谱异常检测领域引起了研究人员的广泛关注。高光谱成像传感器通过推扫获取数据的方式已成为主流, 因此, 提出了一种基于逐行处理框架的高光谱实时异常目标检测算法。将局部因果窗模型引入Reed-Xiaoli异常检测算法中, 通过滑动局部因果窗来检测异常目标, 保证了实时处理的因果性。针对矩阵求逆过程复杂度过大的问题, 在卡尔曼滤波器递归思想的基础上, 利用Woodbury求逆引理, 由前一时刻数据状态信息迭代更新当前数据的状态信息, 避免了大矩阵的求逆运算, 减少了算法的计算量。利用模拟和真实高光谱数据进行实验, 结果表明, 在保持检测精度不变的前提下, 提出的实时算法的运算效率相比于原始算法得到显著提高。

提出了一种基于LKRX检测器的实时异常检测算法.利用局部因果滑动阵列窗, 使检测系统保持因果性.根据卡尔曼滤波器的递归思想, 利用Hermitian矩阵分块求逆引理和Woodbury引理, 将LKRX算法中核协方差矩阵以及其逆矩阵以递归方式更新, 避免了数据的重复计算和逆矩阵的求解, 大大降低了算法复杂度.通过真实数据进行实验, 结果表明, 与LKRX算法相比, 实时LKRX算法在保持相同检测精度的同时, 消耗更少的计算时间; 而与实时RX算法相比, 实时LKRX算法能够检测到更多的异常目标.

稀疏表示是一种有潜力的图像信息表示方法，已应用于图像目标检测。正交匹配追踪算法(OMP)求解稀疏系数过程计算复杂，不能满足快速处理的要求，因此引入Kalman滤波器的递归思想，提出了一种计算稀疏系数的快速OMP(FastOMP)算法。利用Hermitian引理，从上一时刻的状态更新当前信息，避免了高维矩阵数据的重复计算。为提高算法的执行效率，提出了基于GPU/CUDA(图形处理器/统一计算设备架构)的并行计算方法，充分利用GPU的并行计算能力，提高了FastOMP算法的计算速度。实验结果表明，与传统OMP算法相比，FastOMP算法可大幅度缩短计算时间并提高检测精度。