监督空间正则化流形鉴别分析在高光谱影像分类中的应用

"这篇论文提出了一种名为监督空间正则化流形鉴别分析（SSRMDA）的新算法，旨在解决传统高光谱影像分类中只关注光谱信息或者空间信息提取不足的问题，以提高遥感地物分类的准确性。通过利用样本数据的标签信息，SSRMDA构造了谱域类内图和类间图，揭示高光谱数据的非线性流形结构。接着，它构建空域类内图，并将空间信息与光谱信息融合，实现谱-空信息的有效结合，使得低维空间内的类内数据更加聚集，增强了数据的可分性。实验结果表明，SSRMDA在Indian Pines和Washington DC Mall数据集上的分类精度分别达到了91.58%和96.67%，显示了其在地物分类方面的优秀性能，特别是在小样本情况下效果更为显著，具有很高的实用价值。该研究涉及的关键技术包括遥感、高光谱影像分类、特征提取、图嵌入、流形学习和空间正则化。" SSRMDA算法的核心在于其创新性的融合了光谱和空间信息。传统的高光谱影像处理方法往往侧重于光谱特性，而忽视了空间邻近性对分类的贡献。在SSRMDA中，通过构建谱域内的类内和类间图，可以捕捉到数据的非线性结构，这对于揭示复杂高光谱数据的内在模式至关重要。类内图和类间图的建立基于样本的标签信息，这有助于区分不同类别的数据点。 此外，算法的另一个亮点是引入了空间正则化。通过构建空域类内图，SSRMDA能够考虑像素之间的空间相关性，这种相关性在遥感图像中是非常重要的。空间信息的正则化融合进一步加强了光谱信息，使得在低维空间中，同类数据点能更紧密地聚集，提高了分类的准确性和稳定性。 实验部分，SSRMDA在两个典型的数据集上进行了验证，即Indian Pines和Washington DC Mall。这两个数据集涵盖了不同的地物类型和复杂性，为算法的通用性和鲁棒性提供了测试基础。取得的高分类精度证明了SSRMDA的有效性，尤其是在小样本条件下，该算法的优势更为突出，这对于实际应用中的资源有限情况具有重要意义。 SSRMDA是一种高效且具有广泛适用性的高光谱影像分类方法，它通过创新的谱-空融合策略，提升了遥感地物分类的性能，特别是在处理小样本时表现出色，对于遥感图像分析领域具有重要的理论和实践价值。