66、具有各种空间特征的高光谱图像分类

具有各种空间特征的高光谱图像分类

1. 引言

在遥感领域，高光谱图像（HSI）常被用于充分利用倾斜图像上数百种不同的光谱结构。高光谱图像需要准确而强大的识别技术来获取图像属性。由于复杂的图像场景设计（如混合像素、大量信息和少量实践测试），高光谱图像分类一直是一个极具挑战性的问题。近年来，许多研究致力于解决这一问题。

高光谱图像能够识别通过卫星捕获的大尺寸图像，并为地面物体的准确识别和分类提供了广泛的数据。为了提高分类效率，需要将空间背景和光谱信息相结合。同时，深度学习在图像处理和目标检测方面取得了显著进展，吸引了众多研究关注。

2. 文献综述

以下是一些用于高光谱图像分类的方法和算法：
| 研究者 | 方法 | 特点 |
| — | — | — |
| Tayeb Alipourfard 等 | 基于子空间降维技术的 CNN 架构 | 在小训练样本情况下，通过固定架构和强大的降维方法，展现出较高的分类效率 |
| Shrish Bajpai 等 | 从分解信号或时间序列中提取成分 | 抑制噪声，使像素值平滑，提高分类精度 |
| Zhao Boya 等 | 多尺度特征表示方法 BUFPN | 充分利用特征，结合不同尺度的特征图，解决不同大小和纵横比物体的分类问题 |
| Qishuo Gao 等 | 保守平滑算法 | 利用相邻像素的空间准确性和光谱相似性，避免过度平滑，揭示定性空间细节 |
| Lin He 等 | 快速 DLRGF 方法 | 有效选择空间 - 光谱特征，改进 Gabor 滤波以适应高光谱图像特点，提高分类准确性 |
| Hao Huijun 等 | 构建金字塔