针对传统的高光谱遥感图像分类方法未能充分利用空间信息,提出一种基于高光谱图像重构特征融合的分类方法。该方法首先将图像的每个像素点进行LBP(Local Binary Patterns)特征提取,得到每个像素点的LBP特征值;其次提取出每个像素点的空间邻域块,按照图像已知的标签信息去除每个空间邻域块中冗余的背景像素点,得到新的空间邻域块,利用光谱距离得到每个像素点的权重值并计算重构特征值;然后,将像素点的LBP特征值和重构特征值进行叠加融合,获得重构特征融合值;最后,采用K最近邻分类器将像素点进行分类,根据测试样本点和训练样本点的欧氏距离判断测试样本点的类别。在Indian Pines和Pavia University数据集上进行实验。实验结果表明,所提方法的分类精度分别达到99.06%和99.73%。

局部几何结构Fisher分析通过数据的邻域和邻域的重构来表征高光谱数据的内在流形,可以提升高光谱图像的分类效果。但是该方法使用原始样本点与重构点一起构图,在低维空间上不能有效保持流形的整体结构。针对上述问题,提出了一种局部重构Fisher分析方法;该方法首先使用类内近邻样本重构原始样本,以保持流形的整体结构,然后利用重构点构造本征图和惩罚图。在低维空间中,通过减小类内样本间的距离,增大非同类样本的距离,提高了同类地物的紧凑性和不同类地物的离散性,获得了更好的鉴别特征,有效改善了高光谱图像的分类性能。在Pavia University数据集和Urban数据集上的实验结果表明,相比其他流形学习方法,所提法获得了更高的分类精度。在Pavia University数据集和Urban数据集中随机选取1%的训练样本时,所提方法的总体分类精度相比局部几何结构Fisher分析分别提升了7.84个百分点和1.27个百分点,总体分类精度达到了86.07%和83.77%。

传统的稀疏表示分类方法仅利用图像数据的稀疏特性分类, 未利用高光谱图像的邻域信息, 为此提出了一种联合稀疏特性和邻域相似度量的分类方法.该方法首先利用稀疏表示揭示出数据的稀疏特性, 然后计算在各类样本中的稀疏相似性, 并结合邻域特性, 构建数据在各类样本中的稀疏-邻域联合相似关系, 最后根据联合相似性大小判断数据类别.在利用数据的稀疏特性的同时结合像元的邻域信息, 增强各种地物类别间的区分性, 提升分类效果.在Indian Pines和PaviaU高光谱数据集上的实验表明：本文算法的分类精度高于其他方法, 总体分类精度分别达到了81.69%和86.59%, 能得到具有更多同质区域的分类结果图, 拥有更好的总体分类精度、平均分类精度和Kappa系数.

针对局部保持投影 (LPP)在构造邻接图时, 基于欧氏距离的近邻选取方式往往不能很好地反映数据间的几何结构关系问题, 提出一种融合相关系数的 LPP人耳识别算法。该算法通过融合图像相关系数和欧氏距离来构建邻接图, 能更好地揭示出数据间的几何结构关系。同时, 在设定权值时, 融入了图像间的相关系数, 能更好地体现高维数据间的相似关系, 提取出更有效的鉴别特征。在 USTB3和西班牙人耳库上的实验结果表明, 本文算法比传统 LPP算法识别率提高了 10%以上, 验证了本文算法的有效性。

针对局部线性嵌入(LLE)算法易受偏转角度和近邻选取的影响，提出了一种双层LLE(DLLE)的人耳图像识别方法，并结合Gabor小波和DLLE提出了GDLLE。DLLE首先计算各样本与每类样本中心的欧氏距离，再把欧氏距离最小的K类所有样本作为LLE的近邻，提取出鉴别特征，最后由最近近邻分类器对鉴别特征进行分类。在USTB3人耳图像库上的实验结果表明，本文提出DLLE能够减小偏转角度和近邻对LLE算法的影响，结合Gabor小波后进一步改善了算法的识别率。

