储岳中，刘 恒，张学锋

(安徽工业大学 计算机科学与技术学院，安徽 马鞍山 243002)

0 引 言

稀疏表示已被证明非常适合遥感图像分类，国内外学者业已提出很多行之有效的基于稀疏表示的遥感图像分类算法。宋相法等[1]根据遥感图像像元的稀疏特征和光谱信息分别构造随机森林，通过投票机制进行图像分类，获得了较好的分类评价指标；何同弟等[2]设计自适应稀疏表示分类器并用于高光谱遥感图像分类，有效提高了高光谱影像的分类精度；A SOLTANI-FARANI等[3]根据高光谱遥感图像内部的空间关系提出一种结构化字典构建方法，并通过线性SVM实现图像分类；Ni等[4]采用光谱正切面的方法提取每类像元的特征空间，以此衡量之间的相似度，取得了较好的高光谱图像分类效果；刘璐等[5]基于联合域流形距离的快速AP聚类进行字典学习，提出一种基于空域和极化域的稀疏表示分类方法，有效保持极化SAR数据结构的同时降低了算法的时间复杂度；陈善学等[6]将马尔可夫随机场引入加权条件稀疏表示算法，在不增加算法计算开支的情况下，提取高光谱图像的空间信息，将条件稀疏模型与光谱信息散度模型结合，使算法能够有效提高高光谱图像分类精度。

针对稀疏表示在图像目标分类领域的研究，目前主要集中在字典学习和分类策略方面，相关算法对图像的几何特征、训练数据的规模和数据的时效性等过于依赖，有些算法的计算复杂度依然过高，稀疏字典的构建策略仍然很不成熟。……