高光谱遥感技术作为一种前沿技术在许多领域都有广泛的应用,包括农业生产、矿物识别、目标检测、灾害预警、军事侦察与城市规划等等。采集到的高光谱数据具有较高的光谱分辨率和空间分辨率,数据特点为信息量大、冗余多、维数较高,同时在波段之间存在着很强的相关性,因此高光谱数据在提供丰富信息的同时也为后续的处理带来了不小的挑战。高光谱图像分类技术是高光谱数据处理的关键技术,如何有效地利用丰富的图像信息来提高分类效果得到了越来越多的关注。同时,相比于传统的分类方法,稀疏表达分类在数据处理方面显示出巨大的潜力,迅速成为研究热点。本论文基于实际的项目背景,以高光谱图像的分类理论和方法为框架,重点从如何更有效地利用稀疏表达和更充分地挖掘高光谱图像所包含的信息两大角度出发,针对在稀疏表达之中如何有效地结合空间信息展开相关的研究与探讨,旨在消除分类结果中的零星被错误分类的像元、实现高精度的分类。论文研究的主要内容如下:1、为了更好地对高光谱图像进行表达,同时利用空间邻域信息消除分类结果图中经常存在的一些零星被错误分类的像元,提出了基于稀疏特征和邻域同质性的高光谱图像分类算法。首先,为了使图像信息得到较好地表述,同时方便后续的图像处理过程,将高光谱图像中仅含少量非零元素的稀疏特征作为分类特征,然后,将提取出的稀疏特征应用支持向量机(Support Vector Machine,SVM)算法进行分类,得到基于稀疏特征的初始分类结果。为了进一步提高分类精度,引入图像中相邻像元间的空间相关性,对初始分类结果进行邻域同质性判定。理论分析和实验仿真均验证了所提算法具有优良的分类性能。2、为了充分利用稀疏表达所产生的稀疏特征,同时通过马尔科夫随机场(Markov Random Field,MRF)有效地引入图像中的上下文信息,提出了基于稀疏特征和马尔科夫随机场的高光谱图像分类算法。首先应用字典学习过程,完成一组基础向量组合的寻找,通过基础向量组合可以获取较高层次的高光谱数据。然后,通过稀疏表达来获取高光谱图像的稀疏特征使隐含信息较好地显示出来。接下来,将稀疏特征输入概率SVM得到每个像元对应的所属类别的概率估计,同时,在分类过程中引入基于MRF的空间信息,通过上下文的文本信息来修正基于稀疏特征的概率SVM的分类结果,得到最终分类结果。实验验证了所提出分类算法的有效性。3、为了使用空间光谱特征来较为全面的刻画高光谱数据,并有效地结合稀疏表达分类器来提高分类效果,提出了基于空间光谱特征和稀疏表达的高光谱图像分类算法。在对高光谱数据进行分类时,仅靠单一的光谱特征而忽略图像本身所具有的空间特征不能得到理想的分类结果。为了避免上述缺点,首先将对原始图像中所提取的空间纹理特征与光谱特征加以融合,形成图像的空间-光谱特征,实现高光谱图像的有效描述。然后,构造基于空间-光谱特征的训练集,将该训练集结合稀疏表达完成对整个高光谱图像的连释。最后通过图像所对应的各类别重构的冗余来确定归属类别,完成分类过程。实验结果表明所提出算法通过有效利用空间-光谱特征提高了分类效果。4、为了充分利用高光谱图像的空间光谱信息,并且考虑邻域像元的相关性和局部性来获取更好的分类效果,同时融合稀疏协作表达,使整个分类过程成为一个统一的框架,提出了一种基于空间光谱信息和稀疏协作表达的高光谱图像残差融合分类算法。该方法首先将高光谱图像分别由空间特征和光谱特征进行有效地表示,然后通过联合稀疏表达分类器(Joint Sparse Representation Classification,JSRC)和局部联合协作分类器(Locally Joint Collaborative Representation Classification,LJCRC)来分别处理提取出的特征,最后将不同分类器所得的残差进行融合,根据融合的残差来确定样本的归属类别。实验表明,本文提出的算法相比于当前主流分类算法具有更优的分类效果。