应用特征感知与协同表示的高光谱图像分类方法.docx

在高光谱图像分析领域，高光谱图像（HSI）因其丰富的空间信息和光谱信息，成为目标检测和分类的重要工具。为了提高图像分类的精度，研究者们提出了一系列机器学习方法，其中包括深度学习、主动学习和降维等策略。协同表示（Collaborative Representation, CR）作为一种有效的方法，以其低时间复杂度、空间复杂度和优秀的分类性能受到关注。 协同表示分类方法主要基于样本的线性表示和稀疏性，通过寻找最佳的线性组合来重建测试样本，以达到分类的目的。例如，Bian等人提出的多层稀疏表示分类（mlSRC）、多层协作表示分类（mlCRC）和基于多层弹性网表示的分类（mlENRC）旨在克服训练样本的高相干性问题，通过不同层级的光谱信息挖掘，提升分类性能。Li等人的联合类内协同表示（JCR）则利用相邻像素的相似光谱信息和空间相关性，对局部区域像素进行均值处理，增强了空间特征的联合。 进一步，Jiang等人引入了空间感知的概念，通过构建像素间空间位置信息的权重矩阵，提出了空间感知的协同表示（SaCR）和联合空间感知的协同表示（JSaCR），利用像素的空间位置信息改善分类效果。Yang等人的区域自适应和字典自适应协同表示（SALJCR）则考虑了局部区域内像素的光谱相关性，通过自适应选择字典原子进行测试样本的表示，提高了分类准确性。 Chen等的加权正则化协同表示分类（WRCROC）和Su等的多特征字典学习协同表示分类（MCRC-DL）则是从权重矩阵和多特征学习的角度出发，对协同表示的系数进行约束和优化，分别从训练样本与测试样本的关系和不同特征下构建的字典中提取更有效的信息。Karaca的算法，如空间感知概率多核协同表示（PMKCR-FF和PMKCR-DF），结合了超像素的空间坐标关系和多核学习，提升了协同表示的分类性能。 尽管上述方法取得了一定的成功，但依然存在噪声处理不足、空间特征和光谱特征感知不充分以及空间识别能力差等问题。因此，文章提出的应用特征感知与协同表示的高光谱图像分类方法（FP-CRC）旨在克服这些局限。FP-CRC算法着重利用测试样本与训练样本之间的局部结构关系，通过图像重建、增强空间特征感知和光谱特征感知，提高模型的抗噪能力和空间识别能力，以期实现更精确的高光谱图像分类。 在理论框架上，协同表示通常涉及到一个由N个像素组成的字典D和相应的标签矩阵M，每个测试样本Y可以由字典线性表示，同时通过调整平衡参数λ来平衡重建误差和正则化项。通过优化这个表示过程，FP-CRC算法能够更好地捕捉图像的内在结构，增强特征的表示能力，从而实现更准确的高光谱图像分类。这一方法对于理解和改进高光谱图像处理技术具有重要意义，为后续研究提供了新的思路。