【转载】高光谱图像处理与信息提取综述「建议收藏」

大家好，欢迎来到IT知识分享网。

本文转自：https://blog.csdn.net/rao_oo/article/details/76967845，如有不妥，请联系我

高光谱遥感是对地观测的重要手段，高光谱图像处理与信息提取技术则是高光谱遥感领域的核心研究内容之一。高光谱图像处理与信息提取技术的研究主要包括数据降维、图像分类、混合像元分解和目标探测等方向。

高光谱图像处理与信息提取中面临的关键问题:

高光谱图像波段多、数据量大，而且混合像元问题较为严重，且同物异谱影响明显，这都是信息提取研究需要解决的关键问题，概括为四个方面：

（1）高光谱图像波段较多，相邻波段之间必然有着很强的相关性，这使得所观测到的数据在一定程度上存在冗余现象，而且数据量大，为图像的处理带来了压力，数据的膨胀导致计算机处理负荷大幅增加。另外，在高光谱图像数据获取过程中出现的噪声将会使图像中的光谱信息产生“失真”。因此需要进行数据降维，以压缩数据量和提高运算效率，同时可以简化和优化图像特征，并最大限度保留信号和压缩噪声。

（2）当一个像元对应的瞬时视场内存在多种不同地物类型，该像元的光谱特征则由这些地物的光谱信息共同构成，由此产生了混合像元现象。由于遥感器空间分辨率的制约，高光谱图像中普遍存在混合像元问题，这是制约分类精度提高和目标探测准确率的重要因素。为进一步挖掘像元内部信息，需要进行混合像元分解，发展描述光谱混合物理过程的数学模型以及求解模型的解混算法。

（3）利用高光谱图像进行地物精细分类是高光谱遥感技术应用的核心内容之一，分类结果是专题制图的基础数据，在土地覆盖和资源调查以及环境监测等领域均有着巨大的应用价值。高光谱图像分类中主要面临Hughes现象和维数灾难、特征空间中数据非线性分布等问题。同时，传统算法多是以像元作为基本单元进行分类，并未考虑遥感图像的空间域特征，从而使得算法无法有效处理同物异谱问题，分类结果中地物内部易出现许多噪点。

（4）高光谱图像提供的精细光谱特征可以用于区分存在细微差异的目标，包括那些与自然背景存在较高相似度的目标。因此，高光谱图像目标探测技术在公共安全和国防领域中有着巨大的应用潜力和价值。高光谱图像目标探测要求目标具有诊断性的光谱特征，在实际应用中受目标光谱的变异性、背景信息分布与模型假设存在差异、目标地物尺寸处于亚像元级别等问题影响，有时存在虚警率过高的问题，需要发展稳定可靠的新方法。

高光谱图像处理与信息提取方法发展现状与未来:

1、噪声评估与数据降维方法

（1）噪声评估

针对噪声评估方法的研究主要包括两种思路：一是基于空间域的方法，二是基于光谱域的方法。

1）基于空间域的噪声评估：均匀区域法、地学统计法、局部均值与局部标准差法、局部均匀块标准差法和基于高斯波形提取的优化方法。

2）基于光谱域的噪声评估：空间光谱维去相关法(SSDC)、残差调整的局部均值与局部标准差法、基于均匀区域划分和光谱维去相关(HRDSDC)。

上述算法是假设噪声与信号无关，也有一些算法可以在噪声与信号相关的假设条件下进行噪声评估，也是一个重要的方向(Acito等，2011；Uss等，2011)。

（2）光谱特征提取

高光谱数据降维技术主要是利用低维数据来有效表达高维数据信息，在压缩数据量的同时为地物信息提取提供优化的特征。高光谱数据降维方法主要分为两类：特征提取和波段选择。

高光谱数据特征提取方法：主成分分析、定向主成分分析、选择主成分分析、最小/最大自相关因子分析方法、最大噪声分离MNF(Maximum Noise Fraction)变换方法。

