高光谱遥感与小目标检测：把异常检测和目标检测串起来（异常检测粗筛、目标检测精判）看起来能兼顾“不漏”和“少虚警”，但粗筛阶段如果阈值偏松，精判阶段的输入里混入大量非目标，目标检测器会被“带偏”。阈值偏紧，真正的弱目标在粗筛阶段就已经丢了——串行流水线里粗筛阈值到底该按什么来定，才能保证“真目标不被第一道门拦掉”？

1. 问题的本质：串行流水线中的“门控悖论”

先把这个矛盾说透。异常检测（Anomaly Detection, AD）与目标检测（Target Detection, TD）串行组合，在文献里常被描述为“粗筛—精判”的级联。粗筛用计算代价低、无需目标先验的异常检测器把候选像元压到一个小集合，精判再用需要光谱先验的检测器（如CEM、ACE、MF）或深度模型做判决。逻辑上很美，但两级之间的接口是一个硬阈值，而硬阈值把连续得分压成二值决策，信息在这里发生了不可逆的损失。

这就是本文所称的“门控悖论”：粗筛门越“负责”（阈值越严），漏掉弱目标的概率越高；越“宽松”，下游负担越重且虚警传导越强。二者不可能同时最优，因为粗筛阶段的目标信息本身就是不完整的——异常检测器只知道“这里不像背景”，并不知道“这里是不是我要的那类目标”。

本文评述：很多工程讨论把粗筛阈值当成一个“调参手感”问题，这是认知偏差。阈值的本质是在召回—负载二维空间里选一个工作点，而这个工作点必须由下游检测器的“抗干扰能力”和“弱目标可检测下限”共同决定，不能由粗筛自身的最优指标单独决定。换句话说，粗筛阈值是一个系统级参数，不是模块级参数。

由此引出本文的核心主张：粗筛门的设计目标不应是“分类准确率最大化”，而应是“可检测目标通过率最大化，同时把非目标压到下游可承受的负载内”。前者是保真问题，后者是容量问题，两者共同定义了门控的可行域。

2. 背景与概念界定：异常检测、目标检测与小目标

2.1 异常检测的定义与谱系

高光谱异常检测指在无目标光谱先验条件下，识别与局部或全局背景统计分布显著偏离的像元。其数学形式通常表述为：给定像元光谱 x ∈ R^B（B为波段数），构造背景模型并计算异常得分 D(x)，当 D(x) > η 时判为异常。

经典方法包括：Reed-Xiaoli（RX）检测器及其核化版本（Kernel RX）、基于低秩与稀疏分解的LRASR、基于协同表示的CRD、基于自编码器的深度异常检测，以及近年基于Transformer重建的方法。RX的核心是马氏距离，假设背景服从多元高斯分布，其得分对背景协方差估计极为敏感——这一点在阈值讨论中至关重要，因为背景估计的偏差会直接平移整个得分分布，使固定阈值失效。

2.2 目标检测的定义与前提

目标检测指在已知目标光谱先验（或训练样本）条件下，判断像元是否包含目标并估计丰度。代表方法有约束能量最小化（CEM）、自适应余弦估计（ACE）、匹配滤波（MF）、正交子空间投影（OSP）等。与异常检测相反，目标检测的得分具有明确的“目标—背景”判别语义，但其性能高度依赖先验光谱与背景统计的匹配程度。

2.3 “小目标”的严格界定

高光谱小目标通常按像元占比界定：目标占据像元面积的比例（丰度）低于某一阈值，常见划分是丰度小于10%为亚像素目标，小于1%为极弱目标。需要强调的是，“小”不仅是空间尺寸问题，更是信噪比问题。一个占3×3像元但光谱对比度极低的目标，其可检测性可能不如一个单像元高对比度目标。本文后续讨论的“弱目标”，统一指在给定检测器下得分接近背景得分上尾的目标，与空间尺寸解耦。

3. 粗筛的统计机理：为什么阈值如此敏感

3.1 得分分布的重尾特性

异常得分在背景区的分布往往不是高斯，而是重尾。以RX为例，当背景协方差由有限样本估计时，马氏距离平方近似服从 scaled F 分布或 Hotelling T² 分布，其尾部比高斯更厚。这意味着：阈值每上移一个很小的量，通过率可能下降一个数量级。工程上常见的现象是“阈值从99.5%分位调到99.9%分位，候选数从几千掉到几百，弱目标也跟着消失”。

