基于自适应稀疏表示的高光谱遥感图像分类
基于机器学习的高光谱图像分类方法研究
基于机器学习的高光谱图像分类方法研究高光谱图像分类是从高光谱遥感图像中提取出不同地物的特征，并将其分配到相应的类别中的过程。
高光谱图像具有丰富的光谱信息，因此在地物分类和识别中具有广泛的应用。
近年来，随着机器学习方法的发展，基于机器学习的高光谱图像分类方法成为研究热点之一。
本文将重点探讨基于机器学习的高光谱图像分类方法的研究进展和应用现状。
高光谱图像分类算法的关键在于选择合适的特征提取方法和分类器。
特征提取是高光谱图像分类的前提，其目的是从图像中提取出能够有效表征不同地物的特征。
常用的特征提取方法包括光谱特征提取、空间特征提取和频谱特征提取。
光谱特征提取是指从高光谱图像的光谱波段中提取特征，如反射率、发射率等。
空间特征提取是指从高光谱图像的空间分布中提取特征，如纹理、形状等。
频谱特征提取是指从高光谱图像的频域中提取特征，如能量、频率等。
在特征提取之后，需要选择合适的分类器对提取到的特征进行分类。
常用的高光谱图像分类器包括支持向量机（SVM）、随机森林（Random Forest）、人工神经网络（Artificial Neural Network）等。
支持向量机是一种基于间隔最大化的分类方法，其优点是对小样本和非线性数据有较好的适应能力。
随机森林是一种集成学习方法，通过构建多个决策树进行分类，具有较强的鲁棒性和精度。
人工神经网络是一种仿生学习模型，可以模拟人脑神经元的工作原理，具有较强的非线性建模能力。
以支持向量机为例，介绍基于机器学习的高光谱图像分类方法的一般流程。
首先，对高光谱图像进行预处理，包括波段选择、波段去噪、图像辐射定标等。
然后，从预处理后的图像中提取特征，常用的特征提取方法包括主成分分析（Principal Component Analysis）、线性判别分析（Linear Discriminant Analysis）等。
接着，将提取到的特征作为训练样本输入到支持向量机模型中进行训练。
基于堆栈式稀疏自编码器的高光谱影像分类
基于堆栈式稀疏自编码器的高光谱影像分类戴晓爱;郭守恒;任淯;杨晓霞;刘汉湖【摘要】为挖掘高光谱影像数据的内在光谱特征，该文基于深度学习理论，引用堆栈式稀疏自编码器构建原始数据的深层特征表达。
首先通过稀疏自编码器，得到原始数据的稀疏特征表达。
其次通过逐层学习稀疏自编码器构建深度神经网，输出原始数据的深度特征。
最后将其连接到支持向量机分类器，完成模型的精调。
实验结果分析表明：基于堆栈式稀疏自编码器的最优分类模型，总体精度可达87.82%，优于实验中的其他方法，证明了深度学习方法在高光谱影像处理中具有良好的分类性能。
%To extract rich features of hyperspectral image, this study explores the deep features of the raw data by using a stacked sparse autoencoderin the deep learning theory. First we create a sparse expression of raw hyperspectral image using sparse autoencoder. Then a deep neural network generating the deep features of raw data is built through learning stacked sparse autoencoder layer by layer. In addition, the deep feature-related model parameters are precisely