传统的高光谱图像分类主要是基于像素的光谱特征, 在一定程度上忽略了高光谱遥感图像中像素之间的空间相关性。为了充分利用高光谱图像中的空间信息, 提出了一种基于加权多结构元素无偏差形态学的空间特征提取方法, 并基于形态学的多尺度特征和结构保持性提出了基于邻域的多尺度空间特征提取方法, 得到了高光谱遥感图像的空间特征。对k-NN分类算法进行改进, 提出了基于变精度粗糙集和重构误差的k-NN分类算法, 实现了基于空间特征的高光谱遥感图像分类。在两个不同的高光谱遥感图像的实验验证了基于空间特征和改进k-NN分类算法的性能。

提出一种基于聚类集成的半监督多/高光谱图像分类方法。谱聚类是近年来出现的基于图论的、以相似性为基础的一类性能优越的聚类算法, 能对任意形状分布的数据进行聚类, 但对参数的变化比较敏感。聚类集成技术可有效提高单聚类算法的精度和稳定性, 并具有良好的鲁棒性和泛化能力。算法利用聚类集成算法的优点并利用谱聚类的思想开发聚类集成算法的共识函数, 将谱聚类作为聚类成员来构造聚类集成系统, 使用高斯RBF核映射下的多维数据的光谱角制图计算权值矩阵W, 并用Nystrm方法来降低算法的运算复杂度, 实现了多/高光谱遥感数据的半监督分类。最后通过实验验证了该算法无论对多光谱还是高光谱都有较好的分类效果。

针对分布式多传感器网络信息融合估计问题, 提出一种快速一致性算法。首先, 对图论知识、多智能体平均一致性算法以及加权矩阵进行描述; 其次, 利用LMS原理以及本地节点与邻居节点的估计误差定义代价函数, 并利用其对加权矩阵进行更新, 得到快速一致性算法, 同时简要介绍了参数选取问题; 最后, 对常用加权矩阵进行仿真实验。结果表明, 快速一致性算法能够提高一致性的收敛速度, 在传感器网络连通度较低时效果明显。