为了抑制高光谱图像(HSI)混合像元和噪声在复杂背景中对异常目标检测的干扰,充分提取和利用HSI的光谱特征和空间特征,提出了一种基于端元提取和低秩稀疏矩阵分解的HSI异常目标检测算法。首先,对原始HSI进行最优分数阶傅里叶变换。然后,采用连续最大角凸锥算法对变换后的HSI进行端元提取,得到端元和相应的丰度矩阵,并通过行约束的低秩稀疏矩阵分解方法将丰度矩阵分解为具有低秩特性的背景分量和具有稀疏特性的异常分量。最后,构建背景协方差矩阵,通过马氏距离检测异常目标。实验结果表明,本算法在HSI异常目标检测中具有很好的检测性能。

针对低秩稀疏矩阵分解的高光谱异常目标检测算法忽略了图像的空间信息, 导致检测精度低的问题, 提出了一种联合空间信息的改进低秩稀疏矩阵分解的高光谱异常目标检测算法。算法综合利用了高光谱图像的光谱信号与空间信号, 并与图像自身的稀疏性相结合, 对经典的基于低秩稀疏矩阵分解的目标检测算法进行改进, 该算法以待测像元为中心构建一定大小的空间窗, 计算中心像元与邻域内其他像元的空间相似度权值和光谱相似度权值, 通过计算邻域内其他像元对中心像元的比例权值得到了中心像元的重构光谱值并作差得到两者的残差矩阵; 最后基于低秩稀疏矩阵分解的高光谱异常目标检测算法得到图像的稀疏矩阵, 将代表异常目标信息的稀疏矩阵和残差矩阵相加并求解矩阵行向量之间的欧式距离得到像元的异常度, 设置阈值, 得到检测结果。为验证所提算法的检测性能, 采用了真实的高光谱数据进行仿真实验, 并与现有算法进行对比, 结果表明该算法能够得到更高的检测精度。

异常目标检测在高光谱图像(HSI)处理领域发挥越来越重要的作用。低秩稀疏矩阵分解算法(LRaSMD)可将背景和异常区分开,可以极大地减弱异常目标对背景的污染。基于此,提出一种基于低秩稀疏矩阵分解和稀疏字典表达(LRaSMD-SR)的高光谱异常目标检测算法,通过LRaSMD的方式获取背景集,通过稀疏表达的方式从背景集中构建背景字典模型,最后通过计算重构误差来检测异常点。该算法在模拟和真实数据上都进行了有效性验证,实验结果证明LRaSMD-SR算法具有非常好的异常目标检测性能。