高光谱影像是典型的高维数据,在光谱维和空间维都包含了大量信息。针对高光谱影像分类时光谱维数据量巨大的特点,提出一种基于三维空洞卷积残差神经网络的高光谱影像分类方法。该方法以高光谱像元立方体作为数据输入,使用三维卷积核同时提取高光谱数据的空间维和光谱维特征,并通过在卷积核中引入空洞结构,在不增加网络参数量和不消减数据特征的情况下提高卷积核的感受野,从而提高神经网络的分类的精度。该方法利用残差结构避免了由网络层数加深导致的梯度消失问题,最终使用Softmax分类器完成高光谱像元的分类工作。实验结果表明:所提方法在Indian Pines和Salinas数据集上分别取得了97.303%和97.236%的总体分类精度,与各对照组相比具有更好的分类效果,由此证明所提方法可以提升高光谱影像的分类性能。

针对传统高光谱影像特征提取算法大多仅考虑光谱信息或提取空间信息不够精细的问题,提出了一种监督空间正则化流形鉴别分析(SSRMDA)算法,以提高遥感地物的分类性能。该算法首先利用样本数据的标签信息构建谱域类内图和类间图,以揭示高光谱数据潜在的非线性流形结构;然后构建空域类内图,并将空间信息以正则化方式与光谱信息融合,实现谱-空信息的有效融合,并可在低维空间内使类内数据更加聚集,增强嵌入数据的可分性。在Indian Pines和Washington DC Mall数据集上的实验表明,所提算法的总体分类精度分别为91.58%和96.67%,说明所提算法有效提升了地物分类能力,尤其在小样本下的优势更为明显,更有利于实际应用。

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.

提出了一种半监督稀疏多流形嵌入方法，并应用于高光谱影像分类.该方法充分利用少量标记和大量无标记样本，采用稀疏表示方法得到样本的稀疏系数，并选取来自同一流形的点作为近邻点，然后构建相似图来表征多流形结构，得到样本在每个流形上低维鉴别特征，增加来自同一流形的数据点聚集性，进而提升分类性能.本文方法在PaviaU和Salinas两个高光谱数据集上的总体分类准确度分别达到84.91%和89.74%，相较于其他方法明显提高了地物分类性能.

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。

Many remote sensing image classifiers are limited in their ability to combine spectral features with spatial features. Multi-kernel classifiers, however, are capable of integrating spectral features with spatial or structural features using multiple kernels and summing them for final outputs. Using a support vector machine (SVM) as classifier, different multi-kernel classifiers are constructed and tested using 64-band Operational Modular Imaging Spectrometer II hyperspectral image of Changping Area, Beijing City. Results show that by integrating spectral and wavelet texture information, multi-kernel SVM classifiers can obtain more accurate classification results than sole-kernel SVM classifiers and cross-information SVM kernel classifiers. Moreover, when the multi-kernel SVM classifier is used, the combination of the first four principal components from principal component analysis and wavelet texture provides the highest accuracy (97.06%). Multi-kernel SVM is therefore an effective approach to improve the accuracy of hyperspectral image classification and to expand possibilities for remote sensing image interpretation and application.