异常目标检测是当前高光谱图像处理中的一个研究热点。针对当前异常目标检测算法存在的问题, 从解决高光谱图像中含有的背景、异常目标和噪声等相关量出发, 利用高光谱图像的空间谱和光谱特性, 提出了联合低秩张量分解和稀疏表示的新的高光谱图像异常目标检测算法。该算法首先利用低秩张量分解模型对高光谱进行图像恢复, 使图像质量得到提升, 从而使得异常目标变得突出, 易于进行目标检测; 然后, 再利用稀疏差异指数进行异常目标检测, 得到需要的异常检测结果; 最后, 利用真实的高光谱图像进行仿真实验, 结果表明, 新的异常目标检测算法具有检测精度高、虚警率低和鲁棒性好的特点。

经典的RX异常检测算子假设背景数据信息符合高斯分布, 但是由于高光谱图像混有大量的加性噪声, 使得图像产生退化, 背景信息并不完全符合这类分布。针对这一问题, 提出了基于低秩张量分解的高光谱图像RX异常目标检测算法。该方法首先利用高光谱图像的张量数据结构和低秩数据特性, 引入低秩张量分解方法对高光谱图像进行数据恢复, 使得异常目标信息相比于复杂背景信息变得突出; 再利用RX异常检测算子对恢复之后的高光谱图像进行异常目标检测; 最后得到异常目标检测结果。通过仿真实验对比, 提出的新的异常目标检测方法具有检测精度高、虚警率低和鲁棒性好的特点。

高光谱图像在****和民用领域都有大量的应用, 特别是异常目标检测不需要任何先验信息, 使其成为高光谱图像处理和信息提取的关键技术和研究热点之一。通过系统的梳理、分析和研究, 对现有的异常目标检测算法进行了深入的归纳和总结, 并对高光谱图像异常目标检测涉及到的关键问题、未来的技术发展方向(如稀疏表示、张量分解和深度学习等)以及算法存在的问题进行了分析评价, 提出了一些具有创新性的观点并预测了未来的研究趋势。

针对KRX方法对高光谱图像进行异常目标检测时存在检测效率低和虚警率高的问题, 在充分分析高光谱图像数据特征基础上, 本文提出一种最优波段子空间方法的高光谱图像异常目标检测算法。该算法首先利用双边滤波方法对高光谱图像进行全局滤波, 充分利用双边滤波的优点, 使得高光谱图像背景信息得到抑制; 然后采用经典的自动子空间方法对高光谱图像进行波段子集划分; 再利用联合偏度-峰度指标, 在每个波段子集内选出最优波段; 最后利用这些最优波段构成新的波段最优子空间, 在此基础上, 在最优波段子空间中利用Kernel RX算法进行异常目标检测, 从而得到异常检测结果。本文利用真实的高光谱图像进行仿真验证, 获得异常目标、检测的虚警数和ROC等检测结果。结果表明, 该算法具有鲁棒性强、虚警率低和检测精度高等优点。

针对利用稀疏表示进行高光谱图像异常目标检测效率不高的问题，基于高光谱图像成像原理和图像结构，充分利用高光谱图像的空间特性和光谱特性，并在它们之间建立协同处理机制，提出了联合空间预处理与谱聚类的协同稀疏高光谱图像异常目标检测算法。该算法首先对高光谱图像空间特性进行分析，并结合光谱特性进行空间预处理，使得处理后的高光谱图像更易于异常目标的检测；利用建立在谱图划分思想基础上的谱聚类方法进行波段子集划分，谱聚类方法具有收敛于全局最优解、聚类速度快的特点；利用提出的新的空间和光谱协同稀疏差异指数方法对每个子集进行异常目标检测，该协同稀疏方式充分考虑了高光谱图像的空间特性和光谱特性，通过对每个波段子集检测结果进行叠加，得到最终异常检测结果。利用真实的AVIRIS高光谱图像和合成的高光谱图像对算法进行仿真实验和结果分析，结果表明该算法具有稳健性，同时检测精度高，虚警率低。

由于高光谱图像具有高阶性和背景分布特性复杂的特点, 这使得现有的算法在解决异常检测问题时存在一些不足。通过分析高光谱图像的光谱特性和空间特性, 基于统计学习理论, 利用光谱解混技术和子空间划分方法, 提出了基于光谱解混的选择性波段子集高光谱图像异常检测算法。该算法首先利用光谱解混技术提取出对背景分布特性有严重影响的端元光谱, 由此降低背景干扰突出异常目标信息; 在此基础上, 利用子空间划分方法将整个波段空间划分为大小不等的多个子空间, 并在每个子空间内利用非高斯程度度量准则提取出富含异常目标信息的特征波段; 最后, 采用 KRX算法作为异常检测算子完成异常目标检测。利用真实的高光谱图像对提出的算法进行实验验证, 结果表明该算法是有效和合理的, 具有良好的异常检测性能。