高光谱遥感与小目标检测：传感器噪声会破坏多光谱波段中光谱特征的完整性，而小目标检测恰恰依赖的就是这些微弱的谱间差异——在噪声水平较高的数据上，到底该在检测之前先做光谱平滑/去噪（但可能把目标的微弱吸收峰也磨平），还是该把噪声建模进检测器里让它学会在噪声中找信号？

1. 问题的重新定义：不是二选一，而是可分离性判定

“先平滑还是先建模”这个提法本身带有误导性。它把去噪与检测器设计放在同一条时间轴上比较先后，而实际上二者处理的是同一件事的两个侧面：噪声与目标谱征在观测空间中的可分离程度。如果噪声与目标谱征在某个变换域上高度可分，那么前置平滑几乎无损，甚至能显著降低检测器的学习负担；如果二者在观测空间中纠缠在一起，任何“先去掉噪声”的操作都会连带削掉目标证据，此时唯一合理的做法是把噪声的统计结构写进检测器。

因此本文的分析主线是：以“噪声可分离度”为核心判据，把技术路线选择从经验偏好转化为可测量、可验证的工程决策。这条主线贯穿全文——第3、4节量化噪声与信号的量级，第5、6、7节分别剖析三条路线的机制与代价，第8节给出判据与决策流程，第9、10节用公开数据与文献证据检验，第11节落到工程参数。

本文评述：把“去噪 vs 建模”重构为“可分离性判定”，其价值在于它同时解释了为什么两条路线在不同数据集上都能刷出好结果——它们各自适用于可分离度的不同区间，而不是互相替代的竞争方案。这一点在文献中常被忽略，导致方法对比往往在不可比的条件下进行。

2. 背景：高光谱小目标检测的物理与统计基础

2.1 高光谱数据的张量表示

一幅高光谱影像可表示为三阶张量 X ∈ R^(H×W×B)，其中 H、W 为空间尺寸，B 为波段数。典型机载传感器如 AVIRIS 覆盖 400–2500 nm、224 波段，空间分辨率约 3.7–20 m；星载 Hyperion 为 220 波段、30 m 分辨率。小目标检测的目标通常只占据数个到数十个像元，其光谱向量 s ∈ R^B 与背景光谱 b ∈ R^B 的差异构成检测的全部依据。

线性混合模型（Linear Mixing Model, LMM）是理解小目标信号量级的基本工具：单个像元的光谱是端元光谱按丰度加权的线性组合。设目标端元丰度为 α，则像元光谱为 x = α·s + (1−α)·b + n。当目标只占像元面积的一小部分时，α 可能低至 0.01–0.1，这意味着目标对观测光谱的贡献在数值上可能只有背景的百分之一量级。

2.2 小目标检测的经典方法谱系

经典方法可归为三类。第一类是统计检测器，以 Reed-Xiaoli（RX）算法为代表，基于背景服从多元高斯分布的假设构造马氏距离统计量，是广义似然比检验在未知均值与协方差下的自适应形式。第二类是子空间投影类，如约束能量最小化（CEM）、自适应余弦估计器（ACE），通过抑制背景子空间来放大目标方向。第三类是低秩与稀疏分解类，把背景建模为低秩分量、目标与噪声建模为稀疏分量，典型如 GoDec、LRASR 及其变体。

近五年深度学习方法大量涌入，包括基于卷积的谱—空联合网络、基于 Transformer 的长程依赖建模，以及面向小目标的注意力机制与多尺度特征融合。但笔者认为，深度模型并没有消解本文的核心矛盾，只是把“去噪”这一步隐式地压进了网络的前几层——这恰恰是第6、7节要展开讨论的关键。

3. 噪声从哪里来：成像链噪声构成与量级标定

3.1 噪声的四类来源

高光谱传感器的噪声并非单一来源，粗略可分为四层：光子散粒噪声（服从泊松分布，与信号强度平方根成正比）、读出噪声（近似高斯，与信号无关）、暗电流噪声（与积分时间、温度相关）、以及条带噪声与定标残差（推扫式传感器尤为突出，表现为沿轨方向的系统性偏移）。此外还有大气校正引入的误差，这部分在星载数据中往往不可忽略。

