高光谱图像分类的研究现状高光谱图像的分类目前的核心思想依旧是认定同一种物质具有相同或相似的光谱信息和空间结构。因此建立在这一核心思想上出现了基于光谱空间的分类思想。

基于光谱空间的高光谱图像分类理论依据，首先光谱空间的理解是将高光谱图像中每个像素点单独的建立一个2-D的平面[20]，平面的横轴表示光谱的波长分布，而纵轴就表示对应波长的波谱的辐射强度。因此对于每一个像元点都可以绘制一条波长和对应波段辐射强度的相关曲线，也叫做光谱曲线[1]。根据同意物质的光谱曲线相同或相似的原则，通过匹配已知类别物质的光谱曲线和待分类的像元曲线的相似度就可以来判定该像元属于那一类物质。49133

光谱曲线的匹配显然不太适合计算机来处理，曲线的匹配无法制定完善具体的规则，于是提出了将波段离散化的方式，对每个像元取其光谱曲线的n个离散的分布波长[4]的辐射强度形成一个具体的特征向量。也就是将连续的波长分布离散成n个波段。然后不需要曲线只需要借助特征空间[1]向量来描述像元的光谱，这样离散化的数据很便于计算机处理。只基于光谱特征空间的方式由于受到光谱采集的准确性等因素的影响，并不能很好的满足同物质同光谱的条件。

空谱联合[3]的信息用于高光谱分类的方式就很好的利用了高光谱像元的空间位置关系,弥补了只利用光谱信息的不足。有文献[15]提出了基于Gabor滤波器[9]的高光谱图像的空间信息提取算法，然后再将提取的空间信息和原来的光谱信息组合形成可以分类的空谱联合数据集。

图1.1  Gabor滤波器提取空间信息并与光谱信息整合的示意图

在一篇关于压缩感知图像和视屏重构[9]的文献中，提出了图像均匀区域性质，论文网相邻像素点之间很有可能有着相同或相似的光谱特性这一想法，根据空间上相邻的像素点(实际操作时人为的选择认为相邻窗口的大小)建立假设预测矩阵，按照相邻的程度赋予每个相邻像素对该点假设预测不同的加权系数，利用相邻的像素点的光谱信息来预测关注的像素点的光谱信息，这样就直接将空间的相邻性质融入到光谱信息里面去了。算法被命名为MH Prediction[9]。

  MH预测利用空间上相邻直接整合光谱和空间信息

因为MH预测不错的性能和流程比较简单，本文的分类算法采用的就是借助MH预测来预处理高光谱数据集，整合空谱信息然后再进行分类。除了在高光谱数据上的不同，还根据有无已知标签的训练样本把分类方法分为监督分类和无监督分类。