另外，基于流形学习的非线性特征提取方法、Kernel NWFE方法、Kernel LDA方法、核主成分分析方法。都是基于核函数的非线性特征提取方法，这些方法都是在原始线性数据降维算法的基础上，引入核方法，通过核函数，将数据映射到高维特征空间，在高维特征空间中运算线性降维方法，实现原始空间中的非线性的高光谱数据降维。但是，基于核函数的非线性降维方法往往依赖于某种隐式映射，不易直观地理解其工作机理，并且在如何选择核及配置最优的核参数方面仍有很多理论问题需要研究。

（3）光谱特征选择

光谱特征选择是针对特定对象选择光谱特征空间中的一个子集，这个子集是一个缩小了的光谱特征空间，但它包括了该对象的主要特征光谱，并在一个含有多种目标对象的组合中，该子集能够最大限度地区别于其他地物。

根据目标函数的计算是否需要先验的地物光谱特征信息，可将波段选择算法分为监督的和非监督的两类：

非监督波段选择算法目标函数包括：信息熵、一阶光谱导数、二阶光谱导数方法、相似度、单形体体积方法等；

监督波段选择算法目标函数包括：离散度、Bhattacharyya距离、Jeffries-Matusita距离、最小估计丰度协方差等。

波段选择算法中确定了目标函数以后，有效的搜索策略也是保证波段选择精度的重要因素。穷举搜索的计算量使这种搜索策略难以在实际中应用。目前在波段选择算法中普遍采用的是处理效率更高的顺序前向选择法、顺序前向浮动选择法。冯静和舒宁(2009)把遗传算法应用到波段选择算法中；杨三美(2011)在波段选择算法中采用了克隆选择算法作为搜索策略；Yan等人(2012)将粒子群优化算法应用到波段选择方法中。由于具有全局搜索和正反馈等优势，蚁群优化算法也作为搜索策略用到了波段选择算法中(Gao等，2014；Samadzadegan和Partovi，2010；周爽，2010；王立国和魏芳洁，2013)。此外，波段聚类(Martínez-Usómartinez-Uso等，2007；Su等，2011)和稀疏非负矩阵分解聚类(施蓓琦 等，2013)等技术的引入也有利于波段选择精度的提高。

2、混合像元分解方法

高光谱图像的混合像元分解有两个基本目的：确定组成混合像元的基本地物和计算各个基本地物在混合像元中所占比例。前者称为端元提取，后者称为丰度反演。这两者是实现混合像元分解的核心步骤。

混合像元分解，需要利用数学模型描述混合像元形成的物理过程。根据对物理过程抽象程度的不同，高光谱图像光谱混合模型可以分为线性光谱混合模型LSMM(Linear Spectral Mixing Moldel)和非线性光谱混合模型NLSMM(Nonlinear SpectralMixing Model)。

LSMM和NLSMM模型一般都是将端元光谱作为单条曲线进行处理，忽略了端元光谱存在的变异性。光谱变异对混合像元分解影响的研究中，比较代表性的工作有两方面：一是在已有的线性混合模型基础上考虑光谱变异，用一个有限的光谱集合代表端元可能发生的各种变异情况。另一个是扩展现有的模型，对光谱变异程度进行建模，例如正态组分模型，它用概率来描述光谱的不确定性，将端元视为一个呈给定概率分布的随机变量。该方法利用特定参数来表示端元光谱变异，好处是这种方法在不存在纯像元的数据中也可以估计端元。

