摘要
高光谱遥感技术利用窄且近似连续的光谱波段对地物进行连续成像，得到的高光谱遥感图像包含两个空间维和一个光谱维，蕴含丰富的空间信息和光谱信息，在地质监测、食品安全和环境监测等领域有着重要的应用，得到了国内外众多学者的广泛关注和研究。由于高光谱图像存在样本标注困难，以及“维数灾难”等问题，高光谱图像特征提取与分类一直是高光谱图像处理研究和应用中的热点和难点问题。因此，如何充分利用高光谱图像的空间信息与光谱信息，建立高精度的高光谱图像特征提取与分类方法，成为提高高光谱图像分类精度的关键。本文基于协同表示模型开展高光谱图像特征提取与分类方法的研究工作，研究如何充分利用高光谱数据的空间信息与光谱信息。具体研究内容如下： 1.提出了一种基于测地线空谱协同图学习的高光谱图像特征提取方法。在无监督学习条件下，基于空间邻域信息和光谱邻域信息，保持局部数据结构；采用协同表示保持全局结构。利用空谱协同竞争表示系数构造空谱协同竞争保持图嵌入，将高维数据投影到低维空间，通过图嵌入得到低维数据，提取高光谱图像的深层特征。该方法可以改善大多数图像嵌入特征提取算法不考虑空间信息，不能通过浅层信息提取高光谱图像的深度特征的问题。利用标准数据集IndianPines、Salinas和PaviaU数据集在Intel(R)Core(TM)i5-4210U处理器，内存为8G，数据分析软件为MATLABR2019b的实验表明，该算法能够提取高光谱图像富有鉴别力的低维特征，有效保留数据的全局信息和局部空谱流形结构，从而提高该算法的特征提取与分类性能。 2.提出了一种基于测地线加权协同表示的高光谱图像分类方法。在协同表示分类模型的基础上对权重系数进行优化，利用基于测地线空谱协同图模型获得的表示系数作为加权协同表示，结合空间信息与光谱信息建立空谱联合表征模型，利用最小残差法实现高光谱图像的分类。利用标准数据集IndianPines、Salinas和PaviaU数据集进行实验，结果表明本文方法能够提升高光谱图像的分类性能。
NETL