散列分层特征表示：高光谱图像分类新方法

"基于散列的分层特征表示的高光谱图像分类方法" 高光谱图像分析是遥感和地球观测领域的重要技术，它能够捕捉到物体丰富的光谱信息，从而实现对地物的精细分类。传统的高光谱图像分类往往依赖于单一的光谱特征，但这种方法往往受限于光谱冗余和噪声的影响。为了提高分类的准确性，近年来研究人员开始关注两种策略：多特征融合和光谱-空间特征提取。 本文提出的是一种创新的高光谱图像分类方法，它结合了这两种策略的优点，并引入了基于散列的集成分层特征表示。这种方法包含三个主要步骤： 1. 多特征提取：首先，从高光谱图像中提取多种类型的特征，包括局部特征（如纹理和形状），全局特征（如图像统计特性）以及光谱特征（如光谱曲线）。这些特征提供了对图像不同层面的理解。 2. 基于散列的特征表示：在提取的特征基础上，文章采用了散列技术进行特征表示。散列能够将高维特征映射到低维空间，同时保持特征之间的相似性，这有助于减少计算复杂性和存储需求，同时保持信息的完整性。 3. 极端学习机（ELM）分类：最后，使用极端学习机作为分类器。ELM是一种快速、有效的机器学习方法，它可以高效处理大量输入特征，并且在许多情况下表现出与支持向量机相当的性能，但训练时间更短。 通过这种分层特征表示的集成方法，论文中提到的方法不仅考虑了多特征融合，还利用了特征提取的深度和广度。实验结果显示，这种方法相比仅使用多特征融合或单一特征提取的方法，能够显著提升分类精度，表明了其在处理高光谱图像分类问题上的优越性。 总结起来，该研究为高光谱图像分类提供了一种新的视角，即通过层次化的特征表示和有效的特征压缩手段，结合多种信息源，实现更准确的分类。这种方法对于未来遥感图像分析和地物识别的研究具有重要的参考价值。