（1）线性光谱混合模型

线性光谱混合模型是假设太阳入射辐射只与一种地物表面发生作用，每个光子仅能“看到”一种物质并将其信号叠加到像元光谱中。

以线性光谱混合模型为基础的端元提取算法又可以根据设计思路分为几何学方法、统计学方法、稀疏回归方法和人工智能方法等类型。

1）几何学方法:PPI、NFINDR、VCA、SGA、SMACC、AVAMX、SVMAX、MVSA、MVES、RMVES和MVC-NMF等。

2）统计学方法：独立成分分析、依赖成分分析和贝叶斯分析等。

3）稀疏回归方法：SPICE、SUnSAL、SUnSAL/TV和L1/2-NMF。

近年，基于LSMM模型的混合像元分解算法的研究大多集中在已有算法的改进优化以及其他信息或者方法的引入。

人工智能方法可以将LSMM转化为一个组合优化问题(基于纯像元假设)或连续优化问题(无纯像元假设)，然后利用人工智能算法进行求解，主要涉及人工智能算法中的群智能算法。首先，Zhang等人(2011)分别利用蚁群优化算法和离散粒子群算法，通过求解组合优化形式的LSMM模型的方法进行端元提取；Zhang等人(2013)采用精英蚂蚁策略又对蚁群优化的端元提取算法做了进一步改进；然后，Gao等人(2014)比较了不同预处理方式对离散粒子群端元提取结果的影响，同时又提出了基于蚁群优化的多算法融合端元提取策略(Gao等，2014b)；近期，Sun等人(2015)利用人工蜂群算法完成了不依赖纯像元假设情况下的端元提取。

（2）非线性光谱混合模型

非线性光谱混合模型是在线性模型中增加了光子与物体接触时的能量传递过程和光子在不同物体之间的多重散射，可以分为专用模型和通用模型。

1）专用模型主要依据辐射传输理论，并且针对特定的地物类型，如：针对星球表面矿物的Hapke模型、针对植被结构化参数的几何光学模型、针对植被冠层的Suits模型以及还有同样针对植被冠层的SAIL模型等。

2）通用模型不针对特定地物类型，避免引入复杂的物理过程。Singer和McCord(1979)首先提出了两端元双线性模型，并应用于火星表面物质的分析；Zhang等人(1998)提出了土壤和植被之间光谱相互作用的两端元双线性模型。Nascimento和Bioucas-Dias(2009)提出了一种多端元双线性的NM模型，Fan等人(2009)也提出了一种双线性的FM模型，Raksuntorn和Du(2010)将二次非线性项加入到LSMM中，并将端元可变性加入分析过程中；Halimi等人(2011)提出了广义双线性模型，与NM和FM相似，该模型也是在LSMM的方程上加入端元光谱的交叉乘积项，相比于FM模型，广义双线性模型在双线性项中增加相互作用系数γij。

此后，Altmann等人(2012)考虑了双线性自相互作用，通过对LSMM得到的光谱进行非线性变换得到了多项式非线性模型。Meganem等人(2014)以辐射传输方程为基础，提出了一种物理意义更加明确的双线性模型。Marinoni和Gamba(2015)将更高阶的非线性效应引入混合像元模型，提出了P-Linear模型和POD算法。

完成非线性光谱解混，即求解NLSMM。除了传统的最小二乘法之外，主要包括基于贝叶斯估计、神经网络、核函数和流形学习等方法。

神经网络模型已经被广泛应用于混合像元分解过程(Karathanassi 等，2012)。Foody和Cox(1994)首先开始研究基于反向传播的多层感知器的混合像元分解；Guilfoyle等人(2001)分别使用线性和非线性的混合光谱训练基于径向基函数的神经网络；Plaza等人(2004)将Hopfield神经网络和多层分类器相结合，通过考虑非线性影响优化线性丰度；吴柯等人(2007)基于Fuzzy ARTMAP神经网络提出了一种基于端元变化的神经网络混合像元分解方法；Licciardi和DelFrate(2011)应用多层感知器神经网络，将降维与丰度反演相结合，提出了一种新的非线性混合像元分解方法。