calibrated by the statistical learning algorithm of the support vector machine (SVM). The performance of the experiment indicates that the overall accuracy of classification model based on stacked sparse autoencoder reaches 87.82%, superior to other experimental methods. From our experiments, it follows that the deep learning theory and stacked sparse autoencoder are of high potential in hyperspectral remote sensing image classification.【期刊名称】《电子科技大学学报》【年(卷),期】2016(045)003【总页数】5页(P382-386)【关键词】深度神经网;特征提取;高光谱影像分类;堆栈式稀疏自编码器;支持向量机【作者】戴晓爱;郭守恒;任淯;杨晓霞;刘汉湖【作者单位】成都理工大学地学空间信息技术国土资源部重点实验室成都610059;成都理工大学地学空间信息技术国土资源部重点实验室成都 610059;成都理工大学地学空间信息技术国土资源部重点实验室成都 610059;成都理工大学地学空间信息技术国土资源部重点实验室成都 610059;成都理工大学地学空间信息技术国土资源部重点实验室成都 610059【正文语种】中文【中图分类】TP751.1高光谱影像分类是高光谱影像处理中的重要环节，由于Hughes现象［1］的影响，在不进行降维处理的情况下传统分类算法很难在高光谱影像分类中取得理想结果［2］。
基于支持向量机的高光谱遥感影像分类
基于支持向量机的高光谱遥感影像分类高光谱遥感影像分类是指利用高光谱遥感图像中的多个光谱波段信息，通过对图像进行分类处理，将不同的地物或地物类型分为不同的类别。
支持向量机（Support Vector Machine，SVM）是一种经典的机器学习算法。
它基于统计学习理论，通过在高维特征空间中寻找最优超平面来进行分类和回归。
在高光谱遥感影像分类中，支持向量机能够有效地处理高维特征数据，并具有较好的分类性能。
我们需要进行数据预处理。
对高光谱遥感影像数据进行无人工选择的特征提取，保留具有代表性的光谱波段。
然后对图像进行预处理，如辐射校正、大气校正、几何校正等，以提高数据的质量。
然后，我们需要对预处理后的数据进行特征选择。
特征选择是为了减少维数，去除冗余的特征，并找出最具有区分性的特征。
常用的特征选择方法有相关系数法、信息增益法、主成分分析等。
接下来，我们将选取一部分数据作为训练样本集，用来训练支持向量机分类器。
支持向量机分类器能够根据所提供的训练样本学习出一个超平面，将不同类别的数据分开。
在训练过程中，支持向量机通过最大化间隔的方法来找到最优的分类超平面，从而提高分类的准确性。
我们将使用训练好的分类器对测试样本进行分类。
通过将测试样本进行特征提取和预处理，并输入到训练好的支持向量机分类器中，就可以得到测试样本的分类结果。
在高光谱遥感影像分类中，支持向量机可以充分利用光谱信息和空间信息来进行分类。
支持向量机还具有较强的泛化能力和鲁棒性，能够处理多类别、不平衡和噪声干扰等问题。
基于支持向量机的高光谱遥感影像分类是一种有效的分类方法。
它能够利用高光谱遥感影像的多个光谱波段信息，通过支持向量机算法实现对地物类型的分类。
这种方法能够提高遥感影像分类的准确性和稳定性，并对遥感数据的应用具有一定的实际意义和应用价值。
