高光谱异常探测相关领域研究进展

高光谱异常探测相关领域研究进展

来源： 基于协同表示与非监督最邻近规则子空间的高光谱影像异常探测[D]. 2019.
邮箱： z…@1…6.com
网站： https://zephyrhours.github.io/

高光谱遥感影像异常探测研究现状

高光谱遥感影像目标探测技术对于各个行业的发展都具有十分重要意义，尤其是在军事和国防应用中。目标探测主要通过目标匹配或对背景地物建模方式来分离背景与目标，并对背景进行抑制，达到目标识别的效果。但是在实际情况下，如受到地形、天气等影响，研究者往往很难获取感兴趣目标地物的先验信息，这种情况下，异常探测即在没有先验光谱信息情况下对高光谱遥感影像进行的无监督目标探测，变得尤为重要。在高光谱遥感影像中，异常像元的光谱往往不同于周围背景像元的光谱信息，这就为异常像元的探测创造了条件。

随着国家对基础科学研究的不断投入和科学研究人员持续不断努力，每年都会有大量关于高光谱遥感影像异常探测的新方法被提出。总得来说，高光谱遥感影像异常探测算法根据异常探测算法的模型结构和理论依据可大致分为四类：基于概率统计和子空间模型的探测算法、基于稀疏和低秩表示的探测算法、基于空-谱信息数据重构的异常算法和其他的一些探测算法。下面就分别对每一类别的探测算法进行逐一论述：

(1) 基于概率统计和子空间模型的异常探测算法

早在1990年，Reed和Yu 等人就对此类算法进行了研究，并提出了经典的RXD（Reed-X detector，RXD）算法，该种算法假定数据服从高斯分布并在无法获取先验目标信息时通过采用协方差矩阵或者自相关矩阵来估计背景信息，并以此度量每个像元与其周围背景像元之间的光谱差异，并通过矩阵求逆的方法突出与周围背景像元不相同的像元目标，从而在不借助任何先验目标信息的情况下来完成疑似目标的探测与定位。由于该种算法选取整幅影像的均值与协方差矩阵来估计背景信息，故又称为全局RX(global RX，GRX)。然而在真实高光谱影像中，背景信息复杂，使用全图均值与协方差矩阵来估计背景信息并不准确，基于此提出的一些改进算法，如局部RX(local RX，LRX)算法通过采用局部计算代替全局计算；分割RX(segment RX，SRX)算法首先对全图进行K均值聚类，然后利用待探测像元所在类别的最大邻域的均值和协方差来估计。权重RXD(weighted-RXD，W-RXD)算法[34]和基于线性滤波的RXD(linear filter-based RXD，LF-RXD)算法，这两种算法均旨在通过提高背景像元权重，减小噪声和异常像元权重的方式来提高背景信息估计中协方差矩阵与均值向量估计的准确性，从而提高影像中异常被探测出的概率。其他一些算法，如低概率目标探测算法(low probability target detector，LPTD)、基于数据白化距离的异常探测算法(whited-distance abnormity anomaly detection，WAAD) 、均衡目标探测算法(uniform target detector，UTD)等算法均是通过协方差矩阵或者自相关矩阵中的特征项值的大小来定位异常目标的位置。虽然这些利用高光谱的低阶特性进行异常探测的算法，在某种程度上提高了异常目标被探测的效率，但却没有考虑到高光谱遥感影像的光谱向量之间存在的非线性关系。

为了有效的利用这种背景像元之间的非线性关系，一些基于核空间理论的算法被成功的引入到高光谱影像的异常探测中来。如Kwon 等人提出了较为经典的非线性核RX探测(Kernel RX)算法，采用径向基核函数将原始的高光谱影像数据映射到更高维的特征空间，在高维特征空间完成背景目标与异常目标的分离；之后赵春晖等人在此基础上考虑到自然因素对影像中地物的能量造成的影响，提出了基于混合核函数的特征空间加权RX异常探测算法，通过在高维映射特征空间数据中自适应的对光谱数据加权并利用光谱角函数与径向基核函数构成新型混合核函数从而尽可能的减小异常像元的权重。这种基于核空间理论的异常探测算法在充分利用光谱信息的同时有效的利用了高光谱波段之间的非线性关系。

