针对目前已有的高光谱异常检测算法大多只利用了高光谱图像的光谱维信息，而没有体现高光谱数据“图谱合一”的优势，导致算法检测性能不佳的问题，提出了一种基于非局部自相似性的高光谱异常检测（NLSSAD）算法。首先建立双立体窗，其中内窗表示待测像素光谱向量的空间—光谱三维结构窗，之后在背景中寻找与内窗最为相似的立体窗，并计算二者之间的距离从而得到待测像素光谱向量的非局部自相似性指数，并得到异常检测结果。实验结果表明，与现有的算法相比，所提算法在检测率和运算速度上均有较好的表现。

针对现有的高光谱图像异常检测算法大多只注重挖掘目标与背景光谱上的差异,而忽略二者在空间结构上的差异,导致检测结果不佳的问题,提出了一种基于空谱联合的异常检测算法。为保留图像的空间结构信息,所提算法逐波段进行异常检测,通过建立双窗计算待测像素与背景亮度上的差异来衡量待测像素的光谱异常程度;然后将内窗作为待测像素的空间结构窗,寻找背景中与其最相似的空间结构窗,通过计算二者的差异来衡量待测像素的空间结构异常程度,综合光谱异常程度和空间异常程度即可得到待测像素相对背景的异常指数。遍历整个图像,将各个波段像素的异常指数对应相加即为算法的检测结果。在3组高光谱数据上的实验结果表明:与现有的异常检测算法相比,所提算法能够显著降低探测的虚警率,并且对噪声具有很好的稳定性。

针对高光谱遥感图像中存在的条带噪声,提出了一种基于低通滤波残差图的条带噪声去除算法。算法首先使用高斯低通滤波器对图像进行滤波,得到低通滤波残差图;然后借助条带噪声秩为1以及残差图中的细节与条带噪声正交的先验信息,使用正交子空间投影技术将低通滤波残差图中的条带噪声和图像细节进行分离;最后将分离出的细节信息加入滤波后的图像中。通过对上述三步不断迭代,算法能够有效地去除图像中的条带噪声,并且能够解决低通滤波法去条带造成图像模糊的问题。实验结果表明,与现有前沿的去条带算法相比,该方法能在有效去除条带噪声的同时很好地保持图像的信息。