高光谱遥感图像的特征提取和分类算法探究
高光谱遥感图像的特征提取和分类算法探究遥感技术已经成为了现代地球科学中不可或缺的一部分，这种技术通过对地球表面的各种信息进行多波段、多角度、多时相的采集和处理，可以形成一系列高分辨率遥感图像。
其中，高光谱遥感图像是一种获取地表物质高光谱信息的遥感技术，这种技术可以获取大量的物质光谱信息，为我们研究地球科学和环境变化提供了重要的数据来源。
在高光谱遥感图像中，物质对不同波长的电磁辐射的反射和吸收的不同程度是其与众不同的特性。
由于不同的物质对不同波段的辐射产生的反应不同，固有光谱和在远距离上的高光谱遥感图像可以很好地区分不同物质。
在高光谱遥感图像研究中，特征提取和分类算法是研究的两个重要方面。
因此，本篇文章将探讨高光谱遥感图像的特征提取和分类算法的研究进展和应用现状。
一、特征提取在高光谱遥感图像中，特征提取是一项至关重要的技术。
特征提取的主要任务是将高光谱遥感图像中每个像元的光谱信息转化成低维空间的特征，以减少信息冗余和处理量，同时保留物体空间分布和分类信息。
常用的特征提取方法包括如下几种。
1. 主成分分析（PCA）PCA是一种线性变换的方法，可以将高维空间中的数据降维到低维度的特征空间。
在高光谱遥感图像中，PCA方法可以对数据矩阵进行特征值分解，得到协方差矩阵的主特征向量。
这些主成分可以描述遥感图像的大部分空间信息，对于多波段数据的降维处理非常有效。
2. 独立成分分析（ICA）ICA是一种非线性变换的方法，可以将遥感图像中的光谱信息进行分离和隔离，从而得到更加明确的光谱信息。
在高光谱遥感图像中，ICA可以对数据矩阵进行特征值分解，找到可以独立分离的成分。
这些成分可以帮助我们更好地理解高光谱遥感图像中的光谱结构，并提高物体检测和分类的准确率。
3. 小波变换（WT）WT是一种非平稳信号的频域分析方法，可以用于多尺度分析和特征提取。
在高光谱遥感图像中，WT可以将数据矩阵分解为一组小波系数，这些系数可以反映不同尺度下的物体信息。
基于TSNE和多尺度稀疏自编码的高光谱图像分类
基于TSNE和多尺度稀疏自编码的高光谱图像分类董安国; 张倩; 刘洪超; 梁苗苗【期刊名称】《《计算机工程与应用》》【年(卷),期】2019(055)021【总页数】6页(P176-181)【关键词】高光谱图像; 深度学习; 多尺度空间特征; 流形学习【作者】董安国; 张倩; 刘洪超; 梁苗苗【作者单位】长安大学理学院西安 710064; 江西理工大学信息工程学院江西赣州 341000【正文语种】中文【中图分类】TP751 引言随着高光谱遥感技术的快速发展，引起了农业、医学、环境科学等其他领域的高度重视，而高光谱图像（Hyperspectral Image，HSI）分类是高光谱遥感技术中热门研究的问题。
高光谱数据存在维数“灾难”、同谱异类及同类异谱的现象[1]，因此，对数据进行降维处理，提取数据的隐含特征，剔除数据的冗余信息对于高光谱图像分类有很大的帮助[2]。
近年来，深度学习在特征提取方面展现了巨大优势。
Lin等人[3]采用自编码（Auto-encoder，AE）加逻辑回归（Logistic Regression，LR）的网络结构进行HSI分类，但其只考虑了光谱波段的相关性。
Chen等人使用栈式自编码[4]和深度置信网络[5]进行深度空谱特征学习，但其只用了主成分分析（Principal Component Analysis，PCA）降维，提取空间信息时模型中训练了邻域的所有像元，增加了计算复杂度。
王立伟等人[6]采用深度学习与迁移学习相结合的方法处理HSI分类问题，并取得了良好的分类效果。
多尺度特征[7]（Multiscale Feature，MF）和流形学习（Manifold Learning，ML）近年来在HSI分类中也取得了较好的分类效果。
