本成果屬于高光譜圖像信息處理技術，為高光譜遙感圖像分類方法。首先對高維高光譜圖像提取第一主成分特征圖，并利用結構元素對主成分特征圖進行多維的空間結構特征提取，結合提取的形態學特征與原始光譜特征，利用聯合稀疏表示算法將同一空間區域中的像元聯合進行稀疏系數矩陣的求解，最終通過最小殘差判斷準則確定像元類別。這種方法有效地并且充分的挖掘了高光譜遙感圖像中的空間信息、形態信息和光譜信息。考慮到稀疏表示方法在迭代求解稀疏向量時的耗時性與對非線性數據的不可分性，進一步提出了基于差分形態學核協同表示的高光譜遙感圖像分類算法。該成果方法通過核化的協同表示分類算法避免了優化求解的耗時性，同時克服了高維特征空間下數據的線性不可分性。算法首先通過差分形態學方法在高光譜遙感圖像的主成分分析圖上進行空間特征提取，并通過核變換方法將新特征字典投影到高維的線性核特征空間，最后利用核化協同表示算法的高效性對高光譜圖像進行分類。

主要技術指標

University of Pavia 通過 ROSIS-03 傳感器記錄，該圖像捕獲了意大利帕維亞的帕維亞大學周圍的市區。圖像尺寸為 610×340×103，空間分辨率為 1.3 m / 像素，光譜覆蓋范圍為 0.43 至 0.86μm。該圖像考慮了九個類別。其具有 42776 個標記樣本。每類取 50 個有標記樣本共 450 個樣本作為訓練樣本。

請參閱表 1，本方法提出的高光譜圖像分類方法，相比于傳統分類器 SVM，OA 提高了約 18%；相比于 JSRC，OA 提高了約 5%；同時參閱表 2，展示了本成果方法的時間運行效率與相關方法的比較。該成果無需使用 GPU 資源在保證精度的同時有效提升了分類的精度和效果。

表 1 PaviaU 數據集上對比實驗結果

表 2 不同數據集上時間運行對比實驗結果