卷积神经网络模型能够提取图像不同层次的分层特征,提取图像包含有大量的细节信息,然而,现有方法没有充分利用网络模型提取的所有分层特征。为了充分利用所有分层特征,增强特征重利用和信息连续传递,设计了适用于高光谱图像分类的残差密集网络模型。残差密集网络结合了残差网络和密集网络,包括浅层特征提取、残差密集单元和密集特征融合三部分。利用卷积操作提取原始图像的浅层特征,将浅层特征作为残差密集单元的输入,残差密集单元的输出与下一个单元中每个卷积层的输出建立短连接,实现了信息连续传递;将两个单元提取的密集特征与浅层特征相加形成全局残差学习,实现了所有分层特征的融合,最终的融合特征用于高光谱图像分类。实验表明,本文方法用于Indian Pines数据、University of Pavia数据及Salinas数据能够分别取得98.71%、99.31%及97.91%的分类精度,有效提高了高光谱图像的分类精度,增强了分类方法的稳定性。

针对传统高光谱影像低秩表示去噪方法无法保持影像多元几何结构信息的问题, 提出一种基于局部超图拉普拉斯约束的高光谱影像低秩表示去噪方法。在低秩表示模型中增加超图拉普拉斯正则项, 保持数据间多元几何流形结构; 并对低秩模型系数矩阵增加稀疏和非负约束条件, 进一步提高模型对影像局部信息的保持能力, 使得模型不仅能够恢复具有低秩性质的影像信号分量, 而且可以很好地保持影像的多元几何流形结构。在AVIRIS影像和ProSpecTIR-VS影像上的对比实验表明, 所提方法更好地保持了影像的空间和光谱信息, 有效地改善了高光谱影像去噪效果。

针对基于线性模型分解高光谱影像混合像元分解精度低, 而非线性模型难以建立等问题, 提出了利用多核支持向量机(MKSVM)的后验概率进行高光谱影像非线性混合像元分解的方法。该方法在支持向量机的基础上, 以线性加权组合核函数代替单核函数, 采用简单多核学习方法迭代解算权系数来实现分类。然后, 通过S型函数将分类器输出值转化为概率; 将两两配对概率转换为多类后验概率。最后, 利用后验概率实现高光谱影像的非线性混合像元分解。采用该方法对两组推帚式超光谱成像仪(PHI)的高光谱影像进行了对比实验, 结果表明: 该方法的分类精度分别提高到95.62%和91.51%, 均方根误差(RMSE)最小分别为11.15%和7.55%, 均小于15%。实验结果显示提出的方法基本消除了混合像元对高光谱影像分类的影响, 提高了分类精度。