本文认为，重尾特性决定了粗筛阈值不能按“线性直觉”去调。正确的做法是先对得分做尾部建模（如极值理论POT、广义帕累托分布拟合），再在尾部模型上选工作点，而不是在经验分位数上盲调。

3.2 背景估计偏差的放大效应

RX类检测器的得分可写为：

D(x) = (x - μ)ᵀ Σ⁻¹ (x - μ)

其中 μ 为背景均值，Σ 为背景协方差。
当 Σ 由含目标的样本估计时，目标信号会“污染”Σ，
导致目标方向的方差被高估，D(x) 被系统性压低。

这就是著名的“目标污染”问题。其后果是：弱目标的得分被压缩到背景尾部之内，无论阈值怎么调都捞不出来。因此，粗筛阈值问题的前置条件是背景估计的纯净性——这一点常被阈值讨论忽略，但它是决定阈值“有没有意义”的前提。

笔者认为：在讨论“阈值定多少”之前，必须先回答“得分是否可信”。一个被污染的得分分布，其99%分位可能对应的是噪声而非目标。工程实践中建议把背景估计的稳健性检验（如随机剔除1%样本后得分分布的漂移量）作为阈值标定的前置步骤，漂移超过阈值间隔的10%就应重新估计背景。

3.3 空间上下文与局部窗口尺度

局部RX（LRX）用滑动窗口估计背景，窗口尺度直接改变得分分布。窗口过小，背景样本不足导致协方差病态；窗口过大，目标混入背景。文献中常见的经验是窗口边长取目标尺寸的3至5倍，但这只是空间层面的经验。从阈值角度看，窗口尺度改变的是得分分布的尺度参数，因此阈值必须随窗口尺度重标定，不能跨尺度复用。

4. 门控保真度：一条统一的分析主线

4.1 定义

设粗筛门为映射 G_η: R^B → {0,1}，参数为阈值 η。定义门控保真度为：在给定下游检测器 T 与目标集合 S 的条件下，通过粗筛门的目标中，仍能被 T 正确检出的比例，即

GF(η) = P( T(G_η(x))=1 | x∈S 且 T(x)=1 )

直观含义：粗筛门“保真”地传递了多少本可被下游检出的目标。

与之配套的是负载率 L(η) = |{x: G_η(x)=1}| / N，即候选像元占比。门控设计就是在 (GF, L) 平面上找可行点。

4.2 为什么这条主线优于“召回率”

常规做法是看粗筛的召回率，但召回率的分母是“所有真目标”，其中包含下游本来就检不出的目标。把这些目标算进粗筛的账上，会逼着阈值无限放宽，最终失去粗筛的意义。门控保真度把分母限定为“下游可检出的目标”，只对粗筛真正能负责的部分问责，这在工程上更可操作，也避免了对粗筛提出超出其信息能力的要求。

4.3 保真—负载的帕累托前沿

对任一粗筛器，扫描 η 可得到一条 (L, GF) 曲线。这条曲线通常呈现“先陡后平”的形态：在低负载区，GF随负载增加快速上升；进入高负载区后，GF的边际收益急剧下降。可行的阈值应选在拐点之后、边际收益跌破下游容量约束之前。这个判断比“取95%分位”之类的经验规则稳健得多，因为它直接对应系统目标。

5. 阈值标定方法论：从ROC工作点到分位数映射

5.1 第一步：构造带标注的验证切片

阈值标定不能在全图上盲做，必须构造包含已知目标的验证切片。切片应覆盖：不同背景类型（植被、裸土、水体、城区）、不同目标丰度档位、不同成像条件。每类至少若干独立场景，避免单场景过拟合。标注需给出目标位置与丰度估计，丰度可由线性解混或人工注入模拟目标获得。

5.2 第二步：绘制门控保真—负载曲线

在验证切片上，对粗筛得分从高到低扫描阈值，记录每个阈值下的负载率与门控保真度。注意：GF的计算需要先固定下游检测器及其工作点，因此这一步应在精判模型定型之后进行，或至少用其代理模型。若精判尚未定型，可用“目标丰度估计误差小于某容差”作为可检出性的代理判据。

5.3 第三步：由下游容量反推负载上限

下游容量取决于精判器的吞吐与抗虚警能力。设精判器在负载率 L 下的虚警率为 FAR(L)，系统可接受的最终虚警预算为 FAR_budget，则需满足 FAR(L) ≤ FAR_budget。由此解出负载上限 L_max，再在曲线上取满足 L ≤ L_max 的最大 GF 对应的阈值。这一步把“阈值定多少”转化为“容量允许多少”，是可验证的。