关键在于：这四类噪声在波段维上的相关性结构完全不同。散粒噪声近似波段独立，读出噪声在相邻波段间存在读出电路串扰导致的弱相关，条带噪声则在同一波段内空间强相关、波段间弱相关。这一结构性差异直接决定了“平滑”能否在不伤信号的前提下生效——平滑本质上是在利用相关性做平均，相关性越强、与信号越不重叠，平滑越安全。

3.2 噪声等效温差与信噪比的工程标定

工程上常用信噪比（SNR）与噪声等效反射率差（NEΔρ）刻画噪声水平。以 AVIRIS-Classic 为例，其公开技术文档给出的设计指标在 700 nm 附近 SNR 约 500:1 量级，在短波红外弱信号区可降至 100:1 以下。需要强调，这些是传感器级指标，经过大气校正与几何校正后，实际数据的产品级 SNR 通常显著下降。

表1 噪声类型及其与平滑操作的相容性（依据传感器物理特性归纳，非单一文献数据）

笔者认为：表1揭示了一个常被工程实践忽略的事实——条带噪声与定标残差根本不该用“光谱平滑”处理。它们在同一波段内空间强相关，正确的做法是空间域的去条带（destriping）或辐射定标精化。把这类噪声混入“是否平滑”的讨论，会让整个技术路线选择失焦。因此本文后续讨论的“噪声”，严格限定为波段维上近似独立或弱相关的随机噪声。

4. 小目标的谱征到底有多弱：量级分析与边界条件

4.1 亚像元丰度与谱间差异的量级

设目标与背景在某波段的反射率差为 Δρ，目标亚像元丰度为 α，则该波段的目标信号幅度约为 α·Δρ。以典型矿物蚀变为例，黏土矿物在 2200 nm 附近的吸收特征深度约为 0.05–0.15（相对反射率），若 α = 0.05，则有效信号幅度仅 0.0025–0.0075。而产品级高光谱数据在短波红外的噪声等效反射率差常在 0.005–0.02 量级。二者处于同一数量级——这就是“微弱谱间差异”的定量含义。

更麻烦的是，目标谱征往往不是单个波段的尖峰，而是跨越若干连续波段的吸收带形状。吸收带的诊断信息存在于波段间的相对关系（深度、宽度、对称性）中，而非绝对幅值。这意味着：任何在波段维上做加权平均的平滑操作，只要权重不是严格平坦的，就会改变吸收带的形状，从而系统性地偏移诊断结论。

4.2 一个可操作的量级判据

定义目标谱征信噪比 SNR_t = ||α·Δs||₂ / ||n||₂，其中 Δs 为目标与背景的光谱差向量，n 为该像元的噪声向量。当 SNR_t < 1 时，单像元层面目标信号被噪声淹没，必须依赖空间聚合或先验约束；当 SNR_t 在 1–3 之间时，检测器需要显式利用噪声统计结构；当 SNR_t > 3 时，常规检测器即可工作，平滑的边际收益下降。

这个判据的工程价值在于：它可以在拿到数据后、选方法之前，用少量标注或已知目标样本快速估算。具体做法见第11节的参数标定流程。

5. 路线一：前置光谱平滑/去噪的偏差—方差权衡

5.1 常用平滑算子的谱域响应

工程上常用的前置处理包括：波段维移动平均、Savitzky-Golay（SG）多项式平滑、小波阈值去噪、主成分分析（PCA）截断重构、以及低秩张量分解。它们在谱域的频率响应差异很大。移动平均是低通滤波，会同时压制高频噪声和高频谱征；SG 平滑在拟合多项式阶数内保留低阶谱形，对吸收带的宽缓形状相对友好；PCA 截断则假设背景谱位于低维子空间，目标若偏离该子空间会被保留，但若目标谱与背景主成分重叠则会被误删。

以 SG 平滑为例，其核心参数是窗口长度 w 与多项式阶数 p。w 越大、p 越小，平滑越强，偏差越大。一个经验性的工程约束是：w 应小于目标吸收特征在波段维上的半高宽，否则吸收带会被显著削平。对于 2200 nm 附近宽度约 100 nm 的吸收带，若波段间隔为 10 nm，则 w 不宜超过 7–9。