姚琼等人[8]利用3DGobar多视图，提出3DGobar多视图主动学习的HSI的分类算法。
Fang等人[9]利用多尺度空间邻域内自适应一致性约束，提出多尺度自适应稀疏表示策略（MASR）。
高光谱遥感图像的分类与识别算法研究
高光谱遥感图像的分类与识别算法研究摘要：随着高光谱遥感技术的发展，高光谱遥感图像的分类与识别成为了研究的热点之一。
高光谱图像拥有丰富的光谱信息和空间信息，对地物的识别和分类具有较高的准确性和精度。
本文主要介绍了高光谱遥感图像的分类与识别算法的研究现状和发展趋势，并重点讨论了几种常见的分类与识别方法，并对未来的研究方向进行了展望。
1. 引言高光谱遥感技术是一种获取地球物体光谱反射率的近地空间技术。
与传统的遥感技术相比，高光谱遥感技术能够获取更多的连续谱段信息，能够提供更多的反射波段，有助于地物的识别和分类。
传统的遥感图像分类与识别算法在高光谱图像上存在一定的局限性，因此，高光谱遥感图像的分类与识别算法研究成为了一个重要的课题。
2. 高光谱图像分类方法2.1 基于光谱信息的分类方法基于光谱信息的分类方法是最基础的一种分类方法。
光谱信息代表了目标在不同波长下的响应情况，通过光谱信息可以对不同地物进行分类。
常见的方法包括像元分解法、主成分分析法等。
2.2 基于空间信息的分类方法高光谱图像不仅包含了光谱信息，还包含了空间信息。
基于空间信息的分类方法可以充分利用像素点的空间分布特征进行分类。
常见的方法包括最大似然法、支持向量机等。
2.3 基于特征提取的分类方法特征提取是一种将高维数据转化为低维特征向量的方法，可以提取出地物的显著特征。
常见的特征提取方法包括小波变换、主成分分析、线性光谱混合等。
3. 高光谱图像识别方法高光谱图像的识别主要是通过对图像中地物的特征进行提取和匹配，从而实现对地物的自动识别。
常见的识别方法包括主成分分析法、广义Hough变换法等。
4. 研究现状与发展趋势目前，高光谱遥感图像的分类与识别算法已经取得了一些进展。
然而，在实际应用中仍然存在一些挑战，如遥感图像的分辨率、遥感图像的质量等。
因此，未来的研究方向可以从以下几个方面展开：4.1 提高分类和识别的准确性和精度当前的高光谱遥感图像分类与识别算法还存在一些问题，如准确性和精度不高。
遥感图像的分类方法
遥感图像的分类方法
遥感图像的分类方法常见有以下几种：
1. 监督分类方法：该方法需要先准备一些具有标签的样本数据集进行训练，并从中学习模式进行分类。
常见的监督分类方法包括最大似然分类、支持向量机等。
2. 无监督分类方法：该方法不需要标签样本数据集，通过对图像像素进行统计分析和聚类来确定类别。
常见的无监督分类方法包括K均值聚类、高斯混合模型等。
3. 半监督分类方法：该方法结合监督和无监督分类方法的优势，同时利用有标签和无标签样本数据进行分类。
常见的半监督分类方法包括标签传播、半监督支持向量机等。
4. 深度学习分类方法：近年来，随着深度学习方法的发展，基于卷积神经网络（CNN）的遥感图像分类方法变得流行。
这些方法通过搭建深度学习网络模型并使用大量的标签样本进行训练，能够实现较高的分类精度。
除了以上几种方法外，还有基于纹理特征、形状特征等的分类方法。
不同的分类方法适用于不同的遥感图像场景和实际需求。
综合考虑数据集大小、分类效果、计算时间等因素，选择合适的分类方法对于遥感图像的分类任务非常重要。
《遥感图像分类》课件
将原始特征进行变换，生成新的特征，以更好地 反映地物类别之间的差异。
分类器设计
监督分类
利用已知样本的训练集设计分类器，对未知样本进行分类。
非监督分类
对未知样本进行聚类分析，将相似的样本归为同一类。
混合分类
结合监督分类和非监督分类的优势，提高分类精度和稳定性。
分类结果评价
精度评价
