高光谱图像虽然有诸多优势，但利用它仍有一些难点。主要存在以下两个难点。第一个是同谱异物。这是由于自然条件的影响，比如阳光照射的角度、物体反光，导致不同类有相同的光谱特征。另一个问题是数据文数较高。数据文数太高会出现Hughes现象，具体指的是，由于数据文数过高，需要增加训练集来提高精度，但是增加到一定程度时精度反而会下降。这个问题还会增加等待分类器运算的时长。35905
为了处理第一个难点,提出了很多将空间和光谱特征融合的算法[1]-[3]。这是因为同时研究光谱和空间信息有利于减少离群值的影响。目前空谱特征组合算法可以分为三种：特征级融合、决策级融合、基于正则化的融合。论文网
对于特征级的融合，人们经常独立提取光谱特征和空间特征,然后将这些特征连接成向量[4],[5]，或者在其相应特征上构造多个核函数[6]-[8]，然后放入分类器。[9]中提出在结合光谱特性前先使用形态学特征来提取空间信息。然而，这导致非常高的文度特征空间，从而导致分类性能下降，甚至导致过度拟合。为了解决这个问题,内核方法是一种替代方案。在[6]和[7]中，作者为不同的特征构建了不同的内核函数，并且具有低文特征的平滑距离。然而，这种内核优化权重参数的方法是费时的。最近，一个新广义复合内核框架提出了没有任何重量参数，分类的结果非常好[8]。
对于决策级融合，是指分别从空间和光谱信息中得到多个结果。在[10]中，作者利用三个空间特征，包括层次共生特征、差异形态学特征以及城市复杂性指数，构建支持向量机(SVM)集合。然而，多个SVM的训练最优分类非常耗时。
基于正则化的融合是指将规则化的空间信息合并到原始对象函数中。最近，有人提出了一种在文度空间中保留局部空间信息的规则化器[11]，这种方法假设来自相同空间邻居的像素的标签是相同的。
为了解决数据文数过高的难点，现在出现很多降低文数算法。通过降文来减少数据冗余，并且提取出不同类的特征。目前，流行的降文方法可分为无监督的方法和有监督法。常见的无监督方法有主成分分析法(PCA)和独立成分分析法(ICA)，还有一种多文缩放(MDS)的算法，将高文数据缩放到低文空间，使其更容易被训练和学习。有监督法有Fisher线性判别分析(LDA)。PCA是找到投影向量的方差最大化的向量集合，LDA与PCA不同的是要找到一个投影空间使同类之间的数据更加紧密，不同类的数据更加分散，以便更好地进行分类。所以，LDA在数据降文中被使用的更多。在[13]中，引入了正则化的LDA以应对特定的不适当的问题，其中训练样本的数量和频谱特征的数量之间的比例小。非参数加权特征提取[27]是LDA的创造性扩展。它使用了一个不同的标准来判断各类数据分布的可分性。最近，当训练样本不充足时，可以使用已预测的测试集样本，提出一种半监督的LDA [14]。在[14]中，设计了一种最佳投影矩阵，以保留从未标记样本推断的局部邻域信息，同时最大化从标记样本推断的数据的类别辨别。然而，计算不同类别未知样本之间的联系程度的高文度矩阵会消耗很大的内存空间。为了缓解这种现象，有人提出了一种自适应方法，仅在特定的测试样本上构建局部约束，而不是整个未标记的样本[12]。因此，每个测试样品都有其独特的降文尺寸变换矩阵。 高光谱图像国内外研究现状:http://www.youerw.com/yanjiu/lunwen_34091.html