0110002-1研究论文第43卷第1期/2023年1月/光学学报基于空谱字典的加权联合稀疏表示高光谱图像分类陈善学1，2，何宇峰1，2*1重庆邮电大学移动通信技术重庆市重点实验室，重庆400065；2重庆邮电大学通信与信息工程学院，重庆400065摘要稀疏表示广泛用于高光谱图像分类任务中。针对字典原子空间信息和光谱信息未得到充分利用的问题，提出了基于空谱字典的加权联合稀疏表示高光谱图像分类算法。计算测试像元与字典原子的空谱联合距离，选择相似度最高的K个字典原子，并将被选择字典原子的超像素邻域扩充到新的字典中，形成空谱字典。在联合稀疏模型中，对测试像元的超像素邻域像元使用不同的权重，在空谱字典上构建加权稀疏表示模型。基于所选的两个高光谱数据集的实验证明所提算法能够有效地提高分类精度。关键词图像处理；高光谱图像分类；空谱字典；超像素；稀疏表示中图分类号TP751.1文献标志码ADOI：10.3788/AOS2208541引言高光谱图像是星载或机载高光谱成像仪采集数十至数百个连续窄波段光谱数据而成的遥感图像。高光谱图像数据是三维立方体数据，包含每个波段的二维空间信息和每个像元的光谱信息。由于高光谱图像具有丰富的空间信息和光谱信息，故被广泛应用在环境检测、矿物勘探、作物监测和目标识别等领域中［1］。高光谱图像分类的目的是对图像中的每一个像元赋予地物标签。如今，多种分类技术被应用于高光谱分类中，如支持向量机（SVM）［2］、多项式逻辑回归［3］和神经网络［4］等。近年来，稀疏表示被证明是解决人脸识别、图像超分辨等问题的强有力工具［5］。稀疏表示的基本假设是：若一个类有足够多的训练样本，则属于此类的测试样本就能利用来自此类的训练样本的线性组合表示［6］。稀疏表示分类通过对测试样本进行稀疏表示得到稀疏表示参数，计算每一类训练样本的重构残差从而确定测试样本的类别。Chen等［6］将稀疏表示模型引入到高光谱分类中，根据邻域内像元共享稀疏模型，提出了联合稀疏表示模型。文献［6-9］通过对邻域内像元进行加权的方式削弱不相似元素的影响。陈善学等［10］使用超像素提高了相邻像素的一致性。李非燕等［11］通过提取多特征并添加约束的方式构建了稀疏模型。良好的字典可以为测试样本提供合适的子空间，从而达到更好的分类效果。Fang等［12］采用判别K-SVD算法同时学习字典和分类器。Long等［13］提出了非局部字典学习稀疏表示方法，使用估计函数选择加入字典的邻域像元，最后利用估计函数建立了联合稀疏...
