局部与非局部上下文感知弹性网络：高光谱图像的平衡分类新法

本文主要探讨了一种新颖的高光谱图像（HSI）分类方法，名为"基于局部和非局部上下文感知弹性网络表示的分类"。在传统的基于表示的分类框架中，如稀疏表示分类（SRC）和协作表示分类（CRC），它们分别强调利用少数有标签样本和所有样本之间的协作表示。然而，当不同类别间的标记样本分布不平衡时，这些方法可能难以捕捉每个类别特有的特征。 作者提出了一种创新的解决方案，即利用图论中的弹性网（Elastic Net，ELN）模型，结合局部和非局部上下文信息。首先，通过构建ELN编码邻域图，这个图考虑了图像斑块之间的空间和光谱自相似性，以及一种称为图像块距离（Image Patch Distance, IPD）的概念，这有助于捕获数据的局部结构和全局关联。这种方法不仅保留了局部一致性，还引入了全局上下文，使得模型在处理不平衡标记样本时更加稳健。 为了优化这个模型，作者将集中式的稀疏性规范与ELN框架整合，这样既能鼓励模型学习到稀疏表示，又能确保模型的表达能力。在求解过程中，采用了经典的交替方向乘子法（Alternating Direction Method of Multipliers, ADMM），这是一种高效且稳定的优化工具，能够在大规模数据上求解复杂的优化问题。 实验结果显示，这种方法在多个真实世界的数据集上表现出色，尤其是在分类精度方面超越了当前的前沿算法。即便在标记样本严重不平衡的情况下，所提出的ELN模型依然能提供更准确的分类结果，这对于HSI分类任务，特别是在遥感和地球观测领域的应用具有重要意义。 总结来说，这篇论文的主要贡献在于提出了一种创新的HSI分类策略，它结合了上下文感知的弹性网络表示、局部和非局部信息，以及高效的求解技术，为解决不平衡标记样本下的HSI分类问题提供了新的途径。