由于高光谱影像的复杂性，上述的高光谱影像异常探测方法往往依赖于一些特定的统计假设，仅在真实地物分布情况满足于假设条件时才能取得较好的探测效果。

(2) 基于稀疏和低秩表示的异常探测算法

近些年来随着压缩感知思想的发展，一些基于稀疏表示的算法也被应用到了高光谱影像的异常探测中来。该算法试图通过少量的背景像元之间的线性组合来重构出包含主要信息的整幅高光谱影像数据。然而这种基于稀疏表示的算法在处理二维影像数据矩阵时忽略了像元之间存在的局部结构信息，因而无法有效地去除高光谱影像数据矩阵中存在的冗余信息。由于高光谱遥感影像相邻波段之间的高度相关性，使得获取的影像数据矩阵中存在大量的冗余信息。因此在影像数据的压缩过程中添加矩阵的低秩约束可以有效的减少数据中存在的冗余信息，因而更好的描述数据的全局结构信息。稀疏和低秩理论的成功使得矩阵分解得到了广泛的发展，同时也在高光谱遥感影像异常探测中获得了成功。考虑到矩阵的低阶特性，Wright 等人提出的鲁棒性主成分分析(Robust Principal Component Analysis，RPCA)模型有效的解决了矩阵恢复的问题，随后该模型又被成功的应用到高光谱影像的异常探测中；然而该模型只是简单的认为影像存在单一子空间模型，这种情况只有当背景地物相对简单时才符合假设情况，并没有考虑到实际情况中高光谱影像往往包含的相对复杂的地物类别，针对这个情况Liu等人提出了低秩表示(Low Rank Representation，LRR)模型，将RPCA模型中“数据分布于单一子空间”的假设扩展为“数据分布在多维线性子空间”；随后Xu等人为了更好表示出高光谱原始影像数据在Liu等人提出的LRR模型基础上添加了局部稀疏约束项，创新性的提出了基于低秩和稀疏表示(low-rank and sparse representation，LRaSR)模型并将该模型成功的应用于高光谱遥感影像异常探测中；钮宇斌等人在LRR模型的基础之上引入了仅包含背景光谱信息的学习字典，提出了低秩表示和学习字典(low-rank representation and learned dictionary，LRRaLD)模型，并在高光谱影像的异常探测中实现了背景信息与异常信息的有效分离从而提高了算法的鲁棒性。马东雷等人考虑到在数据受到损坏时会降低探测的精度，于是在隐式低秩表示(Latent Low Rank Representation，LatLRR)模型基础上添加了系数约束项并对模型重新求解，创新性的提出了隐式低秩稀疏表示(Latent Low Rank and Sparse Representation，LatLRaSR)模型，该模型在高光谱遥感影像异常探测实验中表现出了非常不错的探测效果。

虽然模式识别中的稀疏与低秩理论在高光谱影像的异常探测中取得了巨大的成功，但是最终的探测效果完全取决于矩阵分解的好坏，字典中的原子往往需要人为的设定，虽然可以通过随机赋值来获取，但是在矩阵分解计算的迭代过程中，达到收敛时的结果往往具有随机性，因此使得最终的实验结果往往具有不可还原性。

(3) 基于空-谱信息背景数据重构的异常探测算法

基于稀疏和低秩表示的异常探测算法通过字典数据来对影像的背景信息进行重构。不同于稀疏和低秩表示的异常探测算法，一种结合空间信息和光谱信息的数据重构的算法被应用于高光谱影像的异常探测中来。该种算法对背景影像进行数据重构的过程中不需要字典的辅助，主要通过投影、密度计算、影像滤波或者线性表示的方式对原始影像的主要背景信息进行数据重构从而获得相对纯净的背景影像，然后将原始影像与重构背景影像进行差值计算，最后通过差值影像的能量大小来定位异常目标的位置。例如，Imani提出了基于差分影像的探测算法(Differential
image based detector，DID)，该方法将原始影像的特征空间投影到一个新的特征空间，考虑到背景信号是缓慢变化的而异常信号是突变的，从而根据信息的不同重建背景信息，并将背景信息转换到核心空间，最后通过RX探测的方式定位出异常目标。Zhao等人提出的基于局部密度的背景提纯方法(Background refinement method based on the local density，BRMLD)，在不引入参数的情况下通过局部密度的计算来排除背景影像中的异常值，从而获得相对纯净的背景信息。Yao等人受数字图像处理中双边滤波算法的启发，考虑到待测试像元和背景像元直接存在的空间相关性和光谱相关性，提出了基于双边滤波的探测算法(Bilateral-filter-based anomaly detection，BFAD)。李伟等人基于待测试像元与其周围的背景像元之间的光谱存在着相似性，待测试像元可以通过背景像元之间的线性组合来近似的表示的思想，先后提出了非监督最邻近规则子空间(Unsupervised Nearest Regularized Subspace，UNRS)算法和基于协同表示的异常探测 (Collaborative Representation-based Anomaly Detection，CRD)算法，两种算法通过采用不同的求解机制来获得最终的表示系数向量。考虑到协同表示的过程中，背景像元中存在的异常值会对探测的精度造成影响，Vafadar等人提出了基于协同表示和异常剔除的异常探测 (Collaborative Representation-based with Outlier Removal Anomaly Detector，CRBORAD)算法，该算法在测试像元被线性表示的过程中通过采用异常剔除策略来排除异常值的影响，从而使得探测算法的精度获得了进一步的提高。

