基于核稀疏表示与半局部空间图正则化的高光谱图像分类

"这篇论文提出了一种基于核稀疏表示（KSR）的高光谱图像分类后处理算法，该算法结合了空间和光谱信息。首先，采用像素级KSR来寻找高光谱图像的稀疏系数向量。然后，提出了一种由稀疏度集中指数（SCI）指导的半局部空间图正则化（SSG），称为SSG+SCI，以确定促进类别内部空间连续性的优化稀疏系数向量。最后，利用这些优化的系数向量生成最终的分类地图。与先前基于相似空间-光谱后处理策略的方法相比，SSG+SCI在准确性和所需训练样本数量方面都表现出了优越性，这一点在两个实际高光谱图像的实验中得到了验证。关键词包括：图正则化、高光谱图像分类、核稀疏表示、稀疏度集中指数。" 本文详细探讨了高光谱图像分类的一个创新方法，主要关注如何有效地融合光谱和空间信息以提高分类精度。高光谱图像因其丰富的光谱信息而被广泛用于遥感和地球科学等领域，但同时也面临着复杂的类内变异和类间相似性问题。传统的分类方法往往仅依赖单一的光谱信息，这可能导致分类效果不佳。 论文提出的KSR方法首先对每个像素进行稀疏表示，这是通过将图像数据映射到高维特征空间并寻找最简洁的特征组合来实现的。KSR利用核函数（如径向基函数RBF）来处理非线性关系，从而更好地捕获图像的复杂结构。这种方法可以揭示数据的内在模式，有助于区分不同的光谱类。 然而，光谱信息本身并不足以完全解决空间连续性问题，因此引入了SSG+SCI策略。该策略利用SCI来评估稀疏系数的集中程度，以此指导SSG来增强相邻像素间的空间一致性。SCI规则可以帮助识别和纠正分类过程中的错误，确保同一类别的像素在空间上更连贯。 实验部分，作者使用了两个真实的高光谱图像数据集，结果表明SSG+SCI在分类精度和训练样本需求方面优于其他同类方法。这表明该算法对于处理高光谱图像分类中的挑战具有显著优势，尤其在处理小样本和复杂场景时。 这篇论文的研究成果为高光谱图像分类提供了一个新的有效工具，其结合了KSR的光谱分析能力和SSG的空间信息利用，为未来的研究和应用提供了有价值的参考。