hyperspectral 异常检测方法：综述与比较研究
计算机视觉与模式识别
2025-07-14 v2 人工智能
摘要
hyperspectral 图像由数百个连续光谱波段组成，能够进行材料和表面的详细分析。 hyperspectral 异常检测 (HAD) 指的是在缺乏 hyperspectral 场景或目标光谱先验信息的情况下，识别和定位异常目标的技术。该技术近年来取得了快速进展，应用范围涵盖农业、国防、军事监视和环境监测等领域。尽管取得了显著进展，现有的 HAD 方法仍面临计算复杂度高、对噪声敏感、在 diverse 数据集上泛化性有限等挑战。本研究对各种 HAD 技术进行全面比较，将其分类为统计模型、基于表示的方法、经典机器学习方法和深度学习方法。我们在 17 个基准数据集上评估了这些方法，并使用 ROC、AUC 和可分离图等不同性能指标分析检测准确性、计算效率、优势、局限性以及未来研究方向。我们的发现表明，深度学习模型在检测准确性方面取得最高水平，而统计模型在所有数据集上显示出卓越的速度。本综述旨为从事 hyperspectral 异常检测方法研究和实践的人员提供宝贵的见解。
引用
@article{arxiv.2507.05730,
title = {Hyperspectral Anomaly Detection Methods: A Survey and Comparative Study},
author = {Aayushma Pant and Arbind Agrahari Baniya and Tsz-Kwan Lee and Sunil Aryal},
journal= {arXiv preprint arXiv:2507.05730},
year = {2025}
}