5.4 第四步：分位数映射与在线自适应

固定绝对阈值在不同场景间迁移性差，因为得分分布的尺度随背景变化。更稳健的做法是把阈值表达为分位数：η = Q_{1-p}(D)，其中 p 为允许的通过比例。分位数 p 由 5.3 步的负载上限确定，且 p 比绝对阈值更具跨场景可比性。在线运行时，可用滑动窗口估计局部得分分布并动态更新分位数，但需设置更新速率的上下限，防止分布突变导致门控抖动。

6. 工程实现：双阈值滞回与多门级联

6.1 双阈值滞回：解决“边界抖动”

单阈值在目标边缘会产生“忽进忽出”的抖动：目标核心像元得分高，边缘像元得分在阈值附近波动，导致同一目标被切成碎片。双阈值滞回（hysteresis）借鉴Canny边缘检测的思路：设高阈值 η_high 与低阈值 η_low，得分高于 η_high 的像元作为“种子”，得分高于 η_low 且与种子空间连通的像元被接纳。这样既保住了弱边缘，又抑制了孤立虚警。

参数上，η_high 按5.3步的容量约束确定，η_low 可取 η_high 的0.6至0.8倍（经验区间，需按数据验证）。连通性判据建议用8邻域，窗口尺度与目标预期尺寸匹配。滞回的关键收益是把“单像元判决”升级为“区域判决”，这对亚像素目标的完整性尤其重要。

6.2 多门级联：把一次硬判决拆成多次软过滤

与其用一个阈值承担全部压力，不如用多级门控逐级收紧：第一级用宽松阈值保证GF，第二级用形态/空间约束剔除明显非目标，第三级用光谱形状约束进一步压缩。每级的阈值都可独立标定，且每级只对“自己擅长剔除的那类非目标”负责。这种设计的优点是误差不在一处集中爆发，弱目标在第一级被保住，后续级只做减法不做加法。

# 三级门控伪代码（示意，非可执行）
cand1 = AD_score > eta_low            # 保真优先，宽松
cand2 = cand1 & region_area >= A_min  # 剔除孤立噪点
cand3 = cand2 & spectral_shape_ok     # 光谱形状合理性
final = TD(cand3)                     # 精判

需要提醒的是，级联级数不是越多越好。每增加一级都会引入新的漏检风险，且各级误差会累积。本文建议级数控制在3至4级，且每级都应在验证集上单独评估其“剔除的非目标比例”与“误删目标比例”，后者必须显著低于前者才有保留价值。

6.3 得分融合而非硬串联

另一种思路是不做硬门控，而是把异常得分作为精判器的辅助特征或先验权重，做软融合。例如在CEM的约束中加入异常得分的正则项，或在深度检测器的输入中拼接异常得分图。这样避免了硬阈值的信息损失，但代价是计算量上升、可解释性下降。软融合适合算力充裕、对可解释性要求不高的场景；硬级联适合星上处理、算力受限的场景。二者不是替代关系，而是按部署约束选择。

7. 物理先验约束：让门控“懂光谱”

7.1 非负性与丰度上界

线性混合模型下，像元光谱是端元光谱的非负线性组合且丰度和为1。粗筛阶段虽无目标先验，但仍可施加“非负性”与“丰度和”约束来剔除物理上不可能的候选。例如，解混残差过大或出现显著负丰度的像元，可直接在粗筛阶段剔除，而不必等到精判。这类约束的阈值有明确物理含义（如负丰度绝对值超过0.05），比纯统计阈值更可解释。

7.2 光谱形状相似性作为二级门

若应用场景对目标类别有大致范围（如植被异常、矿物蚀变），可用光谱角（SAM）或光谱信息散度（SID）做二级筛选。注意：这一步引入了先验，已不属于严格意义上的“无先验异常检测”，因此应放在粗筛之后、精判之前，作为独立的中间级，并在文档中明确其先验来源，避免把“有先验”包装成“无先验”。

本文评述：物理先验是提升门控保真度最被低估的手段。统计阈值只能回答“像不像背景”，物理约束能回答“有没有可能由地物混合产生”。后者对云影、阴影、水陆边界这类“统计异常但物理合理”的非目标有很强的剔除能力，且不依赖标注数据。工程上建议把物理约束放在统计粗筛之后，形成“统计保真 + 物理去伪”的两段式门控。