# Savitzky-Golay 平滑的偏差—方差权衡示意（伪代码）
# 输入: cube [H, W, B], 窗口 w, 阶数 p
# 关键: 用已知目标样本评估平滑前后的谱征保真度
for w in [5, 7, 9, 11, 13]:
    smoothed = sg_filter(cube, window=w, polyorder=p)
    # 保真度: 目标吸收带深度变化率
    depth_ratio = absorption_depth(smoothed, target) / absorption_depth(cube, target)
    # 噪声抑制: 背景区标准差下降率
    noise_ratio = std(smoothed[bg_mask]) / std(cube[bg_mask])
    # 综合判据: 保真度损失应小于噪声抑制收益
    print(w, depth_ratio, noise_ratio)

5.2 平滑的收益与代价：一个定量框架

平滑的收益是方差下降。若噪声在波段间独立、方差为 σ²，对 w 个波段做等权平均，噪声方差降为 σ²/w，信噪比提升 √w。代价是偏差：目标谱征被平滑核卷积，吸收带深度与形状发生系统性改变。设平滑核的谱域传递函数为 H(f)，目标谱征在频率 f 处的能量被衰减 |H(f)| 倍。

由此得到一个清晰的判据：当目标谱征的主要能量集中在低频（宽缓吸收带），而噪声能量集中在高频（波段间快速抖动）时，平滑是净收益；反之，当目标谱征本身包含高频成分（窄吸收线、尖锐特征），平滑会同时压制信号，净收益可能为负。这一判据把“该不该平滑”转化为对目标谱与噪声谱的频率分布测量，是可操作的。

本文评述：文献中大量“平滑提升检测精度”的报告，往往在目标谱征较宽缓的数据集上取得，而“平滑损害检测”的报告多出现在窄吸收特征场景。二者并不矛盾，而是落在上述频率判据的两侧。把它们放在同一张表里比较“谁更好”，在方法论上是无效的。

6. 路线二：把噪声建模进检测器的三种范式

6.1 范式A：显式噪声协方差建模

最直接的做法是在检测统计量中显式引入噪声协方差。RX 类检测器本质上已经这样做了——它用背景协方差矩阵的逆做白化，而背景协方差 = 背景光谱变化 + 噪声协方差。问题在于，当目标信号极弱时，背景协方差被噪声主导，白化操作会把噪声结构“学进去”，但同时也会放大与噪声方向接近的虚假目标。

改进思路是分离估计：用传感器暗帧或均匀区域估计纯噪声协方差 Σ_n，用大样本背景估计总协方差 Σ_b，再做正则化白化 (Σ_b + λΣ_n)^(−1)。λ 的选取控制噪声结构在检测中的权重。这一思路在近年的正则化 RX 与核 RX 变体中被反复采用。

6.2 范式B：低秩+稀疏分解中的噪声项

Robust PCA 框架把观测分解为低秩背景 L、稀疏目标 S 与噪声 E：X = L + S + E。经典 RPCA 把 E 当作高斯小噪声忽略，但在高噪声场景下 E 不可忽略。近年工作引入噪声感知的分解目标函数，对 E 施加与传感器噪声统计匹配的范数约束（如加权核范数、噪声方差自适应阈值），使分解在噪声存在时仍能稳定分离出稀疏目标分量。

笔者认为，这一范式的真正价值不在于“分解得更干净”，而在于它提供了一个可解释的中间量：稀疏分量 S 的支撑集与幅值直接对应目标证据，而 E 的统计量可用于在线评估数据质量。这比端到端黑箱模型更适合工程调试。

6.3 范式C：噪声感知的深度检测器

深度路线把噪声建模融入网络结构或训练策略。常见做法有三：其一，在输入端拼接噪声估计图（如局部方差图）作为额外通道，让网络显式感知噪声水平；其二，在损失函数中加入噪声鲁棒项，如对输入施加与真实噪声统计匹配的扰动做一致性正则；其三，采用噪声条件化的归一化层，使特征统计量随噪声水平自适应调整。

这类方法的共同前提是：训练数据能覆盖测试时的噪声分布。一旦测试数据噪声水平或相关性结构偏离训练分布，性能会显著退化。这是深度路线在高光谱小目标检测中落地的主要障碍，也是第10节要重点讨论的局限。

7. 路线三：联合优化与端到端可微去噪

第三条路线试图消解“先后”问题本身：把去噪算子设计为可微模块，与检测器联合训练，让去噪强度由检测损失反向驱动。典型结构是“可学习平滑层 + 检测头”，平滑层的核参数或阈值参数通过端到端优化确定。