核函数是一种有效的非线性数据分析方法，不需要预先确定非线性映射形式，即可将高维空间的内积转化为核函数运算。吴波等人(2006)提出了基于支撑向量回归的非线性光谱分解方法；Zhang等人(2007)利用高斯径向基核函数推导出一种丰度反演的求解公式；Broadwater等人(2007)；Broadwater和Banerjee(2009，2010，2011)陆续提出了一系列以核函数为基础的非线性解混算法；厉小润等人(2011)对非负矩阵分解进行核推广；Chen等人(2011，2012，2013)也提出了一系列基于核方法的非线性解混算法。流形学习旨在挖掘高维数据内在的低维结构，在高光谱遥感图像主分类方面被应用的较多(Bachmann等；2005，2009；Ma等，2010)。Heylen等人(2011)利用等距映射算法将高光谱数据投影到低维非线性拓扑空间，然后使用LSMM的方法进行混合像元分解。

（3）正态组分模型

正态组分模型(NCM)将高光谱图像的每个像元描述为由端元线性混合而成的随机变量。严格来讲，NCM是LSMM的一种扩展，但NCM是被认为是一种能考虑端元变异对混合像元分解影响的模型。LSMM认为混合像元可以由端元的线性组合表示，在这里，端元、混合像元都是些具有确定值的向量，因此LSMM属于确定性分析。而NCM引入随机分析，认为由于现实中各种因素的影响(光谱变异、测量误差和大气校正误差等)，即使对同一地物的每次测量得到的光谱值都有波动，光谱特征应该视为一个随机变量，因此NCM中端元和混合像元都是随机向量。这种随机变量原则上可以以任何概率分布呈现，但为了不增加模型的复杂性，NCM假设它们为正态分布，仅用均值和方差两个参数就可完全描述这种分布。概括地说，NCM认为混合像元是由端元线性混合产生，并且光谱特征是个呈正态分布的随机变量。当所有随机变量方差均为零时，则该模型退化为LSMM，所以LSMM也可视为NCM的一种特殊情况。

由上述分析可看到，NCM模型不仅对高光谱数据亚像元混合情况建模，而且用正态分布的随机变量来描述光谱变异情况。相对LSMM，NCM对高光谱数据的描述更详细，但由此引入的新的模型未知变量也极大了增加了模型求解的复杂度。目前没有可以直接求解该模型的方法，已发表的估计NCM模型参数的近似算法有随机期望最大化算法(Stochastic expectation maximization，SEM)(Stocker和Schaum，1997)、马尔可夫链蒙特卡罗算法(Markov chain Monte Carlo algorithm，MCMC)(Moussaoui 等，2006)、基于粒子群优化的期望最大化算法(Particle swarm optimization expectationmaximization，PSO-EM)(Zhang 等，2014)和正态端元光谱解混算法(Normal endmemberspectralunmixing，NESU)(Zhuang等，2015)。

3、图像分类方法

高光谱图像数据将地物光谱信息和图像信息融为一体，其数据具有两类表述空间：几何空间和光谱特征空间。

（1）几何空间

直观表达每个像元在图像中的空间位置以及它与周边像元之间的相互关系，为高光谱图像处理与分析提供空间信息。

（2）光谱特征空间

高光谱图像中的每个像元对应着多个成像波段的反射值，近似连续的光谱曲线表达为一个高维向量，向量在不同波段值的变化反映了其所代表的目标的辐射光谱信息，描述地物的光谱响应与波长之间的变化关系。

高光谱图像分类核心问题的解决方案在于两方面：一是特征挖掘，特征是高光谱图像分类的重要依据，通过变换和提取得到不同地物类别具有最大差异性的特征，能够极大提高感兴趣类别的可分性程度；二是分类器设计，利用适合的分类器有利于发现复杂数据的内涵，如非线性特征等，从而提高高光谱图像分类的精度。

