陈善学 王欣欣

(重庆邮电大学通信与信息工程学院,移动通信教育部工程研究中心,移动通信技术重庆市重点实验室, 重庆 400065)

1 引言

随着遥感技术的发展,高光谱图像(Hyperspectral image,HSI)因其具有高光谱分辨率及丰富光谱信息的特点而广泛应用,如目标检测、环境监测、农林业、军事等。分类是高光谱遥感图像研究中的一个热点内容,学者提出了许多的分类方法,如随机森林[1-2]、支持向量机[3- 4]、神经网络[5-7]、稀疏表示[8]等。

稀疏表示通过较少训练样本的线性组合来表达大量的待测样本,最后通过重构残差对待测样本进行分类判别,目前稀疏表示已经广泛应用于HSI分类。文献[9]将稀疏表示应用于HSI分类,考虑到同质区域的存在,相应提出了联合稀疏表示的方法,假设相邻像元具有共同的稀疏模式,即位于同一邻域内的相邻像元由相同的训练样本稀疏表示,但稀疏向量不一定相同;文献[10]根据待测中心像元与邻域像元的结构相似度给各个邻域像元赋予相应的权重,构建加权联合稀疏表示;固定的邻域窗口存在一定的局限性,不能完全反映空间信息,文献[11]采用核函数度量待测像元与邻域像元间的相似性,使联合稀疏表示的邻域窗口自适应。另外文献[12-14]通过提取空间-光谱特征利用空间信息用于稀疏表示HSI分类。以上文献都在一定程度上利用了空间信息提升分类精度,但是,基于稀疏表示的HSI分类精度一定程度上依赖于训练样本的质量和数量,训练样本越多,字典包含的地物特征越丰富,训练样本的获取主要依靠专家人为标记,成本昂贵,在实际分类中,存在因训练样本量少而分类精度低的问题。……