利用列式鲁棒主成分分析实现高光谱遥感异常探测-遥感学报.PDF

利用列式鲁棒主成分分析实现高光谱遥感异常探测 1，2 1 1 1 孙伟伟 ，李飞 ，杨刚 ，张殿发 1.宁波大学 地理与空间信息技术系,宁波，浙江 315211 2.武汉大学 测绘遥感信息工程国家重点实验室，武汉，湖北 430079 摘要: 传统的基于鲁棒主成分分析的高光谱异常探测模型中，稀疏异常矩阵假设为非低秩且其非零元素满足随机 分布条件。这导致稀疏矩阵的非零元素影响低秩背景矩阵的估计，进而制约背景信息和异常信息的有效分离。本文 提出列式鲁棒主成分分析的异常探测方法，改进异常矩阵为列稀疏条件来解决上述问题。该方法分解高光谱影像 二维矩阵为低秩背景矩阵，列稀疏异常矩阵和噪声矩阵，松弛目标方程为凸优化问题，并采用非精确增强拉格朗日 乘子算法来求解得到列稀疏异常矩阵的最优估计。最后，对稀疏异常矩阵中所有列的 L 范数值进行阈值分割来探 2 测得到异常像元。利用两个高光谱影像数据集，对比五种主流的异常探测方法来验证提出方法的有效性。实验结果 表明，列式鲁棒主成分分析方法优于包括传统鲁棒主成分分析模型在内的五种异常探测方法，且计算效率适中。 关键词: 高光谱遥感，异常探测，鲁棒主成分分析，列稀疏，非精确增强拉格朗日乘子 中图分类号: TP75 文献标志码 : A 2003) 和多重窗口异常探测器（Multiple-window 1 引 言 anomaly detection ，MWAD ）（Liu 和Chang ，2013) 。 以上这些方法通过压制背景信息来更好实现背景和 高光谱遥感依托成像光谱仪设备，利用数百个 异常信息的有效区分。然而，这些方法在估计背景 波段来采集地表地物的细微光谱响应信息 （童庆禧 统计特性时并未排除异常信息的影响，导致探测结 等，2016 ；张良培和李家艺，2016 ）。获取的高光谱 果可能会混杂一些背景像元进而影响结果的准确性 遥感影像利用目标探测技术来区分低概率且细小地 和可靠性 （Sun 等，2014) 。 物与主要背景信息，并用于军事侦察、公共安全和 近年来，随着压缩感知和稀疏理论的兴起，鲁 生态监测等实践中 （王跃明等，2016 ；杜培军等， 棒主成分分析方法逐渐被应用于解决高光谱的异常 2016 ）。作为非监督的目标探测技术，异常探测不需 探测问题。鲁棒主成分分析（Robust Principal 要目标地物的光谱特征信息和复杂的影像预处理工 Component Analysis ，RPCA ）于2009 年提出，目的 作（如大气校正和辐射定标等），因此在高光谱遥感 为更好解决传统主成分分析中背景信息容易受到噪 领域中应用更为广泛 （Zhang 等，2010 ；Zhao 等， 声和粗差影响的问题 （Candes 等，2009) ，其目前广 2014 ；Wu 等，2016 ；）。异常探测假定影像场景中的 泛应用于视频监控、人脸识别和潜在语义索引等方 主要地物为背景信息，细小且低概率的地物为异常 面。在高光谱遥感领域，鲁棒主成分分析将高光谱 信息，目的是有效区分异常信息与背景信息所占的 遥感影像数据看作二维矩阵，采用矩阵分解的思想 像元。 将其分解为一个低秩的背景矩阵和一个稀疏异常组 常规的异常探测方法大多利用背景像元和异常 分矩阵 （以下简称稀疏矩阵），其中稀疏矩阵的非零 像元的统计特性差异