高光谱图像分类：非局部联合CR与局部自适应字典

"非局部联合协作表示与局部自适应字典的高光谱图像分类" 高光谱图像（HSI）分类是遥感领域的关键任务，它涉及到对具有多个连续光谱波段的图像进行分析，以识别不同物质或地物。在本研究中，作者针对传统的稀疏表示在HSI分类中的计算效率问题，提出了一种新的方法——非局部联合协作表示与局部自适应字典（NJCRC-LAD）。这种方法旨在利用协作表示的优势，同时减少计算复杂度。 稀疏表示是一种将信号表示为有限个基元素线性组合的技术，它在图像处理和计算机视觉中有广泛应用。然而，稀疏表示的计算成本高是其主要缺点。相反，协作表示（CR）被证明在许多情况下能取得相似甚至更好的性能，而计算时间更短。CR通过寻找一组训练样本来共同表示测试样本，从而提高分类的准确性。 NJCRC-LAD方法的核心是构建了一个联合协作模型（JCM），该模型基于测试像素的非局部像素，即考虑了像素之间的空间关系。这一特性有助于捕捉HSI中的空间上下文信息，这对于识别复杂场景至关重要。此外，使用局部自适应字典代替全局字典，使得算法能够更好地适应非局部信号的特征，提高了分类的精度。 在NJCRC-LAD方法中，每个测试像素的表示不再是对整个字典的稀疏分解，而是通过对与之相邻或相似的非局部像素组的协作表示来完成。这种局部自适应策略降低了计算复杂度，同时也提升了分类效果。 为了验证NJCRC-LAD的有效性，研究者在三个不同的HSI数据集上进行了实验。实验结果显示，NJCRC-LAD相比于基于稀疏性的方法和传统的支持向量机（SVM）等高光谱分类器，表现出显著的优越性。这表明，结合非局部信息和局部自适应字典的协作表示策略可以为HSI分类提供更高效、准确的解决方案。 总结来说，这篇论文提出了一个新颖的高光谱图像分类框架，它融合了非局部联合协作表示和局部自适应字典学习，解决了稀疏表示的计算效率问题，并在实际应用中显示了强大的分类性能。这一工作对于推动高光谱图像处理领域的发展，尤其是在快速、精准的分类算法设计方面，具有重要的理论和实践意义。