.png){kind=icon}
返回
Sparse-regularized tensor PCA for hyperspectral target detection
.png){kind=icon}
PRE
AI
DOI：10.1016/j.infrared.2026.106820.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
高光谱目标检测旨在识别嵌入复杂背景中的小目标和弱目标，其中强烈的谱冗余和空间相关性通常掩盖了目标响应。现有的基于低秩和稀疏分解的方法已显示出有效性，但其中许多方法采用了通用建模策略，未针对高光谱目标-背景分离的固有特性进行专门设计。本文提出了一种稀疏正则化张量PCA框架（STPCA）用于高光谱目标检测。该方法基于如下观察：背景成分在张量域中表现出强烈的低秩结构，而目标特征可以被视为嵌入固有谱-空间表示中的稀疏变化。通过整合基于PCA的谱压缩、Tucker张量分解和稀疏正则化，STPCA能够以统一且无需训练的方式对固有背景成分和目标相关变化进行结构化表示。在多个真实高光谱数据集上的实验结果表明，STPCA在性能上与经典检测器和近期基于学习的方法相比具有竞争力，同时保持了低计算复杂度和高可解释性。这些特性使所提出的框架特别适用于具有有限目标先验知识和严格资源约束的实用高光谱目标检测场景。