通过比较分类结果与实际地物类别， 计算分类精度、混淆矩阵等指标。
THANKS
感谢观看
分类器。
多源遥感数据融合问题
多源遥感数据融合可以提高分类精度和可靠性，但同时也带 来了数据匹配、融合算法选择等问题。
解决多源遥感数据融合问题的策略包括使用先进的融合算法 ，如基于深度学习的融合方法，以及优化数据匹配方法。
遥感图像分类技术的发展趋势
01
遥感图像分类技术正朝着高精度、高效率和自动化的方向发展 。
可靠性评价
评估分类结果的稳定性、可靠性以及 抗干扰能力。
应用价值评价
根据分类结果在实际应用中的价值， 如土地利用、资源调查、环境监测等
，对分类方法进行综合评价。
04
CATALOGUE
遥感图像分类的挑战与展望
数据质量问题
遥感图像常常受到噪声、失真和 模糊等影响，导致数据质量下降
。
数据质量问题还表现在不同传感 器获取的图像之间的差异，以及 不同时间获取的图像之间的变化
遥感图像分类的应用
遥感图像分类在多个领域有广泛应用，如环境保护、城市规划、资源调查、军事 侦察等。
通过遥感图像分类，可以快速获取大范围的地物信息，为相关领域的决策提供科 学依据。
02
CATALOGUE
遥感图像分类的方法
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Ｖ ｏ１ ．３ ５ ＮＯ ．９ Ｓｅ ｐｔ ｅ ｍ ｂｅ ｒ ２ ０１ ３
２ ０ １ ３年 ９ 月
文 章 编号 ： １ ０ ０ １ — ５ ０ ６ Ｘ（ ２ ０ １ ３ ） ０ ９ — １ ９ ９ ４ － ０ ５
Ｃ ｈ ｏ ｎ ｇｑ ｉ ｎ ｇ ４ ０ ０ ０ ４ ４，Ｃｈ ｉ ｎ ａ；２．Ｓ ｃ ｈ ｏ ｏ ｌ ｏ ｆ Ｐｈ ｙ ｓ ｉ ｃ ａ ｌ ａ ｎ ｄ Ｍｅ ｃ ｈ ａ ｔ ｒ ｏ ｎ ｉ ｃ ｓ Ｅｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ，
Ｈｅ ｘ ｉ Ｕｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ，Ｚｈ ａ ｎ ｇ ｙ ｅ ７ ３ ４ ０ ０ ０，Ｃｈ ｉ ｎ ａ ）
Ｈｙ ｐ ｅ ｒ ｓ ｐ ｅ ｃ ｔ ｒ ａ ｌ ｒ ｅ ｍｏ ｔ ｅ ｓ ｅ ｎ ｓ ｉ ｎ ｇ ｉ ｍａ ｇ ｅ ｃ ｌ ａ ｓ ｓ ｉ ｆ ｉ ｃ ａ ｔ ｉ ｏ ｎ ｂ ａ ｓ ｅ ｄ ｏ ｎ
ａ ｄ ａ ｐｔ ｉ ｖ ｅ ｓ ｐ ａ ｒ ｓ ｅ ｒ ｅ ｐｒ ｅ ｓ ｅ ｎ ｔ ａ ｔ ｉ Ｏ ｎ
线性鉴 别 分析 、 支持 向 量机 、 神 经 网络 算 法 进 行 比 较 ， 结果 表 明 ， 该 算 法 的 总 体 分 类 精 度 比 其 他 算 法 提 高 了 约
１ ２ ， 有 效提 高 了 高光 谱 影 像 的 分 类精 度 。 关 键 词 ：图像 处 理 ；高光 谱 遥 感 ；自适 应 稀 疏 表 示 ； 分 类 中图 分 类 号 ： ＴＨ ６ ９ １ ． ９ 文 献 标 志码 ： Ａ Ｄ ＯＩ ： １ ０ ． ３ ９ ６ ９ ／ ｊ ． ｉ ｓ ｓ ｎ ． １ ０ ０ １ － ５ ０ ６ Ｘ ． ２ Ｏ Ｉ ３ ． Ｏ ９ ． ３ ２
网址 ： ｗｗ ｗ． ｓ ｙ ｓ － ｅ ｌ ｅ ． ｅ Ｏ １ Ｔ ｌ
基 于 自适应 稀 疏 表 示 的 高光 谱 遥 感 图像 分 类
何 同弟 ，李 见 为
（ １ ．重庆 大 学光 电技 术及 系统教 育部 重 点实验 室，重 庆 ４ ０ ０ ０ ４ ４ ； ２ ．河西 学院物理 与机 电工程 学 院，甘 肃 张掖 ７ ３ ４ ０ ０ ０ ）
