高光谱图像分类新算法：Gabor特征与局部保护降维结合

"这篇论文提出了一种基于Gabor特征与局部保护降维的高光谱图像分类算法，通过结合Gabor变换和主成分分析提取特征，利用局部Fisher判别分析或局部保护非负矩阵分离进行降维，再用高斯混合模型进行分类，有效地挖掘了谱间-空间特征并保护了局部信息，提高了分类精度和Kappa系数，且在高斯噪声环境中有较强稳健性。" 在高光谱图像处理领域，分类是重要的任务之一，而本文提出的算法主要关注如何提升分类效果并保持图像的局部信息。高光谱图像具有丰富的光谱信息，每像素包含多个连续的光谱波段，这使得图像在光谱维度上具有很高的分辨率。然而，这种高维特性同时也带来了挑战，如计算复杂度增加和过拟合风险。 Gabor特征是一种常用的图像特征提取方法，它结合了频率域和空间域的信息，能够提取出图像的纹理、边缘等局部特征。在本文的算法中，首先通过嵌入主成分分析（PCA）的Gabor变换对高光谱图像进行预处理，PCA用于降低数据的维度，同时保留大部分方差信息，Gabor变换则能捕捉到图像的空间频率特性，从而得到综合了光谱和空间信息的特征。 为了进一步减小计算复杂度并保持相邻特征的局部信息，论文引入了两种局部保护降维技术：局部Fisher判别分析（LFDA）和局部保护非负矩阵分离（LP-NMF）。LFDA在降维时考虑了样本间的局部结构，旨在最大化类间距离的同时最小化类内距离，从而增强分类性能。LP-NMF则是一种非负矩阵分解方法，它保持了数据的非负性质，有利于挖掘数据的潜在结构和模式。 降维后的特征被输入到高斯混合模型（GMM）分类器中。GMM是一种概率模型，它可以模拟数据的多模型分布，对于复杂分布的数据集具有较好的适应性。在高光谱图像分类中，GMM可以有效地处理类别间的混合和重叠，提高分类的准确性。 实验结果证明，本文的算法在两组高光谱数据上表现出了优越的分类性能，不仅能够深入挖掘高光谱图像的谱间-空间特征，还能有效保护局部信息和多模型结构，从而获得比现有算法更高的分类精度和Kappa系数。此外，算法在高斯噪声环境下仍保持了良好的稳健性，显示了其在实际应用中的潜力。 本文提出的基于Gabor特征与局部保护降维的高光谱图像分类算法，通过创新性的特征提取和降维策略，提升了高光谱图像的分类效果，为高光谱图像处理提供了新的思路和技术支持。