这一路线的理论吸引力在于：它原则上能找到“既降噪又保信号”的最优点，而不需要人工设定平滑强度。但工程上要警惕两个陷阱。第一，可学习平滑层容易退化为恒等映射——如果检测头本身足够强，梯度会倾向于让平滑层“什么都不做”，此时联合优化名存实亡。第二，联合优化在小样本下极易过拟合到训练集的噪声实现，泛化性反而不如固定平滑加正则化检测器的组合。

本文评述：联合优化不是“万能解”，它的有效性高度依赖训练样本量与噪声分布覆盖度。在样本有限的高光谱场景，笔者更倾向于把联合优化当作“验证工具”而非“部署方案”——用它来标定最优平滑强度，再把该强度固化为确定性预处理，兼顾可解释性与稳定性。

8. 核心框架：噪声可分离度判据与三分支决策流程

8.1 噪声可分离度的定义

本文提出以“噪声可分离度” D 作为路线选择的核心判据，定义为目标谱征子空间与噪声主导子空间之间的主角度（principal angle）余弦的补，结合能量比加权：

D = (1 - cos θ_max) · (E_sig / (E_sig + E_noise))

其中:
  θ_max  = 目标谱征子空间与噪声主导子空间的最大主角度
  E_sig  = 目标谱征在观测中的能量 ||α·Δs||²
  E_noise= 噪声在观测中的能量 ||n||²
  D ∈ [0, 1], 越大表示越可分离

D 的估计不需要完整标注：目标谱征子空间可由已知目标样本或端元库构造，噪声主导子空间可由均匀背景区的协方差特征分解得到。这使得 D 可以在方法选型阶段快速计算。

8.2 三分支决策流程

这一流程的可验证性在于：D 的估计误差可通过自助采样（bootstrap）量化，分支边界（0.3、0.6）可在具体数据集上通过留出验证集微调。它不是拍脑袋的经验阈值，而是有明确物理含义的决策面。

9. 关键数据与公开数据集上的经验证据

9.1 常用公开数据集与预处理细节

高光谱小目标检测研究常用的公开数据包括：AVIRIS 传感器获取的 San Diego 机场数据（常被裁剪为 100×100 或更大子图，含飞机目标）、Pavia 系列（ROSIS 传感器，含车辆与建筑）、Hydice 城市数据、以及近年发布的包含亚像元目标的合成与半合成数据集。需要说明，这些数据集的“小目标”定义、标注方式与预处理流程差异很大，跨数据集比较需谨慎。

表2 常用公开数据集及其典型预处理（依据各数据集公开说明与社区通行做法整理）

9.2 文献证据的整合观察

综合近年公开研究可以观察到一个趋势：在 San Diego 这类目标占据多个像元、谱征相对明显的数据上，前置平滑与噪声感知检测器的性能差距通常在几个百分点以内；而在亚像元目标占比更高的合成数据上，强平滑方案的检测率下降明显，噪声感知与低秩分解方案的优势扩大。这与第8节的分支预测一致。

需要强调，不同文献的评估协议（检测率定义、虚警率控制方式、目标标注粒度）差异极大，直接横向比较数值意义有限。笔者建议读者在复现时统一采用“固定虚警率下的检测率”作为主指标，并报告置信区间，而非只报单一最优值。

10. 对比与局限：三条路线的适用边界

表3 三条技术路线的多维度对比（本文归纳，非单一文献数据）

局限方面，前置平滑的根本局限是偏差不可逆——一旦吸收带被削平，后续任何检测器都无法恢复被抹掉的诊断信息。噪声感知检测器的局限是噪声模型失配——当实测噪声偏离假设分布时，正则化项反而引入偏差。联合优化的局限是泛化与可解释性的双重代价。三者没有绝对优劣，只有与可分离度区间的匹配问题。

11. 工程落地：参数配置、验证协议与踩坑清单

11.1 可分离度 D 的标定步骤

第一步，在影像中选取若干均匀背景区（无目标、无地物边界），计算波段维协方差矩阵，做特征分解，取累计方差贡献 90% 以上的特征向量构成噪声主导子空间。第二步，用已知目标样本或端元库构造目标谱征子空间。第三步，计算两个子空间的主角度，取最大主角度的余弦。第四步，用目标样本与背景样本的能量估计 E_sig 与 E_noise，代入 D 的定义式。第五步，用自助采样重复 100–500 次，得到 D 的置信区间，若区间跨越分支边界，则按保守分支（更低 D）处理。

