高光谱成像技术凭借其丰富的光谱信息，能够精准区分不同地物类型，因此在军事侦察、环境监测、农业评估等领域的异常检测任务中备受青睐。然而，在实际应用中，模糊效应（如大气散射、传感器抖动等）会导致图像质量下降，严重影响异常检测的准确性。传统的高光谱异常检测模型往往忽略模糊效应的干扰，而这一问题在自然场景中尤为突出。

图1. 模糊图像的解译效果会显著区别于非模糊图像

由于异常目标通常稀疏分布，模糊效应会使其与周围像素混合，大幅增加检测难度。此外，异常目标本身会破坏图像的低维结构，使得去模糊过程比普通图像更加复杂，“先去模糊，再进行检测”的技术路线随之失效。因此，如何在模糊高光谱图像中实现精准异常检测，成为亟待解决的技术瓶颈。

图2. 含异常目标图像与不含异常目标图像的去模糊效果对比，可见异常目标并不能被合理还原

针对上述问题，研究团队提出了一种新型的广义非凸替代张量框架，该框架首次将模糊效应纳入高光谱异常检测的建模过程，并通过块项分解（Block Term Decomposition, BTD）技术，更灵活地处理高光谱图像的空间和光谱低秩性，充分考虑了多维低秩结构的不均衡性，从而更精准地分离异常目标和背景信息。此外，在以上张量表示下我们提出了一套张量低秩性的广义非凸替代框架，该能够适用于多种非凸替代函数，为高光谱图像的低维建模提供了更紧致的先验约束。在此基础上，我们首次实现了对基于一般非凸替代的异常检测模型的收敛性证明。

图3. 所提出模型的整体框架结构

研究团队在多个高光谱数据集上进行了对比实验，结果表明，所提方法在去模糊和异常检测两项任务上均优于当前最先进的算法。尤其在强模糊干扰下，该模型仍能保持较高的检测率，同时有效抑制虚警现象。

图4. 去模糊实验效果对比

图5. 异常检测实验效果对比

该工作由北京理工大学信息与电子学院博士研究生王寅涧、教授李伟，博士研究生桂媛媛等人共同合作完成。论文成果《A Generalized Non-convex Surrogated Frameworkfor Anomaly Detection on BlurredHyperspectral Images》发表于图像处理、分析和理解方面的国际顶级期刊——《IEEE Transactions on Image Processing》(影响因子IF="10.8).

Paper DOI: 10.1109/TIP.2025.3568745

Code Release：https://github.com/WongYinJ/BSL-HAD