高光谱图像异常目标检测算法研究进展与未来挑战

《Geocarto International》：Research progress on anomaly target detection algorithms for hyperspectral imagery

本文系统综述了高光谱图像异常目标检测（HSI-ATD）的研究进展，详细梳理了基于统计、子空间、核方法、稀疏表示、数据分解、拓扑和深度学习等七类算法，并探讨了未来发展趋势（如深度学习、多模态和实时处理）及现存问题，为相关领域研究者提供了重要参考。

　　

高光谱图像异常目标检测算法研究综述

高光谱图像（HSI）数据在遥感图像中扮演着重要角色，它结合了成像技术和光谱技术，形成了能够同时捕获地物空间位置信息和精细光谱特征的三维图像-光谱融合图像。HSI数据包含数十至数百个连续的、高分辨率的窄波段图像数据，记录了地物的电磁波信号或能量。基于此，可以构建数学模型来描述地物特征。因此，HSI在国土资源调查、地质灾害评估、城市规划和救灾等领域具有广泛应用。

异常目标检测（ATD）是指在不需任何目标光谱先验信息的情况下，通过算法识别出与背景信息特征迥异的像素并将其归类为异常目标的过程。由于异常检测是在没有明确先验知识的情况下进行的，其检测过程是无监督的。与HSI分类、解混、去噪等任务相比，HSI-ATD无需预先获取异常目标的光谱、颜色、纹理等先验信息，整个检测过程处于盲检测状态，这使得异常目标检测更具挑战性。

近年来，HSI-ATD的研究日益成为遥感图像研究领域的热点之一。国内外研究者发表了大量关于HSI-ATD研究与应用的成果。总体而言，这些成果具有良好的创新性，并解决了异常目标检测中的一些问题。然而，目前HSI-ATD仍面临诸多难题。首先，HSI具有波段数量多、相邻波段间相关性强、能综合描述地物光谱信息等特点，但同时也带来了数据量大、数据冗余度高的问题。这些问题一方面影响图像处理的效率，另一方面也影响图像处理和信息提取的精度。其次，HSI中存在的光谱混合问题，由于高光谱成像光谱仪技术的限制，尽管光谱波段数量增加，但空间分辨率受到一定影响，光谱混合问题在HSI中普遍存在，制约了图像检测和处理的精度。因此，如何在HSI处理和信息提取中做好混合像素分解已成为一项重要的研究内容。最后，同物异谱问题，HSI是地表物质光谱特征的图形化表达。地表物质种类繁多，同种物质在不同环境和背景下可能呈现同物异谱的现象。目标光谱的状态以及背景信息的真实分布与模型假设是否存在差异，都会影响HSI的处理效果。

异常目标检测方法

HSI-ATD的本质是利用光谱信息以及空-谱信息来识别感兴趣的目标。随着信息和光电传感领域新技术的快速发展，在成像模式方面，HSI在保持极高光谱分辨率的同时，呈现出多模态和信息一体化获取的新趋势。这导致HSI异常目标检测方法的研究呈现出新的特点。

现有的HSI异常目标检测方法主要分为7大类，包括：基于统计的方法、基于子空间的方法、基于核的方法、基于稀疏表示的方法、基于数据分解的方法、基于拓扑的方法和基于深度学习的方法。

基于统计的方法

在异常目标检测中，统计模型主要对背景信息的模型进行假设，该模型基于地表观测值与图像DN值（或反射率、反射波段）的组合形成。由Reed和Yu提出的RX算法是最经典的基于统计模型的异常检测算法之一。RX算法采用多元统计分析，假设背景模型符合多元高斯分布，识别不符合背景统计特征的异常点作为目标，并采用双窗口滑动模式（背景窗口为外窗，目标窗口为内窗）进行检测。它通过计算背景图像数据的均值和协方差来获得检测算子，RX算法是一种基于广义似然比检验的恒定误警率（CFAR）异常检测算法。

除了RX检测器，还发展了许多扩展方法，包括深度RX（deep-RX）、局部RX检测器（LRXD）、全局RX检测器（GRXD）、加权RX（weighted RX）、分段RX（RXSD）和MCD-RX等。然而，RX算法的性能受到两个主要问题的限制：1）传统的RX距离度量未能考虑不同波长光谱波段间的高阶关系；2）局部高斯假设和背景分布的同质性在某些场景下可能不成立。