高光谱图像分类方法按照分类器设计不同可划分为监督法、非监督法、半监督法、混合法、集成法和多级法六大类。

根据参与分类过程的特征类型及其描述不同，将高光谱图像分类算法划分为基于光谱特征分类、整合空间与光谱特征分类以及多特征融合分类。

（1）基于光谱特征分类

光谱特征是高光谱图像中区分地物的决定性特征，基于光谱特征分类囊括了高光谱图像分类的大部分方法。它主要包括3个方面：

1）谱曲线分析：即利用地物物理光学性质来进行地物识别，如光谱夹角填图。

2）谱特征空间分类：主要分为统计模型分类方法与非参数分类方法。参数分类有基于统计模型的最大似然分类、最小距离、马氏距离分类器等。非参数分类算法一般不需要正态分布的条件假设，主要包括了决策树(Goel等，2003)、神经网络(Ratle等，2010)、混合像元分类(Lu和Weng，2007 )以及基于核方法的分类，如支持向量机(Melgani和Bruzzone，2004；Du等，2012)和子空间支持向量机(Gao等，2015a)等。此外，针对小样本问题提出的半监督分类(Dópido等，2012)、主动学习(Di和Crawford，2012；Crawford 等，2013)方法可利用有限的已知训练样本挖掘大量的未标记像元样本。目前，基于稀疏表达的高光谱图像分类越来越受到关注，它针对高光谱数据的冗余性，将高维信息表达为稀疏字典与其系数的线性组合，采用稀疏表达对高光谱图像进行处理，能够简化分类模型中参数估计的病态问题(Wright等，2009，2010)，随后将稀疏理论与多元逻辑回归(Qian等，2013)、条件随机场模型(Zhong和Wang，2008，2011)、神经网络(Yang等，2014)等方法结合获得优化的分类方法。研究表明，非参数分类器在复杂区域分布中能够比传统分类器提供更好的分类结果(Paola和Schowengerdt，1995；Foody，2002)。

3）其他高级分类器：多以模式识别及智能化、仿生学等为基础引入图像分类。如基于人工免疫网络的地物分类(Zhong和Zhang，2012)，群智能算法(Sun等，2015)以及深度学习(Deng和Yu，2014)等。

（2）整合空间—光谱特征的图像分类

1）整合空间相关性与光谱特征分类。这种分类可以分为光谱—空间特征同步处理和后处理两种策略，同步处理可以将空间特征与光谱特征提取并融合后合并为高维向量进行归一化处理，直接输入基于分类器得到结果。也可以利用支持向量机将两种特征变换到不同的核空间中，通过多核复合进行分类(Camps-Valls 等，2006；Li等，2013)。后处理可以理解为在光谱分类处理基础上再利用图像的空间特性对光谱处理结果进行重排列和重定义。

随机场模型是模式识别和机器学习中重要的预测模型之一，具有稳健描述像元间的空间相关性的能力，成为结合空间相关性特征进行高光谱图像分类研究的重点。传统马尔可夫随机场光谱测度采用最大似然估计，难以适应高光谱图像的小样本问题。针对该问题，Zhang等人(2011)进行了持续研究，将支持向量机与马尔可夫随机场模型进行整合，同时考虑了空间和光谱特征在分类中贡献的差异性，利用自适应权重指数平衡两者间关系，在提高分类精度的同时避免了类边界的“过分类”现象(Overcorrection)，从而在高光谱图像上保留了类边缘和局部细小结构信息；将子空间向量机与马尔可夫随机场模型整合进行高光谱图像分类也可以得到较好的分类效果(Yu等，2016)。在非监督分类中，采用自适应邻域约束对k-均值算法进行改进，可以优化聚类中不同类别的质心(Zhang等，2013)；Sun等人(2015)将智能化算法与马尔可夫随机场模型相结合，得到聚类结果较传统方法更加准确且噪声较少。

2）面向对象的图像分类。面向对象的图像分类OBIC(Object-Based Image Classification)将分类的最基本单位从像元转换到图像对象，也称为图斑对象。图斑对象定义为具有空间相关性的像元聚合成形状与光谱性质同质性的区域。

