陈善学,王欣欣

(1.重庆邮电大学通信与信息工程学院,重庆 400065;2.移动通信教育部工程研究中心,重庆 400065;3.移动通信技术重庆市重点实验室,重庆 400065)

0 引 言

高光谱传感器提供对土地覆盖光谱特征的密集采样,以获取地表物体数十至数百的连续光谱波段信息[1],由于其高分辨率以及丰富的光谱信息,使得高光谱遥感广泛应用于农业、军事、矿物学等诸多领域[2-7]。分类是高光谱遥感影像中的一个非常重要的应用,不同材料的地物在特定波长上反射电磁波的方式不同,因此可以通过光谱特征识别不同的地物,分类是为了给存在于高光谱图像中的像元分配一个确定且唯一的地物类别标识。人们开发了各种高光谱图像分类技术,例如,基于神经网络[8-11]的分类方法、基于人工免疫系统[12]、支持向量机[13](support vector machines,SVM)、多项式逻辑回归[14-15]、稀疏表示[16-19]等新型分类器的分类方法。

近年来,关于稀疏表示在高光谱图像分类中的应用得到了广大学者的青睐。文献[20]将稀疏表示引入高光谱图像分类,一个测试像元可以由训练字典中少量的训练原子表示,利用稀疏性和重建精度约束的优化技术可以获得表征测试像元权值的稀疏向量,最后字典中原子的类别和用于恢复测试像元中原子对应的稀疏向量将直接决定测试像元的类别。文献[21]将核方法引入稀疏表示中,将样本投影到特征空间并核化稀疏表示,提高了各个像元间的可分性,得到的分类结果相较于线性稀疏更接近真实类别。……