8. 关键数据与案例：公开数据集上的量化观察

8.1 常用公开数据集与预处理

高光谱目标检测与异常检测常用的公开数据包括：AVIRIS传感器获取的San Diego机场数据、Indian Pines农业数据、Pavia University城区数据，以及Hyperion、GF-5等星载数据。目标检测领域还有基于模拟注入的合成数据集。预处理细节直接影响阈值可比性，需明确说明：

• 辐射定标与大气校正：星载数据需经FLAASH或6S模型校正至地表反射率，机载数据视情况处理。未校正的辐亮度数据其得分分布与反射率数据不可比。
• 坏波段剔除：剔除水汽吸收波段与信噪比过低的波段，常见做法是剔除1350–1450nm、1800–1950nm附近波段。
• 降噪：可用MNF变换保留前若干主成分，或使用低秩去噪。降噪强度会压缩弱目标得分，需在阈值标定中体现。
• 归一化：逐波段标准化或光谱整体归一化，选择需在文中说明，因为不同归一化改变得分尺度。

8.2 阈值敏感性的量化观察

以下为基于公开数据与模拟注入的整合观察（模拟数据，用于说明趋势，非某团队实验结论）：在Indian Pines数据上，以RX为粗筛、CEM为精判，对注入丰度1%–10%的模拟目标扫描阈值，可观察到：当通过比例从1%放宽到5%时，门控保真度从约0.62升至约0.91，但候选数增加约4倍；继续放宽到10%，GF仅升至约0.94，候选数再增约1倍。拐点出现在通过比例3%–5%区间，与4.3节的帕累托分析一致。

这组数字的意义不在于具体数值，而在于揭示边际收益递减的拐点位置。工程上应把阈值定在拐点附近，而不是凭“宁可错杀不可放过”的直觉一路放宽。放宽到10%带来的GF增益仅3个百分点，却让精判负载翻倍，得不偿失。

8.3 一个反直觉的观察

在部分场景中，粗筛阈值放宽后，精判的最终检测率反而下降。原因是大量非目标进入精判后，若精判器带有自适应背景估计（如CEM的协方差估计），这些非目标会污染精判的背景模型，导致精判自身的判别边界偏移。这印证了导语中“被带偏”的判断，也说明粗筛与精判不是单向传递，而是存在反馈耦合。因此，精判器的背景估计应尽量使用粗筛之前的全图统计，或对候选集做稳健加权，避免被粗筛结果二次污染。

9. 评估体系的陷阱：亚像素目标与点目标度量

9.1 像元级指标的失真

亚像素目标在像元级评估中天然吃亏：一个占0.3像元的目标，即使被完美检测，其像元级IoU也远低于常规阈值。用像元级mAP评估小目标，会系统性低估性能，进而误导阈值选择——为了让mAP好看，可能把阈值调得过松，引入大量虚警。本文建议对亚像素目标采用目标级评估：以目标中心为基准，检测响应落在目标邻域半径内即算命中，半径按点扩散函数与配准精度设定。

9.2 虚警率的定义一致性

虚警率有“每像元虚警率”与“每目标虚警率”两种口径，二者在目标稀疏场景下差异巨大。粗筛阈值讨论中必须明确口径，否则“虚警率1%”可能指全图1%像元，也可能指每个目标邻域1个虚警，后者严苛得多。工程文档中应同时给出两种口径，避免验收争议。

9.3 置信度校准

若精判器输出置信度，应做校准（如温度缩放、等渗回归），使置信度可解释为概率。校准后的置信度可用于动态阈值：在高虚警敏感区域提高置信度门槛，在弱目标敏感区域降低门槛。这比全局固定阈值更精细，但需要足够的验证数据支撑校准，数据不足时反而引入偏差。

10. 对比与局限：级联架构的边界条件

10.1 级联 vs 端到端

端到端深度检测器在数据充足时通常优于手工级联，但其可解释性与星上部署成本是短板。级联架构的优势在于模块可替换、阈值可解释、算力可控。本文认为二者不是替代关系：级联适合作为端到端模型的“前置降载”，即在算力受限时先用轻量粗筛把数据量压下来，再送入深度模型。此时粗筛阈值的目标就是“保真 + 降载”，与本文主线一致。

