近年高光谱亚像元目标检测与定位方法

高光谱遥感技术首次将图像空间特征与丰富的光谱特征结合，具有图谱合一、波段数目多和光谱连续等突出特点[1]。由于空间分辨率的限制和地物分布的复杂性，高光谱遥感图像上很少有纯净像元存在。更多的情况是，目标地物占据像元的部分面积，与其他多种地物共同混合成一个像元。故高光谱目标探测与定位问题的主要难点是混合像元问题。
对于混合像元需要回答如下几个问题:(1)像元中存在的不同地物覆盖类型(端元);(2)不同地物在像元中所占的比例(组分或丰度);(3)不同地物在混合像元中的空间分布。这三个问题可以相应的称为混合像元的定性、定量和定位问题。即先进行端元提取确定混合像元中地物的光谱信息，再使用混合像元分解技术根据预先设定的光谱混合模型得到各端元在混合像元中的丰度，最后为了进一步深入了解混合像元中不同地物的空间分布,需要将混合像元细分为亚像元并对其分配不同的地物类别,从而将一幅低分辨率的丰度影像转换为一幅高分辨率的分类影像，实现亚像元目标检测与定位[2]。
1、高光谱目标检测新技术
近年来，在高光谱遥感图像目标探测领域中出现了一些模式识别与机器学习的新方法，最新研究表明，这些方法能够取得非常好的目标探测效果，并且在很多情况下具有优势[3]。
核方法
为解决线性混合模型探测方法的不足，近年来许多学者将核方法引入到传统线性目标探测方法中。核函数提供了一种在适当的特征空间中用常规的线性算法检测非线性关系的方法，利用基于核函数映射方法将在低维特征空间中不可分的数据集通过核策略映射到更高维的空间中，使得目标和背景可以更好地被区分，KOSP，KCEM，KMSD，KTCIMF[4]等方法。
稀疏表达模型
基于稀疏表达模型的目标探测器中，假设目标测试样本和背景测试样本可以分别由一系列的目标训练样本和背景训练样本线性表示，则对于高光谱图像中任意的未知样本，都可以由目标和背景测试样本组成的过完备字典表达，同时假设系数向量中只包含有少量的非零元。稀疏探测器的思想是将目标探测看作一个二分类的问题，利用稀疏表达分类器的思想来处理目标探测问题。但是由于高光谱图像上目标类像素数量很少，分类器并不一定适用于目标探测，文献[5]考虑亚像元目标的组成结构，提出基于传统的二元假设的稀疏模型，针对背景和目标类分别建立过完备的字典。
判别子空间分析
基于判别子空间分析的高光谱图像目标探测方法是根据已有的训练样本特征，设计某种目标函数，找到数据集所在原始特征空间对应的判别特征子空间，使得目标样本与背景样本在该子空