基于近似后驗信息的高光譜異常檢測

王強輝，華文深*，黃富瑜，張 炎，嚴 陽

1. 陸軍工程大學石家莊校區電子與光學工程系，河北 石家莊 050003 2. 中國人民解放軍31681部隊，甘肅 天水 741000

引 言

高光譜圖像(hyperspectral image, HSI)是一種包含空間和光譜信息的三維圖像，其光譜分辨率極高，包含了從可見光到中紅外甚至長波紅外數百個連續波段的光譜信息，像元光譜曲線近似連續，利用光譜信息進行目標檢測具有廣泛的應用。根據是否提前掌握目標光譜作為先驗信息，目標檢測分為需要先驗信息的光譜匹配檢測和不需要先驗信息的異常檢測。由于目前缺少完備且實用的光譜庫，先驗信息的獲取極為困難，不需要先驗信息的異常檢測成為研究的熱點[1]。

異常檢測是指通過挖掘圖像中的光譜和空間信息將圖像中存在的異常像元檢測出來。經典的異常檢測算法源自多光譜圖像的RX算法[2]，是由Reed和Yu提出的基于廣義似然比檢驗(generalized likelihood ratio test, GLRT)的恒虛警率(constant false alarm rate, CFAR)方法。其假設背景服從多元高斯分布，而異常目標偏離這種分布，通過計算待測像元與背景的馬氏距離實現異常檢測。由于該算法背景的獲取源于整幅圖像，不可避免地將異常成分混入背景中，造成檢測精度較低、 虛警率較高。為了更為準確地獲取背景數據、 提高檢測效果，Taitano等提出了局部RX(local RX, LRX)算法[3]。該算法通過建立滑動雙窗口模型，使背景的提取更為準確，提高了檢測精度[4]。近年來，基于低秩稀疏矩陣分解(low rank and sparse matrix decomposition anomaly detection, LSMAD)的異常檢測算法[5]有了較大的發展，該算法將高光譜數據矩陣分解為低秩背景矩陣、 稀疏異常矩陣和噪聲矩陣[6-7]，然后利用低秩背景的協方差矩陣和均值向量構造RX算子，提取異常點實現異常檢測。……