DS2-AE：一种深度空间-光谱自动编码器，结合非线性解混技术用于高光谱异常检测

《Pattern Recognition》：DS2-AE:Deep Spatial-Spectral Autoencoder with Nonlinear Unmixing for Hyperspectral Anomaly Detection

本文提出基于HSI-AD框架的非线性光谱解混与空间-光谱特征融合的生成对抗网络（DS2-AE），通过预处理增强异常检测，实验验证其在五个数据集上优于现有方法。

　　

穆振华|王一涵|宋传明|王向海

辽宁师范大学地理学院，中国大连，116029

部分内容摘要

相关工作

光谱解混是遥感（RS）图像处理中的基本技术，旨在从混合像素中提取端元及其相应的丰度。根据不同的混合模型，光谱解混分为线性光谱解混（LSU）和非线性光谱解混（NLSU）[18]。

方法论

具有非线性解混功能的深度空间-光谱自编码器（AE）由三个主要组成部分构成。这些组成部分如图1所示。首先，对原始的高光谱图像（HSI）进行空间居中和光谱局部对比度拉伸处理，以生成预处理数据。随后，非线性混合模型将预处理数据中每个像素的光谱信号分解为端元光谱矩阵及其相应的丰度向量。最后，通过空间-光谱特征融合AE

实验结果与分析

本节通过五个真实数据集与最先进（SOTA）的AD算法进行比较实验，评估所提出方法的泛化能力和检测精度[30]、[31]。首先介绍实验数据集，然后指定所提出方法的参数。接下来，基于检测图进行定性评估，并使用客观指标对五个数据集进行定量评价。最后，进行消融研究

结论

本文提出了一个结合非线性光谱解混与空间-光谱特征融合AE（DS2-AE）的高光谱图像-AD框架。该算法通过三项关键创新全面利用了光谱和空间信息：首先，空间居中和局部对比度拉伸预处理显著增强了光谱特征空间中异常值与背景之间的区分度；其次，非线性光谱解混模型能够捕捉复杂的光谱混合现象

生成式AI声明

作者使用了AI辅助的语言编辑工具来提高手稿的清晰度和语法。没有使用生成式AI工具进行科学内容的创作、数据分析或结果解释。

CRediT作者贡献声明

穆振华：撰写初稿、验证、方法论研究、数据分析、概念构建。王一涵：验证、数据分析、形式化分析、数据整理。宋传明：指导、方法论研究、数据分析。王向海：撰写与编辑、指导、方法论研究、资金筹集、形式化分析、概念构建。

利益冲突声明

作者声明他们没有已知的可能影响本文研究的财务利益或个人关系。

致谢

本研究得到了辽宁省教育厅重点科研项目（项目编号JYTZD2023101）的资助。