刘建军 吴泽彬 韦志辉 肖 亮 孙 乐

(南京理工大学计算机学院 南京 210094)

1 引言

在高光谱场景中，遥感器可以从可见光到红外光谱区域数百个狭窄且连续的波段上，获取数字图像。高光谱图像中的每个像元都以向量形成存在，其不同元素对应不同波段下的光谱响应值。通常不同的物质在特定的波段上反射不同的电磁能量，从而可以根据光谱特征来区别不同的物质。高光谱图像在军事监视、环境监测、矿物识别等领域得到广泛的应用[1-4]，其中分类是高光谱图像分析的最重要内容之一。在现有的分类方法中，支持向量机(Support Vector Machines, SVM)是高维数据监督分类的有效方法，且在高光谱分类中得到了好的分类效果[5]。然而SVM方法只利用了高光谱图像的光谱维信息，没有考虑高光谱数据的图像特征，在分类的过程中没有充分挖掘图像空间相邻数据之间的信息。有学者尝试对 SVM 方法进行改进，采用修改核函数的方法[6,7]，将高光谱图像的空间信息加入分类中，获得了较好的分类结果。

随着压缩感知和稀疏表示理论的发展，一些学者提出采用稀疏表示进行分类[8,9]，其假设高光谱像元可以由一些训练样本组成的结构化字典的线性组合稀疏表示。该方法首先通过求解稀疏度约束的最优化重构模型，得到字典原子权值组成的稀疏向量，然后根据恢复稀疏向量的特征，确定测试像元的类别。

高光谱图像中往往包含一些相似的区域，这些区域内相邻的像元通常包含相同的物质，因而具有相似的光谱特征[7]。……