高光谱影像分类：局部保持判别分析与高斯混合模型

"高光谱影像光谱空间分类的保留原位判别分析和高斯混合模型" 这篇研究论文探讨了高光谱影像的光谱空间分类方法，主要聚焦于利用保留原位判别分析（Locality-Preserving Discriminant Analysis, LDA）和高斯混合模型（Gaussian Mixture Models, GMM）来提升分类效果。高光谱影像拥有丰富的光谱信息，通常包含数百个波段，可以捕捉到地物的精细特征。然而，传统的分类方法往往仅依赖原始光谱签名或简单的空间特性，如纹理特征，忽视了光谱和空间信息之间的关联。 论文提出了一种基于结构化多模态统计模型的光谱-空间高光谱图像分类方法。为了提取像素及其邻近像素的相关特征，作者采用了三维小波变换。这种变换能够量化局部的方向和尺度特性，有助于揭示图像中的复杂结构。接着，局部Fisher判别分析被应用到这个高维小波系数空间中，将数据投影到一个低维空间，以保持样本间的局部结构并增强类间距离，这有助于提高分类的准确性。 在高斯混合模型方面，GMM假设样本来自多个高斯分布的组合。每个高斯分量代表一类，通过估计参数来确定每个类别的概率分布。在高光谱图像分类中，GMM能够捕捉数据的内在复杂性和不确定性，通过聚类像素以形成类别，从而实现更准确的分类。 实验部分可能涉及在WHISPERS 2012（Hyperspectral Image and Signal Processing Workshop）上展示的实际高光谱数据集，对所提方法与其他传统方法进行比较，以证明其优越性。论文的结果可能会展示分类精度的提升，以及如何通过结合光谱和空间信息来改善地物识别。 这篇论文为高光谱影像分类提供了一个创新的方法，它综合考虑了光谱和空间信息，通过保留原位判别分析和高斯混合模型提高了分类性能，对遥感、环境监测和地理信息系统等领域具有重要的理论与实践价值。