任会峰，朱洪前，唐 玥，董庆超

（1.无锡学院，江苏 无锡 214105；2.中南林业科技大学 材料科学与工程学院，长沙 410004；3.海军航空大学 岸防兵学院，山东 烟台 264001）

遥感图像分类是高光谱遥感图像处理的重要分支，在城市规划、智能农业、环境保护、地质勘探、抢险救灾以及军事侦察等领域应用广泛［1－2］。目前主要依据地物图像的空间信息分类识别遥感图像场景［3］。在计算机运算能力相对较低的早期，学者们主要依据遥感图像的局部特征进行分类［4－5］，这些研究为遥感图像分类进行了积极探索，但由于探测波段和空间分辨率较低等因素的影响，遥感图像分类面临特征维数高、训练样本缺乏等问题，而且局部特征与遥感图像本身的语义之间存在“鸿沟”［6］。为了提高对遥感图像语义的理解和表示，相关学者在局部特征的基础上引入特征编码方法，如词袋模型BOW［7］以及结合稀疏表示［8－9］的改进算法，提高了对图像的描述能力［10－11］。机器学习方法中，传统字典学习通过最小化信号重构误差实现分类［12］，不适用于图像分类，且图像细节的方向性影响局部特征的描述［13］，不同尺度图像的细节也不同［14］。

将遥感图像在8个方向5个尺度进行高斯核分解后提取Gabor特征，并用改进的粒子群算法确定中心最大频率和带宽的最优取值，稀疏表示构建Gabor特征视觉词典，形成遥感图像稀疏系数矩阵输入分类器，在分类器中计算特征增益以区分不同特征的重要度，从而构建遥感图像多方向多尺度稀疏表示（multiple levels sparse representation，MLSR）特征增益SVM分类器，并在标准数据集上测试方法的优越性。……