随着遥感技术的发展,高光谱图像在不断提高光谱分辨率的同时也在不断提高其空间分辨率,利用“双高”的高光谱图像实现目标检测与识别成为当前高光谱遥感领域的研究热点。异常检测是实现目标检测的主要方式,目前主流的异常检测方法是以光谱差异为核心依据,而忽略了像元之间的空间关系。另一方面,在“双高”的观测数据中,目标常常表现为由多种材质组成的小面元(即多个像元),目前以光谱匹配为主解决单像元或子像元级目标识别的方法难以直接适用。围绕上述两个问题,论文从空间关系和光谱特性两个方面入手,开展高光谱图像异常检测与目标识别问题的研究,取得的研究成果如下:1.提出了一种基于张量分解的高光谱图像异常检测方法。高光谱图像中的异常目标通常是由明显区别于它们周围背景像元的少数几个像元(甚至是亚像元)组成的。与背景相比,异常目标具有两个主要特性:一个是异常目标的光谱与它们周围背景的光谱之间存在明显差异,即光谱异常性;另一个是异常目标以少数几个像元(甚至是亚像元)的形式嵌在局部同质的背景中,即空间异常性。然而,大部分已有的高光谱图像异常检测算法只利用了光谱异常性。如果在一个检测算法中,能够同时利用上述两种异常性,则很有可能会提升检测性能。论文利用基于三阶张量的表示方法(其中两阶表示空间维,另一阶表示光谱维)能够同等地表征高光谱图像的空间信息和光谱信息的优势,提出了一种新的异常检测方法,该方法共分为三个步骤:(1)利用张量的Tucker分解模型将高光谱数据分解为由一个核张量和三个因子矩阵的张量模乘形式。因子矩阵是相应维度方向上的特征向量依据特征值大小降序排列,主要和次要的特征向量分别代表图像中的主要成分和次要成分。(2)提出了一种快速的自适应方法确定每个因子矩阵中主要特征向量的个数(即K1,K2和K3),以尽可能地剔除背景信息。首先构建了一个以K1,K2和K3为自变量的能量函数,该能量函数描述了由(K1,K2,K3)决定的高光谱图像次要成分的空间异常度和光谱异常度,从而将确定K1,K2和K3的问题转化为了一个能量优化问题;接着计算核张量沿每个维度上切片的方差曲线,通过斜率变换最大准则确定K1,K2和K3的初始值;最后在初值的邻域范围内,穷举搜索得到使得K1,K2和K3的最佳估计值。(3)上步得到的最优空间异常度和光谱异常度的高光谱图像次要成分只含有异常目标信息和噪声,在假定噪声为高斯噪声的前提下,利用CFAR算法完成异常目标检测。对多幅高光谱图像进行了实验与分析,与目前主流的异常检测方法相比,实验结果验证了本文方法在检测性能方面的优越性。2.提出了一种结合光谱重构精度和空间约束的高光谱图像异常信息提取方法。目前高光谱图像异常检测方法只关心异常目标的位置而忽略了它们的光谱信号和尺寸大小,但这些信息对于下一步的目标识别很重要。本文将异常目标位置检测和它们的光谱信号和尺寸大小估计两个问题合二为一,提出了异常信息提取的概念,并设计了一种新方法实现它,该方法分为四个步骤:(1)首先定义了一个与原始高光谱图像相同尺寸大小的“像元光谱成分”标记矩阵。矩阵每个元素描述了对应像元的光谱成分组成,它是用一个二进制的数来表示,该数的位数是整幅图像中的背景区域个数加1;若该像元包含某背景区域的光谱,则对应位置为1,否则为0;若该像元包含异常光谱,则最后一位置为1,否则为0。这样,异常检测的问题就变成求解标记矩阵的问题。(2)然后设计了一个以“像元光谱成分”标记矩阵为自变量的能量函数。论文首先证明了标记矩阵必须满足八近邻和为8的空间约束,然后能量函数定义为所有像元重构精度和,每个像元的重构精度是通过比较观测光谱和由标记矩阵重构光谱来计算的。这样,标记矩阵估计问题转化为有约束条件的能量最优化问题。(3)接着提出了一种估计“像元光谱成分”标记矩阵初始值的方法。首先利用局部线性拟合方法找出高光谱图像中所有的纯背景像元;然后根据光谱相似性和空间连通性将纯背景像元划分为不同的背景区域,计算背景区域的平均光谱曲线,并给每个背景区域分配一个二进制位标记;接着用带有标记的背景像元对未标记的像元进行拟合,如果能拟合上,则标记为混合背景像元,否则标记为异常像元;最后通过变换像元的标记使得所有的像元满足空间约束。(4)最后设计了一种迭代优化策略求取最优解。首先找出能量最小的像元,在满足空间约束的前提下,将它的标记变换为另外一种可能的标记,计算新的高光谱图像能量,如果能量增大,则接受变换,否则变换为另外的标记,依次循环迭代下去,直至收敛。对多幅高光谱图像进行了实验与分析,与目前主流的异常检测方法相比,实验结果验证了本文方法在检测性能方面的优越性;此外,本文方法还能可靠地估计出异常目标的光谱信号和尺寸大小。3.提出了一种基于张量的块分解模型的高光谱图像目标识别方法。光谱匹配的目标识别方法只利用了目标的光谱信息,而在“双高”的观测数据中,目标的空间几何特征得以显著体现,仅凭光谱信息难以充分描述目标。本文利用张量的块分解模型能够一体化地描述目标不同材质的空间分布和光谱信息的优势,提出了一种新的目标识别方法,该方法共分为两个步骤:(1)利用张量的块分解模型对高光谱图像目标切片进行分解,得到了若干个子项,每个子项包括一个矩阵和一个向量。其中,矩阵对应材质的空间分布,向量对应该种材质的光谱特征。这样,一个包含多种材质的目标就被分解成了由每种材质的空间分布和光谱特征联合表示的形式。(2)定义了基于上述描述模型下的目标相似性测度,该测度综合考虑了每种材质的空间分布相关性和光谱特征相关性。对两幅高光谱图像进行了实验与分析,与基于光谱匹配的目标识别方法相比,实验结果验证了本文方法的有效性。