分数阶傅里叶变换（FrFT）在处理非平稳信号方面比传统傅里叶变换更有效，这种能力使其特别适用于HSI-ATD。FrFT可以在分数阶傅里叶域中抑制原始HSI中的噪声。近年来，为了解决RX算法需要高斯统计模型的问题，Liu等人提出了2G-GLRT方法，该方法考虑了每个测试像素周围的背景信息，并聚合相邻像素来检测多像素异常，取得了良好的检测效果。

基于统计的方法是HSI-ATD的一类经典算法。它们通过距离等度量方法确定背景与异常目标之间的差异，在异常检测中取得了良好的准确性。然而，此类方法需要预先对背景模型进行假设，例如高斯模型。尽管如此，在HSI中，某些图像的背景并不符合高斯模型，因此一些方法在异常目标检测中的性能精度受到限制。

基于子空间的方法

HSI数据由数十至数百个波段组成，这使得其对地面目标的识别更加精确。但由于图像数据量大、维数高，增加了HSI的处理难度，使得一些现有的图像处理技术无法满足HSI的要求。Chang提出的正交子空间投影（OSP）方法可以同时降低HSI数据的维度，抑制不感兴趣的信息，并有效检测所需目标。

OSP方法的基本过程是将像素向量投影到与干扰特征正交的子空间上，这是最小均方误差意义下的最优干扰特征抑制过程。一旦干扰特征被消除，残余信号被投影到感兴趣的特征上以最大化信噪比，并生成单一图像，可作为目标检测和识别的基础。

在正交子空间的基础上，Cheng等人提出了一种新的基于子空间的异常目标检测方法，该方法通过PSO优化的模糊C均值聚类方法将待检测HSI的所有波段划分为若干波段子空间，并将每个子空间中的HSI分类为一类。然后，利用稀疏分解对每个子空间进行异常目标检测，并在此基础上叠加每个子空间的异常检测结果，得到最终的检测结果。

基于子空间的方法利用HSI数据向量生成子集空间，在子空间中可以获得具有较好分离性的背景像素和异常目标像素。这样，在通过子空间降低算法计算复杂度的同时，可以获得更好的异常目标检测结果。

基于核的方法

HSI在波段间表现出非线性特性，这很难用传统的线性方法处理。因此，利用核函数等非线性方法已成为解决方案之一。核RX（KRX）算法是一种非线性的RX算法。

KRX算法由Kwon和Nasrabadi提出，是经典的基于核的非线性RX异常目标检测算法。它利用HSI波段间的非线性特性，引入高斯核函数来解决HSI高维性引起的数据计算问题。与RX算法相比，HSI-ATD在准确性和误报率方面都有一定的改进。然而，KRX算法在数据处理中也存在计算量大、实时性差等问题。

Gurram等人提出了基于KSVDD的HSI-ATD算法，该算法从基于稀疏核的集成学习发展而来，也称为基于稀疏核的异常检测。SKAD算法将给定多元数据集所代表的正常特征随机子采样到特征子空间中。在从每个特征子空间重构的再生核希尔伯特空间（RKHS）中，定义一个支持正常数据的封闭超球面。与传统的SVDD算法相比，该算法提高了检测性能。

基于核的方法主要利用HSI波段间的非线性，在高维核空间中提高检测精度。与传统的经典算法相比，它具有更好的检测性能。然而，这类方法也存在计算开销过大的问题。

基于表示的方法

基于表示的方法在异常检测过程中不需要对图像的背景统计分布进行假设。其主要思想是，高光谱数据中的背景像素可以通过空间邻域像素或背景字典来近似表示，而异常像素则不能以这种方式表示。目前，基于表示的方法主要分为稀疏表示方法和协同表示方法。

稀疏表示可以有效解决高维信号处理问题，近年来在HSI处理中得到了广泛应用。稀疏表示的理论模型表明，系数是稀疏的，意味着只有少数几个分量是非零的。

HSI-ATD可以看作一个特殊的二分类问题，将图像中的像素分为背景类或目标类。由于像素的光谱特征可以由字典原子的线性组合表示，因此可以根据用于表示的字典原子是属于背景子字典还是目标子字典来确定像素的类别。

协同表示-based的异常目标检测方法由Li和Du提出。在CRD方法中，为了估计背景，每个像素由其滑动双窗口内的周围样本的线性组合近似表示。组合权重向量基于距离加权的Tikhonov正则化，在2-范数最小化条件下具有闭式解。通过从原始高光谱数据中减去预测背景得到的残差图像来计算异常。仿真验证表明，基于CRD的方法能够以较低的计算成本实现高效的检测性能。

