高光谱异常检测寻找偏离局部背景的稀少光谱

高光谱影像在连续窄波段上记录地物响应，异常检测的任务是在缺少完整目标样本时，找出与背景统计显著不同的像元或小区域。异常可以是材料、状态或混合比例异常，但统计偏离不等同于业务目标：阴影、坏线、云边缘和配准误差也会产生强异常。

Reed 与 Yu 的论文 Adaptive Multiple-Band CFAR Detection of an Optical Pattern with Unknown Spectral Distribution 奠定了常称为 RX 检测器的方法。它使用背景均值和协方差对光谱差异进行标准化，使在低方差方向上的偏离获得更高权重。

RX 距离依赖可靠的背景协方差

对像元光谱减去背景均值后，RX 计算其在协方差逆矩阵度量下的平方距离。若背景近似多元高斯，统计量可与恒虚警率思想联系。实际地表往往由多种材料组成，分布多峰且空间非平稳，因此分数更适合作为候选排序，而不是天然准确的目标概率。

波段数高而背景样本有限时，样本协方差可能病态或不可逆。水汽吸收、低信噪比和高度相关波段会进一步恶化条件数。常用处理包括删除坏波段、降维、收缩协方差、对角加载或稳健估计。正则化强度会改变异常排序，应通过独立样本和稳定性分析选择。

全局 RX 用整景估计一个背景，计算高效，但大范围内土地覆盖差异会让某些正常类别显得异常。局部 RX 在目标周围环形窗口估计背景，更能适应区域变化，却可能把目标像元混入背景，也容易在地物边界产生高分。保护窗、背景窗大小和边界处理需要与目标尺度匹配。

预处理错误经常比真实目标更突出

条带、坏像元、光谱笑脸效应、未校正大气吸收和相邻波段错位都会形成异常。检测前应完成辐射定标、大气与几何校正，生成有效波段和质量掩膜。若任务针对地表材料，可将辐亮度转换为可比较反射率，但转换误差也要保留。

地形阴影和光照差异改变整体亮度。简单归一化可以减弱亮度效应，也可能移除目标信息。连续谱去除、主成分或噪声白化应根据材料机理选择，不能只因检测图更“干净”就接受。USGS Spectral Library Version 7 提供实验室和野外光谱及其仪器背景，可用于理解材料差异，但库光谱不能直接等同于混合像元：https://www.usgs.gov/publications/usgs-spectral-library-version-7。

空间后处理可要求高分像元形成最小连通区域，减少孤立噪声，但真正的小目标也可能只有单像元。滤波规则要与传感器分辨率和目标物理尺寸对应，并在评价中保留滤波前后结果。

阈值要根据虚警成本和场景变化确定

理论分布阈值依赖高斯背景、准确协方差和独立样本，遥感影像通常不完全满足。实践中可以用背景验证区的经验分位数、每平方公里允许虚警数或人工复核容量设定阈值。一个场景上的固定分数不应直接迁移到季节、传感器和地表组成不同的场景。

评价不能只报像元级 ROC。目标很小且背景巨大时，极低的像元假阳性率仍会产生大量误报。应同时报告目标级检出率、单位面积虚警、候选排序前 k 的命中、定位误差和人工复核时间。标注不完整时，未标目标可能被算作误报，需要抽样复核高分背景。

空间拆分很重要。若从同一异常目标周边随机抽像元做训练和测试，结果会受强空间相关影响。算法参数、阈值和协方差策略应在独立区域确定，再到新区域验证。

异常候选仍需材料与场景证据确认

检测输出回答“哪里不同”，不回答“是什么”。确认可以结合目标光谱匹配、高分辨率影像、现场样本、时间重复观测和上下文规则。若寻找泄漏、病害或矿物，不同原因可能产生相似偏离，单景光谱不能替代领域诊断。

可复现产品应保留原始场景、预处理版本、有效波段、背景窗口、协方差正则化、阈值和候选后处理。还应发布分数栅格而不只是二值结果，让使用者能按不同虚警成本重新决策。高光谱异常检测擅长从大范围数据中缩小搜索范围；它的可靠性来自背景建模、质量控制和后续确认，而不是异常分数本身。

计算实现要避免隐式改变统计量

大影像常分块处理，但每块独立估计均值和协方差会在块边界形成分数跳变。全局模型可先用代表性样本估计参数，局部模型则需要为分块保留足够重叠区，并统一保护窗规则。降维矩阵、波段标准化和正则化参数必须对整景一致。

协方差求逆宜使用稳定分解或伪逆，并记录有效秩。GPU 与 CPU 的浮点差异通常很小，却可能在阈值附近改变候选集合，因此产品级处理要固定容差与排序规则。并行加速不能牺牲异常分数的可重现性。