高光谱图像特征提取：一种空间相关性的半监督LPP算法

"考虑空间相关性的半监督局部保持投影的高光谱图像特征提取" 高光谱图像处理是遥感和地球观测领域中的重要技术，它能提供丰富的地物光谱信息，但同时也面临着波段多、信息冗余以及空间信息相关性等问题。针对这些问题，研究者们提出了一种名为LPP-SCSSFE（考虑空间相关性的半监督局部保持投影的高光谱图像特征提取）的新型算法。此算法旨在通过结合空间信息和光谱信息来优化特征提取过程，以提升高光谱图像分类的准确性。 局部保持投影（Local Preserving Projections, LPP）是一种非线性降维方法，其主要目标是保持数据集中的局部结构。在高光谱图像分析中，LPP通常用于保留光谱相似性的地物信息。然而，LPP并未考虑图像的空间相关性，这可能会导致在特征提取过程中忽略重要的空间信息。LPP-SCSSFE算法则弥补了这一不足，它引入了空间距离的概念，以便更好地保存图像的空间近邻结构。 算法的核心在于定义新的像元权值计算函数，这个函数同时考虑了同物异谱（相同地物但光谱不同的像元）和同谱异物（光谱相同但地物不同的像元）的情况。通过类内判别权值和类间判别权值，算法可以区分同类地物间的相似性和异类地物间的差异性，从而增强分类效果。 在实验部分，LPP-SCSSFE算法在Indian Pines和Pavia University两个标准高光谱数据集上进行了测试。分类结果显示，该算法的总体分类精度分别达到了87.50%和91.29%，显著优于传统的特征提取方法。这些结果证明了LPP-SCSSFE算法在考虑空间相关性和光谱相似性的同时，能够有效地提取出高光谱图像中的代表性特征，有助于提高分类精度，对于高光谱图像处理领域具有重要的理论和实际应用价值。 LPP-SCSSFE算法是高光谱图像特征提取的一个创新性尝试，它融合了空间信息和光谱信息，提高了分类任务的性能。这种半监督学习方法对于处理大规模、复杂环境下的遥感图像分析具有广阔的前景，并可能推动未来高光谱图像处理技术的发展。