图像分割是面向对象分类的核心内容，利用区域增长(Gonzalez和Woods，2002)、分层聚类(Tarabalka等，2009)及分水岭分割(Tarabalka等，2010)进行高光谱图像分割都取得了较好的效果。由于复杂地物在不同空间分辨率下描述不同，面向对象的方法面临尺度参数的影响，欠分割(under-segmentation)会造成目标对象的混合分布，从而造成对象特征提取产生较大误差，极大影响分类精度(Liu和Xia，2010)。超像元是一种尺度介于像元与对象之间的图像过分割(over-segmentation)结果，面对分类中的尺度难题，采用超像元代替图斑对象作为分类的基本单位是解决的途径之一(Li等，2013)。Zhang等人(2015)利用基于超像元的图模型进行图像制图，该方法使分类结果对噪声和尺度不具敏感性。Gao等人(2014)将像元和超像元特征进行融合提高了分类器的判别能力。基于超像元的稀疏模型被用于描述图像局部的空间相关性，在分类中取得较好的效果(Fang等，2015；Li等，2015)。

3）整合纹理特征与光谱特征分类。基于纹理的分类方法众多，这些方法可归为四类：结构分析法、统计分析法、模型化方法及信号处理方法。统计分析法和信号处理法在纹理分析中担任较重要的角色，如利用灰度共生矩阵进行纹理提取(Clausi，2002)，Li等人(2013)采用改进的灰度共生矩阵进行高光谱图像聚类，Shen和Jia(2011)使用Gabor滤波器的纹理分割并分类，构建数学形态学剖面及扩展特征辅助光谱信息进行分类(Plaza等，2004；Benediktsson等，2005；Soille，2009；Falco等，2015)，赵银娣等人(2006)利用基于高斯马尔可夫随机场模型的纹理特征提取方法对高分辨率图像进行分类基于Daubechies和Haar小波基优化的小波分解算法也被应用在高光谱图像纹理分析中(Du等，2010)。

（3）多特征融合分类

多特征融合将纹理、空间相关性、光谱特征以及其它特征融合用于高光谱图像分类。

4、目标探测与异常探测方法

高光谱图像中目标存在主要包括3种类型：小存在概率目标、低出露目标和亚像元级目标。其中，小存在概率目标是指在图像中分布很少的弱信息目标；低出露目标是指目标在图像中广泛分布，但被其它地物所遮挡，仅有少量表面暴露，如草原上依稀出露的岩石和树丛中隐藏的车辆编队等；亚像元级目标主要是指尺寸小于遥感器空间分辨率的目标。

高光谱图像目标探测旨在基于光谱特征，从图像背景中将感兴趣目标提取出来。根据是否有目标光谱的先验知识，目标探测算法可以被分为两类：监督算法和非监督算法。高光谱图像目标探测通常指的是监督算法，即需要已知被探测的目标的光谱信息(一个数据或多个光谱数据构成的集合)。非监督算法通常被称为异常探测。

（1）目标探测

早期的高光谱图像目标探测算法都是基于二元假设检验，如Chen和Reed(1991)提出的著名的自适应匹配滤波器(AMF)以及Kraut和Scharf等人(1999)提出的自适应余弦估计(ACE)。Matteoli等人(2010)将AMF和ACE改进为局部自适应版本的L-AMF和L-ACE，使用双窗口方法，利用外窗口进行背景的统计计算。Harsanyi(1993)提出的约束能量最小化(CEM)是另一个广泛使用的目标探测算法。Gao等人(2015)针对CEM易受背景光谱异常影响的问题，提出了一种自适应调整的匹配滤波算法，取得了很好的目标探测效果。上述算法都只需要目标的光谱特征的先验知识。还有一些算法，不仅需要目标的光谱特征的先验知识，但也需要背景光谱特征的先验知识，如正交子空间投影(OSP)算法等。

