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。

针对传统单端元提取方法不能描述端元变异、限制混合像元分解精度的缺点, 提出一种基于像元纯净指数的多端元提取算法（Multiple Endmember Extraction Algorithm Based on Pixel Purity Index, PPI-MEE）。首先将图像划分为不重叠的图像块, 并分别利用改进的PPI算法提取候选端元集, 然后利用候选端元的邻域像元光谱信息对候选端元进行优化和精选。最后, 对优化精选后的端元集分类得到每类地物的多端元光谱集。仿真数据和真实高光谱数据的实验结果表明, 提出的多端元提取策略具有表征遥感图像中端元光谱变异的能力, 能够提高端元提取精度和混合像元分解精度。

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。

由于受到高光谱遥感图像传感器平台的限制, 图像的空间分辨率受到一定影响, 这导致高光谱遥感图像的像元通常是多种地物的混合, 也叫做混合像元。 混合像元的存在制约了高光谱遥感图像的准确分析和应用领域。 采用高光谱解混技术可将混合像元分解为纯净的物质光谱（Endmember, 端元）和每种物质光谱所对应的混合比例（Abundance, 丰度）, 为获取更多更精细的光谱提供了可能。 这对高精度的地物分类识别、 目标检测和定量遥感分析等研究领域具有重要的意义。 因此, 解混技术成为高光谱遥感图像领域的一个研究热点。 基于线性光谱混合模型(linear spectral mixing model, LMM), 提出了一种端元丰度联合稀疏约束的图正则化非负矩阵分解（endmember and abundance sparse constrained graph regularized nonnegative matrix factorization, EAGLNMF）算法。 该算法通过研究基于非负矩阵分解(nonnegative matrix factorization, NMF)的方法, 结合图正则化理论来考虑高光谱数据内部的几何结构, 将端元光谱稀疏约束和丰度稀疏约束应用于其中, 从而能够对高光谱数据的内部流形结构进行更为有效的表达。 首先, 构造了EAGLNMF算法的损失函数, 采用VCA-FCLS方法进行初始化, 然后, 设定相关参数, 包括图正则化权重矩阵参数、 端元光谱稀疏约束因子和丰度矩阵稀疏约束因子, 最后, 通过推导得到了端元矩阵与丰度矩阵的迭代公式, 并且设置了迭代停止条件。 该方法不受图像中是否有纯像元的限制。 实际上, 在现行高光谱遥感传感器平台情况下, 高光谱遥感图像中几乎不存在纯像元, 因此, EAGLNMF方法为高光谱遥感图像的实际应用提供了一种思路。 采用合成的高光谱数据, 构造了4个实验来分析该方法的可行性和有效性, 实验将该算法与VCA-FCLS, 标准NMF及GLNMF等经典的解混算法进行比较, 通过光谱角距离(spectral angle distance, SAD)和丰度角距离(abundance angle distance, AAD)这两个度量标准来进行比较。 实验1是总体分析实验。 在固定的信噪比和固定端元数目的情况下, 用以上三种经典方法与EAGLNMF同时进行解混。 实验2是SNR影响分析实验。 在固定端元数目和不同信噪比的情况下, 用这四种方法进行解混。 实验3端元数目分析实验。 在固定信噪比和不同端元数目的情况下, 用四种方法进行解混, 并且将结果进行对比。 实验结果发现提出的EAGLNMF方法在提取端元精度和估计丰度精度上都更为准确。 同时, 实验4是稀疏因子分析实验。 对端元稀疏约束和丰度稀疏约束之间的影响因子进行分析, 实验结果表明引入的端元稀疏约束对于解混结果也具有较好的影响, 并且端元稀疏约束和丰度稀疏约束之间的影响因子也对解混结果具有一定影响。 最后, 将该算法应用于AVIRIS所采集的真实高光谱图像数据, 将其解混结果与美国地质勘探局光谱库中光谱进行匹配对比, 其提取的平均端元精度相比于其他三种方法要稍好。

高光谱图像目标检测作为一个研究热点在**和民用方面的应用越来越广泛。为了能同时利用高光谱图像数据的空谱信息, 本文提出一种新的基于张量表示的高光谱图像目标检测算法。算法使用CP(Canonical Polyadic)张量分解技术和张量块分解(Block Term Decomposition, BTD)分别对高光谱数据进行盲源分析, 提取了有效的局部图像块空谱特征, 建立了一个基于稀疏表示和协作表示的检测模型, 针对多种类型背景复杂的场景数据进行实验, 并与当前流行的目标检测算法进行比较。从可视化检测结果来看, 本文算法在复杂背景和强噪声环境下, 有效提取了空谱特征, 对背景具有较好的抑制能力, 检测的目标显著。此外, 本文从接收机操作曲线(Receiver Operating Characteristic Curve, ROC)和ROC曲线下面积(Area Under Curve, AUC)等定量指标分析算法性能。以较为流行的Sandiego图像为例, 在10%的虚警率下, 本文算法取得90%的检测精度, AUC大于0.95。本文算法相较几种流行算法而言具有较高的检测精度, 更强的鲁棒性。

非线性解混可以解释高光谱图像复杂场景中的非线性混合效应, 但地物的光谱变异性是其中的一个难点。提出一种考虑光谱变异性的无监督非线性解混算法。通过核函数将原始高光谱图像数据隐式地映射到高维特征空间中, 从而在该空间中结合光谱变异性进行线性解混; 与此同时, 依据实际地物的分布特性, 添加丰度和光谱变异系数的局部平滑约束。模拟和真实高光谱数据的实验结果表明, 该方法能克服不同非线性混合场景中存在的光谱变异性问题, 提高光谱解混的精度。