1、傳統(tǒng)的高光譜圖像分類方法大都僅考慮高光譜圖像數據的光譜特征進行分類，然而隨著高光譜成像技術的飛速發(fā)展，所獲的影像數據的空間分辨率和譜間分辨率都有顯著提高，使得空間信息的利用變?yōu)榭赡?。高光譜數據本身除了光譜特征以外也包含了豐富的空間結構特征，而且由于空間分辨率的提高，像素間的關系更強，混疊現(xiàn)象也較為嚴重造成了混合像元的存在，不同類的樣本之間光譜信息也較為相似，僅利用光譜信息的分類很難達到較為理想的結果。本文同時挖掘高光譜圖像的空間信息和光

2、譜信息來進行圖像分類，提出了幾種基于空-譜聯(lián)合的高光譜圖像分類算法，主要工作總結如下：
　　1.提出了一種基于空-譜稀疏性的高光譜圖像分類算法。在對高光譜數據進行稀疏性分析的基礎上，利用超像素的方法挖掘數據的空間信息，采用稀疏編碼的方法挖掘數據的光譜信息，結合超像素間的空間近鄰關系設計了基于空-譜稀疏性的高光譜圖像分類算法。該方法一方面可以大量減少樣本數量，另一方面可以降低混合像元的影響，減少椒鹽狀的錯分，獲得區(qū)域一致性更好的分類

3、結果。在經常用到的實際的高光譜數據集（AVIRIS衛(wèi)星）上進行仿真，并將結果與一些經典的方法進行比較，結果表明，本章提出的基于空-譜稀疏性的高光譜圖像分類算法在區(qū)域一致性和分類精度上均具有明顯優(yōu)勢，且具有較好的算法魯棒性；
　　2.提出了一種基于空-譜核低秩表示的高光譜圖像分類算法，利用低秩表示挖掘數據的全局結構信息，利用圖像的區(qū)域局部一致性挖掘數據的空間信息?？紤]到實際的光譜數據很難滿足嚴格的低秩結構，將超像素塊進行核映射后在高

4、維的投影空間挖掘數據的低秩結構信息；在半監(jiān)督圖的基礎上構造樣本空-譜核低秩表示的關系，實現(xiàn)較少標記樣本情況下的精確分類。在經常用到的實際的高光譜數據集（AVIRIS衛(wèi)星）上進行仿真，并將結果與一些經典的方法進行比較，結果表明，本章提出的基于空-譜核低秩表示的高光譜圖像分類算法在標記樣本數較少的情況下比其他方法精度高，且算法的區(qū)域一致性也較其他方法更好；
　　3.設計了一種基于空-譜稀疏張量的高光譜圖像分類算法。高光譜圖像是一種天然

5、的多維數據，在張量的形式下更利用空-譜信息的挖掘。在稀疏編碼理論的基礎上，同時考慮高光譜圖像的空間一致性，將數據的空域信息與光譜信息相結合，推廣到高光譜數據的張量表示上，提出了一種基于空-譜聯(lián)合的張量稀疏編碼算法，用于高光譜數據的分類。在實際的高光譜數據集上進行仿真將結果與一些經典的稀疏編碼的算法進行比較，結果表明，本章提出的基于空-譜聯(lián)合稀疏張量的高光譜圖像分類算法比其他方法分類速度有很大的提高，同時也可以保證較高的分類精度，而且分類