最近，稀疏表示等新技术也被应用于目标探测算法。Zhang等人(2015)为高光谱图像目标探测建立了基于稀疏表示的二元假设模型和基于非线性稀疏表示的二元假设模型。这些算法需要构建一个包含目标和背景光谱特征的过饱和光谱字典，假设像元光谱可以表示成过饱和光谱字典中光谱的一个稀疏线性组合。稀疏表示的目标探测算法将目标探测问题转化为一个L0范数最小化问题。但是，基于稀疏表示的目标探测算法面临两个重要困难：一个是光谱字典的构造会显著影响这类算法的探测结果；另一个是L0范数最小化问题很难解决(Bruckstein等，2009)。

（2）异常探测

异常探测指的是在高光谱图像中寻找“异常地物”。这里的“异常地物”包含两个特征：(1)该地物的光谱特征与图像中广泛存在的背景(特别是自然背景)的光谱特征有明显差异；(2)该地物在图像中存在的概率很低，或者说数量很少。

在异常探测中应用最广泛的模型是概率统计学中的多元正态分布模型，RXD算法(Reed和Yu，1990)、UTD算法(Ashton和Schaum，1998)、LPTD算法(Harsanyi，1993)等均基于此模型。

RXD算法有两个常见的版本：Global-RX和Local-RX，其区别在于统计数据(均值和协方差矩阵)的获取是以全图所有像元为样本，还是以待探测像元附近局部区域的像元为样本。RXD算法性能稳定，核心是基于马氏距离进行探测，有很强的理论依据，无论图像是原始DN值数据、辐亮度数据还是反射率数据均可以使用。但是，该算法也具有一些不可回避的缺点：(1)当实际数据中的背景像元不满足多元正态分布时，虚警率偏高；(2)对于亚像元目标的探测精度较低；(3)目标与背景差异不显著时，很难精确划分边界；(4)高光谱数据波段相关性强，在现有精度要求下存在很大计算误差，导致探测效果不理想。因此，许多研究者致力于改进RXD算法，比较有代表性的包括：子空间RX算法(Subspace-RX)(Kanaev等，2009)、邻域RX算法(Segment-RX)(Gorelnik等，2010)、迭代RX算法(Iteration-RXD)(Taitano等，2010)，局部自适应迭代RX算法(Locally adaptable iterative RX)(Taitano等，2010)、核RX算法(Kernel-RX)(Kwon和Nasrabadi，2005)、正则RX算法(Regularized RX，RRX)(Nasrabadi，2008)、拓扑RX算法(Topology based RX，TRX)(Bartlett等，2011)以及加权RX算法(Weighted-RXD，W-RXD)(Guo等，2014)、线性滤波RX算法(Linear Filter based-RXD，LF-RXD)(Guo等，2014)等。

与RXD算法类似，BACON算法(Billor等，2000)也是一种基于马氏距离的异常探测算法。该算法建立了一种准则来排除异常点对整个数据同质性的破坏，能有效压缩背景样本，提高时间效率。RSAD算法(Du和Zhang，2011)采用了与BACON算法类似的思想，通过随机抽取样本的方法建立初始背景集，并且利用迭代方法对背景集进行优化。

此外，Khazai等人(2013)提出了基于单一特征的异常探测算法SFAD(Single-Feature basedAnomalyDetector)，由于只使用一个最能凸显异常目标的特征进行计算，该方法在计算速度上具有很大优势。Banerjee等人(2006)提出了一种基于支持向量数据描述SVDD(Support Vector Data Description)的高光谱图像异常探测方法，不需要使用数据分布的先验知识，只需要很少的像元即可描述图像背景。Li和Du(2015)提出了一种基于协同表示的高光谱图像异常探测算法CRD(Collaborative Representationbased Detector)，假设背景像元可以表示为其邻域像元的线性组合而异常像元则不能。Li等人(2015)提出了背景联合稀疏表示探测BJSRD(BackgroundJoint Sparse Representation Detection)，能够自适应地选择局部区域最有代表性的背景像元。