高光谱图像分类方法

一、基于基本光谱信息，依据光谱特征和适当的特征变换的多种机器学习分类算法
K最近邻（K-NN）、最大似然分类、贝叶斯、决策树、极限学习机（ELM）、支持向量机（SVM）、基于稀疏表达（SRC）
二、基于空谱联合信息的分类
1.组合方式
利用光谱信息和空间联合信息的前后组合：光谱分类与马尔可夫随机场（MRF）或图像分割技术的组合。
2.融合方式
空间信息与光谱信息的特征融合：三维小波变换、三维Gabor变换
三、改进高斯过程回归的高光谱空谱联合分类算法
改进的方面：通过最大方差相似法选取测试样本的子集，利用平方根矩阵分解法对新标记样本进行模型预测。提高训练模型效率，降低计算量。
四、高斯线性回归与多领域优化
1.对高光谱图像各像元的光谱波段像素值按行排列组成数据空间。
2.对数据空间进行高斯滤波处理，并对光谱数据进行归一化处理。
3.将数据空间分为训练集和测试集，分别对其进行线性判别分析（LDA）降维处理。
4.以多元逻辑回归（MLR）分类得到初始类别标签
5.多领域优化对低置信度的像元联合局部空间信息进行错分类矫正。
直接使用逻辑回归的分类算法（MLR）、线性判别分析（LDA） 降维和 MLR 结合的分类算法（LDA_MLR）、高斯滤波与 LDA_MLR 结合的分类算法（GF_LDA_MLR）