(4) 其他的异常探测算法

为了提高异常探测的精度，还有许多其他的算法被提出，例如Carlotto提出了基于聚类的异常探测算法(Cluster-based anomaly detection，CBAD)，该算法基于影像服从高斯分布的假设，将影像进行聚类，然后在每个不同的类别分别探测出异常像元。Liu等人提了基于随机选择的自适应显著性加权的RX探测算法(Random selection-based adaptive saliency-weighted RXD anomaly detection，RSASW-RXD)，该算法考虑到了显著性对基于色彩目标探测的贡献，通过重新构建加权显著性图来重新评估高光谱遥感影像中的协方差和均值向量，然后采用自适应的双窗口来代替固定的窗口尺寸，并根据异常区域的大小自动调整内部窗口的尺寸，该算法在高光谱遥感影像异常探测中获得了成功的应用。

随着人工智能时代的到来，深度学习在各个行业取得了巨大的成就，尤其在计算机视觉方面，借助深度学习方法来解决高光谱遥感影像分类的问题已成为遥感领域的主流发展趋势。由于模型的训练需要大量样本数据的支撑，然而实际应用中的高光谱影像的异常探测本来就是在未知目标信息的情况下完成的，因此深度学习在高光谱遥感影像异常探测中的应用很少。李伟等人在2017年提出了卷积神经网络探测(CNND)模型，首次通过将影像中的像素对作为训练样本，通过像素之间的两两组合来扩充训练样本库，并利用卷积神经网络提取影像的深度特征，然后通过深度特征判定待测试像元与周围邻近像元的相似度。

这是一次将深度学习应用于高光谱影像异常探测的初步尝试并取得了不错的效果。CNND算法虽然采用像素对的方式对训练样本进行了扩充，但是这种基于网络的高光谱遥感影像异常探测算法探测结果的好坏完全取决于构建的模型及训练样本的数量，实际应用中根本无法找到大量的可供训练的样本对构建的模型进行训练，因此该种算法仍需要进一步的研究与探索

高光谱异常探测技术面临的问题

异常探测的基本原理主要是通过建立的模型将不同于背景光谱特征的目标地物从背景中分离出来。随着科学技术的发展，各种类型的探测算法不断涌出，然而高光谱影像的异常探测算法仍然处于发展阶段，各种类型的探测算法仍然存在许多的不足：

(1) 传统基于概率统计和子空间模型的异常探测算法，往往依赖于特定的统计假设，只有当真实地物分布情况满足于假设条件时，才能取得较好的探测效果。

(2) 基于稀疏与低秩理论的异常探测算法的探测效果完全取决于矩阵分解的好坏，而矩阵分解过程中用到的字典中的原子个数通常无法根据不同类型的数据进行自动的设定，通常需要人为的干预，而且具有不确定性；

(3) 基于空-谱信息的探测算法往往都采用了局部窗口，探测结果的精度和算法的运行时间受到窗口尺寸的影响较大，窗口的尺寸无法根据不同的数据自动的调整，单一的窗口仅仅简单利用了空间信息并不能充分考虑到局部背景像元之间存在的空间相似性和背景统计性信息。

(4) 基于深度学习的方法在高光谱遥感影像异常探测中的应用较少，无法有效的解决模型训练需要的大样本问题，因此目前只是处于发展阶段，在实际使用中根本无法预先知道异常目标的类型，大量的训练样本也很难收集。