摘要:高光谱图像指的是一种由多维信息获取技术所获得的具有庞大信息量的图像，这种技术通过结合目标探测技术和光谱成像技术达到其所需的目的，既可以在探测目标的一维光谱信息的同时对目标的所包含的二维几何空间信息进行获取，最终能够得到高光谱连续、窄波段的图像数据信息。高光谱遥感相对于其他传统遥感方式，它具有波段多、光谱分辨率高、可同时提供空间域信息和光谱域信息的优点。
通过对如何利用一个有效的分类框架来针对高光谱图像（HSI）进行分类的学习，在此基础上本文提出了基于稀疏表示的高光谱图像分类，该分类方法包括三个基本组成部分：字典学习，联合稀疏模型和标签细化。首先，利用训练样本构建一组学习字典。然后，引入联合稀疏模型同时表示每个像素周围的相邻样本，使其可以在特征级别中考虑空间信息。在解决了利用同时正交匹配追踪（SOMP）方法对联合稀疏模型算法进行计算时遇到的问题后，最终成功利用重构误差来定义软分类得分。为了模拟其中标签级别的空间信息我们在研究中设计出了一个标签细化方案。最后，通过在印度松树和帕维亚大学数据集上与其他算法进行比较来评估所提出的方法。定性和定量结果表明，执行所提出的方法与其他算法相比更加有效。
关键词：高光谱图像分类; 稀疏表示; 字典学习; 标签细化
目录
摘要
Abstract
1绪论-1
1.1高光谱图像的研究背景及意义-1
1.2论文主要工作及内容安排-2
2. 高光谱图像分类技术-4
2.1 基本概念-4
2.2 标签细化-5
2.3 稀疏表示的算法框架-6
2.3.1 稀疏表示算法框架-8
2.3.2 高光谱图像的稀疏表示模型-10
3. 基于稀疏表示的高光谱图像分类实验及结果分析-11
3.1 稀疏表示在分类过程中的应用-11
3.1.1 稀疏表示的求解-11
3.1.2 重构和分类-12
4实验步骤及结果分析-15
4.1不同分类算法对印度松树数据集的比较-15
4.2不同分类算法与帕维亚数据集的比较-17
结论-20
参考文献-21
附录A 稀疏表示算法程序-23
致 谢-26