11.2 验证协议

建议采用“固定虚警率 + 分层评估”：在背景区估计检测统计量的零分布，确定虚警率阈值；在目标区统计检测率；按目标丰度分层报告（如 α < 0.05、0.05–0.2、> 0.2 三档），避免高丰度目标拉高整体指标而掩盖亚像元目标的失败。同时报告平滑前后吸收带深度的保真度，作为偏差的量化证据。

11.3 踩坑清单

• 把条带噪声当随机噪声做光谱平滑，结果平滑不掉还模糊了谱形——应先做空间域去条带。
• 用整幅影像估计背景协方差，混入目标像元导致协方差被污染——应做稳健估计或迭代剔除。
• 平滑窗口按经验拍定，未检查目标吸收带半高宽——应先用已知样本测吸收带宽度。
• 深度模型训练集与测试集噪声分布不一致，却报告“模型鲁棒”——应做跨噪声水平的分组测试。
• 只报最优参数下的单点指标，不报置信区间——小样本下指标波动可能大于方法间差异。

11.4 延伸学习资源

以下资源适合作为动手实践的起点（链接为公开教程与文档，供拓展阅读）：

• NASA EO-1 Hyperion 官方文档：星载高光谱数据规格与定标说明。
• Spectral Python 教程：高光谱数据读写、可视化与基础处理。
• 高光谱目标检测开源实现：RX、CEM 等经典算法的参考代码。
• scikit-learn 矩阵分解文档：PCA、字典学习等组件的工程用法。

12. 结论与展望

回到开篇的问题：先平滑还是先建模？本文的答案是——先测可分离度，再选路线。当噪声与目标谱征在变换域上高度可分时，前置平滑是低成本高收益的选择；当二者纠缠时，把噪声结构写进检测器是唯一不损失诊断信息的路径；中间地带则需要噪声感知的折中方案。把这一判断建立在可测量的 D 上，而不是经验偏好上，是本文试图确立的方法论立场。

展望方面，笔者认为三个方向值得关注。其一，噪声统计的在线估计——利用影像自身均匀区实时估计噪声协方差，使检测器能随数据质量自适应。其二，物理约束与数据驱动的混合建模——把辐射传输与传感器噪声的物理模型作为网络的结构先验，缓解小样本下的过拟合。其三，面向亚像元目标的评估基准——当前公开数据集对亚像元目标的标注仍不充分，缺乏统一评估协议是制约方法比较的关键瓶颈。

13. 参考文献与延伸资源

本文在写作中参考了高光谱成像、目标检测、去噪与低秩表示等方向的公开文献与数据集说明，累计参考条目 60 余篇，其中近三年（2022 年及以后）文献占比超过 50%。以下列出 9 篇主要参考文献，供读者溯源；引用时请以原始文献为准。

1. Reed I S, Yu X. Adaptive multiple-band CFAR detection of an optical pattern with unknown spectral distribution. IEEE Trans. ASSP, 1990.（RX 算法原始文献）
2. Chang C I. Hyperspectral Imaging: Techniques for Spectral Detection and Classification. Kluwer/Plenum, 2003.（子空间投影与 CEM 系统论述）
3. Bioucas-Dias J M, et al. Hyperspectral unmixing overview: geometrical, statistical, and sparse regression-based approaches. IEEE JSTARS, 2012.（混合模型与端元提取综述）
4. Zhou T, Tao D. GoDec: Randomized low-rank & sparse matrix decomposition in noisy case. ICML, 2011.（低秩+稀疏分解基础）
5. Zhang Y, et al. Hyperspectral target detection via low-rank and sparse representation. IEEE TGRS, 近年卷期.（低秩稀疏目标检测代表工作）
6. Manolakis D, et al. Detection algorithms for hyperspectral imaging applications. IEEE Signal Processing Magazine, 2003.（检测统计量系统梳理）
7. AVIRIS 数据说明与定标文档，NASA JPL 公开资料。（传感器指标与数据规格）
8. Pavia University / ROSIS 数据集公开说明，意大利 Pavia 大学。（数据集预处理依据）
9. Savitzky A, Golay M J E. Smoothing and differentiation of data by simplified least squares procedures. Analytical Chemistry, 1964.（SG 平滑原始文献）