基于数据分解的方法

HSI数据使用分解方法进行异常目标检测，主要利用低秩矩阵分解和张量分解等方法。低秩矩阵分解方法基于HSI数据具有稀疏性的特点，通常将低秩矩阵分解与稀疏矩阵分解相结合，以实现有效的异常目标检测。张量分解方法可以同时处理包含空-谱信息的高阶数据。HSI是三维数据，可以将其空间和光谱维度处理为三维张量。同时从光谱和空间两个维度检测HSI数据中包含的异常目标。

Song等人考虑到HSI数据中光谱波段的高维性、冗余性和相关性，提出了一种基于纹理特征提取和图字典低秩分解（LRD）的新异常检测方法。在LRD模型中，保留了背景矩阵的鲁棒信息，同时很好地分离了低秩矩阵和稀疏矩阵，并保持了背景像素的相关性。

Zhang等人提出的低秩和稀疏矩阵分解（LSAMD）方法通过利用背景信息与异常目标之间的差异，解决了高光谱数据中异常目标污染和逆协方差矩阵的问题，从而有效地分离背景和异常，提高了异常目标检测的性能。

近年来，张量分解已被应用于解决HSI-ATD问题。Zhang等人通过Tucker分解从HSI数据立方体构造的三阶张量中估计出三个因子矩阵和一个核心张量，并提出了一种基于重构误差的方法来尽可能消除背景的光谱特征。他们实施了CFAR检验来从剩余数据中检测异常，所提出的方法在检测概率和降低误报率方面取得了良好结果。

基于拓扑的方法

拓扑作为一种高效的数学工具，已越来越多地应用于图像处理中。它可以对检测目标的形状、纹理等特征进行建模，提供更精确的目标定位。同时，拓扑可以将混乱无序的数据分解为有序的形式，从而解决机器学习中的数据挖掘任务。因此，利用拓扑可以建立HSI中背景与目标之间的关系模型。通过构建HSI的数据云，实现数据像素的数值随机排列。本质上，HSI数据（一种高维数组）的异常目标检测问题是一个二分类问题。背景像素和异常目标之间的差异体现在数值差异上，从而实现目标检测的结果。

Gao等人提出了一种基于棋盘拓扑的异常检测方法。该方法不依赖于对检测到的HSI数据的模型假设，而是挖掘数据的深层特征以适应场景可变性，准确分离背景和异常。

Sun等人提出了一种基于树拓扑的HSI-ATD方法。该方法不需要假设背景模型，它直接使用树拓扑处理HSI数据本身，利用HSI的稀疏特性，提高了HSI数据特征提取的充分性和准确性。

基于深度学习的方法

随着大数据概念的提出，遥感图像的大数据处理技术也被迅速引入和发展。近年来，随着人工智能技术的发展，深度学习这一机器学习的新方向受到越来越多的关注。以深度学习为代表的HSI处理技术逐渐成为热门技术之一。深度学习不依赖于先验知识进行信息提取，它主要基于数据信息本身发现知识和规律，这与HSI-ATD的理论基础是一致的。目前，利用深度学习方法进行异常目标检测的研究仍在不断演进。因此，该方向具有巨大的研究价值和前景。特别是，深度学习与现有的稀疏表示、张量分解等新型信息处理技术的结合，必将成为HSI-ATD研究的一个重要方向。

Li等人首次将CNN方法引入HSI-ATD。该方法采用迁移的深度卷积神经网络。为了解决HSI-ATD中缺乏先验信息的问题，它使用带有标记样本的参考数据。为了增加训练样本的数量，生成像素对以扩大样本量。

Zhang和Cheng提出了一种基于基于张量的变化CNN模型的异常检测算法。它将测试张量和局部相邻张量块作为CNN的卷积核，无需训练数据集即可从字典中提取深层特征，并将字典分解为不重叠的张量块。

Xiang等人分析了当前HSI-ATD方法存在忽视HSI全局像素相似性等问题，引入了一种创新的像素相关自编码器方法，利用像素相关性来增强高光谱异常检测。

生成对抗网络是另一种用于HSI-ATD的深度学习方法。Arisoy等人训练了一个GAN模型，以生成与原始背景图像尽可能接近的合成背景图像。通过从原始图像中减去合成图像，从HSI中去除背景。生成的残差图像随后用于异常目标检测。检测结果表明，该方法在基准测试中优于其他方法。

近年来，深度学习已成为HSI-ATD领域的主流技术。Lian等人提出了一种用于高光谱异常目标检测的新型门控变换器网络。该网络充分利用了变换器在捕获内容相似性方面的卓越能力。GT-HATD由两个分支组成，分别通过挖掘HSI中的内容相似性来增强背景特征和削弱异常