基于非局部群稀疏与低秩正则化的高光谱异常检测模型创新研究

高光谱异常检测(HAD)作为无监督检测任务，在军事与民用领域应用广泛。针对异常污染干扰和空间信息利用不足等挑战，研究人员提出基于非局部群稀疏表示与低秩正则化(NGSM-LR)的新方法：通过奇异值分解(SVD)净化非局部相似立方体构建的群字典，消除异常像素干扰；同时建立优化模型协同挖掘字典域系数的稀疏性与低秩特性，实现局部与全局空间信息融合。实验证明该方法在四个数据集上精度超越现有先进检测器。

　　

高光谱异常检测(Hyperspectral Anomaly Detection, HAD)作为无需先验标签的无监督检测技术，在军事目标识别与环境监测等领域具有重要价值。然而该技术面临两大核心挑战：背景字典易受异常像素污染，且传统方法对高光谱图像(HSI)空间特征的挖掘存在局限。

研究团队创新性地将非局部自相似立方体(nonlocal self-similar cubes)构建为特征群组，通过奇异值分解(Singular Value Decomposition, SVD)技术对群字典进行提纯，有效剥离异常像素的干扰。更巧妙的是，该方法建立的多目标优化模型能同步捕捉字典域表征系数的两大本质特性——群稀疏性(group sparsity)与低秩性(low-rankness)，从而实现对高光谱图像本征几何结构的精准建模。这种双管齐下的策略既保留了局部像素关联，又通过低秩约束整合了全局空间相关性。

在四个标准高光谱数据集上的对比实验表明，这种名为NGSM-LR的检测器在接收者操作特征曲线(ROC)和区域重叠率等指标上，显著优于基于协同表示(CRD)或低秩表示(LRR)的传统方法，为复杂场景下的弱小目标识别提供了新思路。