近日，北京信息科技大学李禄副教授，北京理工大学信息与电子学院李伟教授、陶然教授，田纳西大学渠嬴博士、哈尔滨工程大学赵春晖教授与美国密西西比州立大学杜谦教授共同合作，利用张量一体化框架，结合高光谱图像在空间、光谱上的多种先验知识，开展了高光谱异常检测的研究，提出了一种“基于先验张量近似的高光谱异常检测”算法，研究结果以《Prior-based Tensor Approximation for Anomaly Detection in Hyperspectral Imagery》为题，发表在美国电气和电子工程师协会人工智能及机器学习领域国际顶级期刊IEEE TNNLS[IEEE Transactions on Neural Networks and Learning Systems, 2020](影响因子IF:8.793)。

图1. 基于先验张量近似的高光谱异常检测算法流程示意图

　　高光谱图像蕴含丰富的光谱信息，在辨别不同物质特性方面具有“图谱合一”的优势，而高光谱异常目标检测由于具有非监督特性，被军事侦查、地质采矿和灾后救援等领域广泛应用。然而传统的高光谱异常检测方法，利用低秩稀疏分解将原始高光谱图像从三维结构直接降维为二维矩阵，这破坏了高光谱图像的空间整体结构，造成大量虚警，无法高效地将异常目标与背景分离。因此，如何在保留高光谱“图谱合一”结构同时，利用其在空间域与光谱域先验知识，进行异常目标与背景的有效分离成为了关键问题。

　　研究引入张量近似框架，在保留高光谱整体结构的同时，能够合适的正则化约束嵌入高光谱先验知识中。如针对背景张量的空间维分段连续先验，可采用线性全变分范数正则项表达；针对背景的光谱维低秩先验，采用截断核范数正则项表达；针对异常目标张量存在组稀疏先验，采用L2,1范数正则项进行表达。最终在张量框架下，对目标方程采用交替方向乘子法进行凸优化，达到有效提取异常目标的目的，其原理明确、实验验证效果优越，鲁棒性强。 研究将有助于阐明高光谱数据多种全局先验、空间局部特征与异常检测能力之间的关系，为张量表达模型在高光谱遥感影像处理分析提供理论、模型和支持，为将来高光谱图像处理方面提供了一条新的思路。

　　论文链接：：https://doi.org/10.1109/TNNLS.2020.3038659