虎晓红 司海平

(河南农业大学信息与管理科学学院, 郑州 450046)

0 引言

高光谱图像的光谱分辨率高，不仅能辨识不同地物光谱间差异较大的地物类别，而且能辨识不同地物光谱间只存在细微差异的地物类别，在农业规划、环境监测和资源勘察等领域得到了广泛的应用[1-5]。对高光谱图像分类技术的研究可促进高光谱遥感的应用，近年来，高光谱图像分类已成为遥感、机器视觉和机器学习领域的研究热点，并取得了大量的研究成果。

高光谱图像分类研究主要包括高光谱图像的表达和分类器设计两方面。在高光谱图像的表达中，早期只采用光谱特征进行分类，由于缺乏空间信息，分类效果受到限制。为了更好地体现高光谱图像“图谱合一”的特点，空间信息在高光谱图像分类中得到了应用[6]，空间滤波和区域分割等空间信息表达方法拓展了高光谱图像的应用领域[7-9]，空谱融合方式的不断改进有效提高了高光谱图像的分类性能[10]。在高光谱图像分类的分类器设计方面，传统基于统计学习的支持向量机(Support vector machine, SVM)、融合空间信息的复合核支持向量机(Support vector machine with composite kernels, SVMCK)[11]取得了较好的分类效果；近年来，基于字典学习的稀疏分类器(Sparse representation based classification, SRC)[12]和协同分类器(Collaborative representation classification, CRC)[13]在高光谱图像分类中表现出良好的潜力，并得到广泛关注。文献[14]结合SRC和空间信息提出了高光谱图像的联合稀疏分类器(Joint sparse representation based classification, JSRC)；文献[15]采用局部空间语义窗口平均特征，提出联合协同分类器(Joint collaborative representation based classification, JCRC)，应用在高光谱图像分类中；文献[16]在JSRC中加入相关系数，提出了融合相关系数的联合稀疏表示(Correlation coefficient and joint sparse representation, CCJSR)。……