用于高光谱异常检测的小波整合特征提取与背景精化框架

在卫星影像中看见不可见之物

现代卫星不仅拍摄漂亮的图像；许多卫星记录的是几十到上百个波段的光，比我们肉眼可见的要宽得多。在这些“高光谱”数据中，隐藏着关于地面异常目标的微弱线索，从小型飞机到受损农作物或工业泄漏。本文提出了一种新的方法，能够在这些复杂的光谱数据堆中更准确地筛选出稀有且未知的目标，并在真实场景中减少误报。

多波段为何重要

高光谱成像将场景捕捉为一个三维数据块：两个维度表示位置，另一个维度表示波长。与只有红、绿等单个波段不同，这里可能有数百个非常窄的波段，每个波段都携带着材料反射光的细微信息。这种丰富性允许我们在混凝土屋顶与金属屋顶之间，或在健康与病害植物之间做出非常精细的区分。但这也带来了挑战：数据量巨大、噪声多，而且大部分是普通背景，而感兴趣的异常可能只占据极少的像素。许多现有检测方法假定背景行为简单且有规律；当该假设失效时，它们要么漏检真实目标，要么产生大量误报。

现有检测器的局限性

研究人员提出了多种策略来识别高光谱场景中的异常。经典统计方法构建背景模型，并将任何统计上不同的像素标记为异常。其他方法尝试将每个像素表示为典型背景模式的混合，无法良好重构的部分被视为异常。近年来，深度学习方法利用复杂神经网络重建或分类数据。然而，这些方法在实践中各有弱点。统计方法对离群点和噪声敏感，当背景本身快速变化时容易受骗。低秩与稀疏的“矩阵分解”方法在小型异常被嵌入到剧烈背景变化中时会遇到困难。深度学习模型通常需要大量带标注的数据、巨大的计算量，并且表现为黑盒，这使得它们在时间敏感或无监督场景中难以信赖。

利用光谱中的涟漪

所提出的方法称为 WTHAD，首先借用信号处理中的工具：小波变换，来观察每个像素的光谱。与将光谱视为一条长曲线不同，小波变换将其分解为平滑的低频成分，这些成分捕捉整体材料行为，以及更尖锐的高频成分，常含噪声和微小不规则。通过谨慎保留最具信息性的部分并减少冗余或噪声细节，这一步使背景看起来更平滑、更连贯，同时让异常光谱模式更清晰地突出。换言之，它将数据重组为一种普通部分整齐排列而异常像素更易识别的形式。

将背景与异常分离

在小波变换重塑光谱后，WTHAD 应用一种称为 GoDec 的快速数学技术将数据拆分为两部分：捕捉广泛重复结构的“低秩”背景和包含稀有偏差的“稀疏”部分。为避免将噪声混淆为真实目标，该方法首先使用基于小波的简单统计检验识别一组候选异常像素，并将稀疏分量限制在这些位置。这稳定了分解过程，并鼓励将整个像素（而不是零散片段）作为潜在异常来处理。分解后，利用清洁后的背景计算一种精化的统计距离度量——马氏距离。那些经变换后远离背景簇的像素最终在检测图上被标记为异常。

在真实场景中的表现

作者在六个广泛使用的高光谱数据集上测试了 WTHAD，涵盖机场、城市、农田和沿海等由不同传感器采集的场景。在每个数据集中，一小部分已知目标（如飞机、建筑、小型人工物体或田块）作为真实异常。与八种领先的检测方法比较，WTHAD 在检测分数上持续达到相同或更高的水平，且常有明显优势，同时保持较低的误报率。对生成的异常图的目视检查显示，WTHAD 产生了更紧凑、定位更准确的目标斑点和比竞争方法更干净的背景，尤其在噪声大或变化剧烈的环境中。该方法还表现出合理的计算时间，使其比许多更重型算法更具实用性。

从复杂数据中获得更清晰的信号

用日常语言来说，这项工作展示了如何更仔细地听一首非常复杂的乐曲：先把深沉、稳定的背景音与快速、尖锐的音符分离，再关注任何不合群的声音。通过结合基于小波的特征提取、一种结构化的背景剥离方式以及稳健的统计检验，WTHAD 提供了一种稳定、可解释且高效的高光谱异常像素检测方法，无需先验目标信息。其结果是一个可以更可靠地在现代遥感数据的丰富信息中识别小而细微目标的工具——从隐藏物体到环境变化。

引用: Küçük, F. A wavelet-integrated framework for feature extraction and background refinement in hyperspectral anomaly detection. Sci Rep 16, 8862 (2026). https://doi.org/10.1038/s41598-026-41223-w

关键词: 高光谱成像, 异常检测, 小波变换, 遥感, 卫星影像