张国云, 欧阳慧婷, 涂 兵, 杨先畅

(湖南理工学院 信息科学与工程学院, 湖南 岳阳 414006)

0 引言

异常检测是高光谱图像处理和高光谱遥感应用领域的重要课题之一, 在军事安全、环境污染监测、地质勘探以及农林监控等实际应用中发挥了重要的作用[1].异常目标通常具有两个明显特征, 即概率低、数量少[2].利用这两个特征, 许多经典异常检测算法被提出, 如RX算法[3]、低秩与稀疏分解算法[4]、协同表示算法[5]和基于机器学习的异常检测方法等.RX算法通过求解待测像元与背景像元光谱均值之间的马氏距离得到检测结果, 但该算法需假设背景模型符合高斯分布, 而大部分情况下该条件无法满足[6].基于背景数据具有低秩性而异常数据具有稀疏性的假设, 低秩与稀疏分解算法将数据矩阵分解为一个低秩矩阵和一个稀疏矩阵.基于低秩与稀疏分解的算法最重要的是建立一个完善的过完备字典, 但是由于异常和背景先验信息的缺失和孤立噪声的污染, 当异常覆盖面积较大时, 异常可能会被纳入到背景字典中.基于机器学习的高光谱异常检测方法, 不需要评估背景统计量, 避免了背景建模的不准确.Li[7]等首先训练深度卷积神经网络(CNN)并用于高光谱异常检测.基于机器学习的方法通常需要复杂的计算过程和参数分析, 其中核参数和惩罚参数的优化直接影响分类结果的准确性.协同表示通过背景像元的线性组合来表示中心像元, 将得到……