视觉注意机制具有快速引导关注到重点区域的特性, 将其引入高光谱图像异常检测中具有可行性。本文从采样方式、波段选取、融入局部光谱特征 3方面构建更适用于计算高光谱图像显著性的视觉注意机制模型。针对经典的基于高斯统计分布假设的 RX异常检测算法在背景参数估计中易受潜在异常干扰的问题, 利用视觉显著性结果对原图像进行高斯加权, 在加权后图像中进行背景均值与协方差的重新估算, 进而使用更精确的背景参数对原图像进行 RX异常检测。在 5个经典数据上的实验结果表明, 本文方法有效地表现了潜在的异常目标, 改进的 RX异常检测算法具有更高的检测精度与更低的虚警率。

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。

高光谱图像的异常检测是星上处理中重要的研究内容之一,提出了一种在传统RX算法基础上结合增量学习和层级化的高光谱图像异常检测方法。采用增量学习,当生成新的协方差矩阵时不需要计算所有样本的协方差矩阵即可对检测器模型进行更新,避免了数据的重复计算和逆矩阵的求解。利用层级化方法有效地抑制背景, 提取目标光谱, 增强了检测器的性能。实验结果表明: 相较于SAM算法和传统RX算法, 所提算法检测概率最高,其检测结果与地面目标最为接近; 所提算法的计算复杂度得到了数量级的减弱,与SAM算法相比,运行时间缩短了0.215 s, 因此具有更高的检测速度,占用更少的星上资源,优于传统的RX算法。

高光谱遥感影像包含了丰富的光谱信息, 对于地物具有极强的分辨能力, 从而促进了不需任何先验信息的高光谱异常目标探测技术的发展。 KRX（Kernel RX）异常探测算法巧妙地利用核函数将RX算法映射至高维特征空间, 加强了光谱中非线性信息的运用, 具有较强的可分辨性, 显著改善了低维空间的光谱不可分问题。 然而, 也暴露了KRX算法中病态Gram矩阵求逆误差大, 异常检测效率低等缺点。 为实现理论上KRX算法的强探测性能, 提出一种基于新型聚类方法的改进KRX探测算法（DC-KRX）。 （1）由于空间邻域像元具有较强的光谱相似性, 会造成Gram矩阵病态, 严重影响了异常探测效果, 因此背景虚检现象严重。 针对病态Gram矩阵的求逆误差问题, 算法改进了KRX算子, 对Gram矩阵进行奇异值分解, 选取特征值较大的主成分, 保证了Gram矩阵的求逆精度, 待测像元的探测结果采用l-2范数表示, 检测效果提高明显; （2）在改进KRX的基础上, 提出了空间聚类KRX算法。 空间像元之间具有光谱强相关性, 既造成了Gram矩阵的病态, 数据的冗余也影响了探测效率。 实验发现, 通过聚类算法可以合并像元于聚类中心, 减少空间维度, 提高计算效率; 同时, 聚类中心按照聚类大小被赋予不同的权重, 保证了探测精度; （3）另一方面, 选用合适的聚类算法是一个难点。 聚类KRX算法对于聚类算法的精度和实时性要求较高, 比较发现, 一种基于密度峰值快速搜索（DC）的新型聚类算法具有较好的聚类性能。 算法采用欧式距离计算任意像元的相似度, 利用局部密度和邻域距离作为聚类中心的联合判断准则, 对结果进行排序得到聚类中心。 实验发现, 该聚类算法计算速度快, 且能够对任意形状的分布进行聚类, 非常适合于维度较高, 成分复杂的高光谱图像, 且适用于较高次数的重复聚类。 DC-KRX算法提供了一种空间聚类预处理的高光谱异常探测新思路, 最后, 与国际主流探测算法对比发现, 该算法表现了较好的探测性能。 同时, 时效性对比分析发现, 聚类前后算法的检测效率提高了30%以上, 有效改善了KRX算法的实时性。

针对使用滑动窗不易检测高光谱图像边缘像元的缺陷, 采用边缘扩展的方法使得边缘像元能够得到正常检测;而后在滑动窗内采用局部求和的方式建立高光谱图像数据模型, 提高了检测的合理性;最后为验证算法的有效性, 利用真实的高光谱数据进行实验, 结果表明该算法优于传统RX算法和KRX算法, 能检测到更多的异常目标, 且降低了虚警率。

随着光谱分辨率越来越高，高光谱图像更容易受到噪声的干扰，直接用传统的检测算子会产生较高的虚警。针对RX 算法存在较大噪声干扰的问题，提出了一种基于混合噪声评估的RX 异常检测方法。首先对高光谱图像进行分块，利用滤波的思想选取均匀图像块；考虑图像光谱-空间信息，运用多元线性回归分析对均匀图像块进行混合噪声评估；然后将高光谱图像和混合噪声进行作差，消除噪声的干扰；最后运用RX 算子进行异常检测。实验结果表明，该方法达到了消除噪声的效果，与RX 和MNF-RX 算法相比具有更好的目标检测性能。

为了解决高光谱目标检测中高斯径向基核、光谱相似度量核难以同时描述光谱曲线整体及局部特性的问题，利用光谱信息散度与梯度角正切相结合的光谱区分方法构造了一种新的核函数. 对真实机载可见红外成像光谱仪高光谱数据进行高光谱核异常检测，得到二值图及接收机操作特性曲线. 结果表明，在低虚警率下,相比于高斯径向基核、光谱相似度量核， 本文所提出核函数在高光谱核异常检测中准确度与清晰度更高.

随着光谱成像技术的发展, 高光谱异常检测在遥感图像处理中的应用越来越广泛。 传统RX异常检测算法忽略影像空间相关性, 而且由于没有经过有效数据降维, 运算耗费大, 对于高光谱数据有效性不高。 高光谱影像在空间和光谱上符合高斯-马尔科夫模型。 通过建立马尔科夫参数能够直接计算协方差矩阵的逆矩阵, 避免了高光谱海量数据的庞大计算。 提出一种基于三维高斯-马尔科夫随机场模型的改进RX异常检测算法。 该方法用高斯-马尔科夫随机场模型模拟高光谱影像数据, 用最大似然近似法估计高斯-马尔科夫随机场参数, 由高斯-马尔科夫随机场参数直接构造检测算子, 并以待检测像元为中心设置局部优化窗口, 称为马尔科夫检测窗。 取窗口内数据计算均值向量和协方差逆矩阵, 得到中心像元的异常度, 通过移动窗口进行逐像元检测。 应用AVIRIS高光谱数据对传统RX算法、 高斯-马尔科夫模型背景假设异常检测算法和该算法进行了仿真实验对比。 结果表明, 该算法能够有效提高高光谱异常检测效率, 降低虚警率。 运行时间较传统RX算法提高了45.2%, 体现出更好的计算效率。

为了融合光谱形状差异信息和多项式核函数全局信息, 充分挖掘地物特征, 提高异常检测正确率, 提出了一种加权组合核RX算法。该算法在高斯核函数的基础上, 增加一个光谱角核函数。由于核函数参量和加权参量直接影响算法性能, 分别采用了随机函数法、爬山法和粒子群算法对上述参量进行了选择。结果表明, 在恒虚警率下使用粒子群算法进行参量设定得到的效果最好, 且采用加权组合核函数RX算法得到的目标检测率为83.5%, 相对于普通的核RX算法, 正确率得到了提高。