传统的局部线性嵌入(LLE)算法需用欧氏距离度量近邻, 但欧氏距离只表示两点间的直线距离, 在高维空间中不一定能反映数据间的真实空间分布, 导致近邻选取不稳定。针对此问题, 本文提出了相关近邻(CN)LLE(CN-LLE)和相关最近邻分类(CNN)算法。提出的算法首先利用相关系数度量数据间的近邻, 实现更准确的局部重构, 提取鉴别特征; 然后用CNN对低维嵌入特征进行分类。在KSC和Indian Pine高光谱遥感数据集上的地物分类实验结果表明: 本文提出的CN-LLE+CNN算法比LLE、LLE+CNN和CN-LLE等算法的总分类精度提升了2.11%~11.55%, Kappa系数提升了0.026~0.143。由于该算法增加了近邻为同类的概率, 便于更有效地提取同类数据的鉴别特征, 且有更好的稳定性, 故能更有效地实现高光谱遥感数据的地物分类。

局部线性嵌入 (LLE)等流形学习算法中需要通过欧氏距离来度量数据点之间的近邻关系, 但欧氏距离只表示两点间的直线距离, 在高维空间中不一定能真实反映出图像数据点之间的空间分布情况。针对此问题, 本文提出了融合数据间夹角和欧氏距离度量 LLE近邻和分类的方法。该方法通过融合图像数据间的夹角和欧氏距离来度量图像数据点之间的近邻关系, 寻找 k个近邻点, 实现更有效的局部重构, 提取鉴别特征, 然后用融合了数据间夹角的最近邻分类器对数据进行分类。在 KSC和 Indian Pine高光谱遥感影像数据集上的实验结果表明: 在总体分类精度上, 本文算法比 LLE提升了 1.54%~6.91%。

通过分析现有人耳识别方法的不足，将局部线性嵌入 (LLE)算法应用于人耳识别。但 LLE算法对近邻点个数 K的依赖性很强，通常 K较大时才能获得良好的降维效果，而计算量也随之增加。为了减弱 LLE算法对 K的依赖，本文对 LLE算法的距离进行了改进，使样本集分布更均匀。在 K值比较小时，改进 LLE就能得到良好的降维效果，在一定程度上扩大了 K的取值范围。改进 LLE算法和原始 LLE算法的人耳识别实验结果表明，改进 LLE能获得更高的识别率，从而验证了该算法的有效性。

复杂背景下的图像边缘通常非常复杂。为了解决人耳图像边缘检测中区域精度要求和抗噪性的矛盾,提出了一种基于小波模极大值的人耳边缘提取方法。首先对图像进行小波分解,得到3种不同尺度下的小波模极大值图像;接着将图像分别转换为二值边缘图像;然后将这些图像进行叠加;最后利用肤色二值图排除肤色区域范围外的噪声点得到边缘图像。此肤色二值图是图像经过形态学处理,并且依据人侧脸的先验知识通过分析和筛选所得到的。该方法引入了多尺度小波模极大值图像叠加技术,对解决复杂背景下人耳内外边缘特征难以提取的问题有良好的效果。实验结果表明,该方法在复杂背景下是有效的。

本文在借鉴人脸检测算法的基础上，对现有的人耳检测方法进行研究，针对人耳区域小、共性特征少、复杂背景下难以检测等特点，提出了一种分阶段优化的静态彩色复杂背景下的人耳检测方法。首先采用肤色分割将检测范围缩小至肤色区域；接着利用侧脸的先验知识再次筛选；然后对图像进行边缘提取，在边缘图像中利用人耳含有丰富边缘信息的特点进行区域搜索以确定人耳。在该方法中，彩色图像的肤色信息和灰度图像的多尺度边缘以及人耳自身特征被结合起来，对解决人耳共性特征在复杂背景下难以被提取的问题具有较好的效果。实验结果表明，该算法在复杂背景下是有效的。