10.2 级联失效的典型条件

• 目标与背景统计不可分：当目标光谱与背景高度相似（低对比度），异常检测的得分区分度本身就很低，此时任何阈值都无法兼顾，级联架构失效。应转向利用空间纹理或多时相信息。
• 背景非平稳：大范围场景中背景统计随空间变化剧烈，全局阈值失效，必须局部化或分层。
• 非目标异常密集：云影、水体边界等非目标异常占比过高时，粗筛的“异常”语义被稀释，GF急剧下降。
• 标注稀缺导致GF无法估计：门控保真度需要标注目标来估计，标注不足时只能退化为经验规则，可靠性下降。

10.3 与相关工作的关系

级联检测在计算机视觉中早有研究（如Viola-Jones级联、两阶段检测器），其核心思想是“用廉价特征快速排除明显负样本”。高光谱领域的特殊性在于：特征维度极高、样本极少、物理约束强。因此不能照搬CV级联的经验阈值，必须结合光谱统计特性重新标定。本文的门控保真度框架，可视为把CV级联的“级联衰减”概念迁移到高光谱场景的一次尝试，其有效性依赖前述背景估计与物理约束的配合。

11. 结论与展望

回到最初的问题：粗筛阈值到底按什么定？本文的答案是——按“门控保真度—负载”帕累托前沿定，按下游容量反推负载上限，按分位数映射实现在线自适应。具体可归纳为五条可操作结论：

1. 阈值是系统级参数，必须由下游精判的抗干扰能力与容量共同决定，不能由粗筛自身指标单独决定。
2. 标定前先检验背景估计的稳健性，得分分布不可信时，阈值讨论无意义。
3. 用门控保真度替代粗筛召回率作为模块验收指标，把“下游本就检不出”的目标从粗筛责任中剥离。
4. 优先采用双阈值滞回与3–4级多门级联，把一次硬判决拆成多次软过滤，降低单点误差集中爆发的风险。
5. 物理先验（非负性、丰度和、光谱形状）是提升保真度的高性价比手段，应作为统计粗筛之后的独立一级。

展望方面，三个方向值得关注：其一，基于极值理论的阈值自动标定，用POT模型拟合得分尾部，把阈值选择转化为尾部参数估计，减少对标注的依赖；其二，粗筛与精判的联合优化，把两级作为整体端到端训练，同时约束GF与最终虚警，避免手工接口的信息损失；其三，面向星上处理的轻量级门控，在辐射未校正、算力极受限条件下设计鲁棒阈值策略。这些方向都还没有成熟答案，但门控保真度提供了一个可度量、可比较的讨论框架。

12. 参考文献与拓展资源

12.1 主要参考文献（8–9篇）

1. Reed I S, Yu X. Adaptive multiple-band CFAR detection of an optical pattern with unknown spectral distribution. IEEE Trans. ASSP, 1990.（RX检测器原始文献）
2. Chang C I, Heinz D C. Constrained subpixel target detection for remotely sensed imagery. IEEE Trans. GRS, 2000.（CEM方法）
3. Manolakis D, Shaw G. Detection algorithms for hyperspectral imaging applications. IEEE Signal Processing Magazine, 2002.（检测算法综述）
4. Stein D W J, et al. Anomaly detection from hyperspectral imagery. IEEE Signal Processing Magazine, 2002.（异常检测经典综述）
5. Matteoli S, Diani M, Corsini G. A tutorial overview of anomaly detection in hyperspectral images. IEEE AESM, 2010.
6. Bioucas-Dias J M, et al. Hyperspectral unmixing overview. IEEE JSTARS, 2012.（解混与物理约束）
7. Zhu X X, Tuia D, Mou L, et al. Deep learning in remote sensing: a review. IEEE GRSM, 2017.
8. Wang Y, et al. Hyperspectral anomaly detection: a survey of classical and deep learning methods. 近期综述类文献（2022–2024）。
9. Viola P, Jones M. Rapid object detection using a boosted cascade. CVPR, 2001.（级联思想源头）

12.2 拓展资源

• IEEE GRSS 数据与教程门户：grss-ieee.org（含高光谱数据集与标准评测说明）
• NASA AVIRIS 数据说明与下载：aviris.jpl.nasa.gov
• Purdue 高光谱数据集页面（Indian Pines 等）：engineering.purdue.edu/~biehl/MultiSpec
• ENVI 官方教程（预处理与检测流程）：nv5geospatialsoftware.com
• scikit-learn 异常检测与ROC分析文档：scikit-learn.org
• 视频课程：高光谱遥感图像处理公开课（可在主流MOOC平台检索“高光谱 目标检测”相关课程）