针对传统的基于特征提取的高光谱图像地物分类算法大多只考虑光谱信息而忽略空间信息的问题，提出了一种面向高光谱分类的半监督空谱全局与局部判别分析（S3GLDA）算法。该算法首先利用少量标记样本保存数据集的线性可分性和全局判别信息，再依靠较多的无标记的空间局部近邻像元来揭示局部判别信息和非线性局部流形，使高光谱遥感图像的光谱域全局判别结构和空间域局部判别结构在低维特征空间同时得以保留，并在输出特征中自动融入了空间信息，构成了半监督的空谱判别分析。在Indian Pines和PaviaU数据集的实验表明，总体分类精度分别达到76.24%和82.96%。与现有几种算法比较，该算法有效提高了输出特征在低维空间的判别能力，更好地揭示了数据集的内在非线性多模本质，有效提升了高光谱图像数据集的地物分类精度。
高光谱图像分类 特征提取 判别分析 空谱联合 半监督学习 空间近邻 hyperspectral image classification feature extraction discriminant analysis spatial-spectral semi-supervised learning spatial neighbors
1 火箭军工程大学 信息工程系, 西安 710025
2 中国科学院西安光学精密机械研究所, 西安 710119
3 西安交通大学 电信学院, 西安 710048
为了充分利用高光谱图像蕴含的丰富的光谱信息和空间信息, 提出了结合多尺度空间滤波和层级网络的基于结构保持的高光谱特征选择算法.算法利用基于l2,1范数的数学模型, 选出同时保存全局相似性结构和局部流形结构的特征子集; 在多个尺度的窗口中使用双边滤波, 自适应计算滤波核, 自动在光谱数据中融入空间信息, 增强了类内相似性和类间相异性, 避免了参量选择; 引入层级结构实现空间信息和光谱信息的深入融合, 提高了分类准确度; 讨论了层级数目和窗口尺度个数对分类准确度的影响.在Indian Pines和PaviaU两个数据集的实验表明, 该算法在大部分地物种类上的分类准确度都有较大幅度的提升, 总体分类准确度分别达到90.98%和94.20%, 相比其他方法明显提高了地物分类准确度.
高光谱图像 特征选择 双边滤波 空间近邻 流形学习 层级网络 Hyperspectral image Feature selection Bilateral filtering Spatial neighbors Manifold learning Hierarchical network
重庆大学 光电技术与系统教育部重点实验室, 重庆 400044
高光谱影像中波段数过多易导致“维数灾难”，而传统高光谱影像维数约简算法仅利用光谱特征而忽略了空间信息.针对上述问题，提出一种融合加权均值滤波与流形重构保持嵌入的维数约简算法.该方法利用影像中地物分布的空间一致性特点，对所有像素进行加权均值滤波，消除同类光谱差异性较大的像素影响，并在流形重构过程中增大空间近邻点的权重,提取出更为有效的鉴别特征，实现维数约简.在PaviaU和Urban高光谱数据集上的实验结果表明：相比于其它相关方法，该方法能获得更高的分类准确度，在分别随机选取5%和1%的训练样本情况下，其总体分类准确度分别提高到98.76%和80.21%.该方法在发现内在低维流形结构的同时，有效融入了影像中的空间信息，改善了分类性能.
高光谱影像分类 加权均值滤波 流形学习 维数约简 空间近邻 Hyperspectral image classification Weighted mean filter Manifold learning Dimensionality reduction Spatial neighbors 光子学报
2016, 45(10): 1030001