Ａｂ ｓ ｔ ｒ ａ ｃ ｔ ：Ｓ ｏ ｍｅ ｔ ｒ ａ ｄ ｉ ｔ ｉ ｏ ｎ ａ ｌ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍｓ ａ ｐ ｐ ｌ ｉ ｅ ｄ ｉ ｎ ｈ ｙ ｐ ｅ ｒ ｓ ｐ ｅ ｃ ｔ ｒ ａ ｌ ｒ ｅ ｍｏ ｔ ｅ ｓ ｅ ｎ ｓ ｉ ｎ ｇ ｉ ｍａ ｇ ｅ ｃ ｌ ａ ｓ ｓ ｉ ｆ ｉ ｃ ａ ｔ ｉ ｏ ｎ ｈ ａ ｖ ｅ ｓ ｏ ｍｅ ｐ ｒ ｏ ｂｌ ｅ ｍｓ ｓ ｕ ｃ ｈ ａ ｓ ｌ ｏ ｗ ｃ ｏ ｍｐ ｕ ｔ ｉ ｎ ｇ ｒ ａ ｔ ｅ ，ｌ ｏ ｗ ａ ｃ ｃ ｕ ｒ ａ ｃ ｙ ａ ｎ ｄ ｈ ａ ｒ ｄ ｆ ｏ ｒ ｃ ｏ ｎ ｖ ｅ ｒ ｇ ｅ ｎ ｃ ｅ ． Ａｃ ｃ ｏ ｒ ｄ ｉ ｎ ｇ ｔ ｏ ｓ ｐ ａ ｒ ｓ ｅ ｒ ｅ ｐ — ｒ ｅ ｓ ｅ ｎ ｔ ａ ｔ ｉ ｏ ｎ ｔ ｈ ｅ ｏ ｒ ｙ，ａ ｃ ｌ ａ ｓ ｓ ｉ ｆ ｉ ｃ ａ ｔ ｉ ｏ ｎ ｍｏ ｄ ｅ ｌ ｂ ａ ｓ ｅ ｄ ｏ ｎ ａ ｄ ａ ｐ ｔ ｉ ｖ ｅ ｓ ｐ ａ ｒ ｓ ｅ ｒ ｅ ｐ ｒ ｅ ｓ ｅ ｎ ｔ ａ ｔ ｉ ｏ ｎ（ ＡＳＰ） ｉ ｓ ｃ ｏ ｎｓ ｔ ｒ ｕ ｃ ｔ ｅ ｄ ． Ｔｈ ｅ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ｃ ｏ ｌ ｌ ｅ ｃ ｔ ｓ ａ ｆ ｅ ｗ ｔ ｒ ａ ｉ ｎ ｉ ｎ ｇ ｓ ａ ｍｐ ｌ ｅ ｓ ｆ ｒ ｏ ｍ ａ ｓ ｔ ｒ ｕ ｃ ｔ ｕ ｒ ｅ ｄ ｄ ｉ ｃ ｔ ｉ ｏ ｎ ａ ｒ ｙ， ｃ ｌ ｕｓ ｔ ｅ ｒ ｓ ｔ ｈ ｅ ｅ ｒ ｒ ｏ ｒ ｖ ｅ ｃ ｔ ｏ ｒ ｓ ｏ ｆ ｅ ａ ｃ ｈ ｓ ｔ ｅ ｐ， ａ ｎ ｄ ｓ ｉ ｇ ｎｓ ｔ ｈ ｅ ｃ ｌ ｕ ｓ ｔ ｅ ｒ ｃ ｅ ｎ ｔ ｅ ｒ ａ ｓ ｎ ｅ ｗ ａ ｔ ｏ ｍｓ ｍａ ｋ ｉ ｎ ｇ ｔ ｈ ｅ ｄ ｉ ｃ ｔ ｉ ｏ ｎ ａ ｒ ｙ ． Ｔｈ ｅ ｎ ｔ ｈ ｅ ｔ ｅ ｓ ｔ ｉ ｎ ｇ ｓ ａ ｍｐ ｌ ｅ ｓ ａ ｒ ｅ ｒ ｅ ｇ ａ ｒ —
ＨＥ Ｔｏ ｎ ｇ — ｄ ｉ ～ ．ＬＩ Ｊ ｉ ａ ｎ ｗｅ ｉ
（ １ ．Ｋｅ ｙ Ｌ ａ ｂ ｏ ｒ ａ ｔ ｏ ｒ ｙ ｏ ｆ Ｏｐ ｔ ｏ Ｅｌ ｅ ｃ ｔ ｒ ｏ ｎ ｉ ｃ Ｔ ｅ ｃ ｈ ｎ ｉ ｑ ｕ ｅ ｏ ｆ ｔ ｈ ｅ Ｍｉ ｎ ｉ ｓ ｔ ｒ ｙ ｏ ｆ Ｅ ｄｕ ｃ ａ ｔ ｉ ｏ ｎ，Ｃｈ ｏ ｎ ｇ ｑ ｉ ｎ ｇ Ｕｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ，
摘 要 ：针 对 多数 传 统 分 类 算 法应 用 于 高光 谱 分 类 都 存 在 运 算 速 度 慢 、 精度 比较低 和难 以收敛等 问题 ， 从 稀
疏 表 示 基 本 理 论 出发 建 立 了 一 个 基 于 自适 应稀 疏 表 示 的 高 光 谱 分 类模 型 。 利 用训 练 样 本 构 建 字 典 ， 聚 类每 一 步 迭代所产 生的余项 ， 将 聚 类 中心 作 为 新 的 字 典 原 子 ， 然 后 将 测 试 样 本 看 成 冗 余 字 典 中训 练 样 本 的 线 性 组 合 ， 令 字 典 能 够 更 适 应 于 样 本 的 稀 疏 表 示 。利 用 华 盛 顿 地 区 的 ＨＹＤ Ｉ Ｃ Ｅ 高光 谱 遥 感 数 据 进 行 试 验 ， 并 且 与主成 分 分析 、
11高光谱图像的稀疏表示生物视觉系统v1区简单细胞的响应活动具有稀疏表示特性的现象为图像稀疏表示机制提供了生理学基础文献15提出了具有方向性的图像稀疏表示方法图像的稀疏表示是指图像块可完全或近似地由非常少的一组原子图像块的线性组合表示而所有的原子图像块即组成一个过完备的字典
第 ３ ５卷
第 ９ 期
系 统 工 程 与 电 子 技 术