高光谱图像因为具有成像光谱分辨率高、图谱合一的特点,被广泛应用于精准农业、医疗诊断和资源勘探等诸多领域。高光谱图像的分类性能直接影响其应用的效果,因此,如何在有限标记样本的情况下,提取有价值的信息以及实现高光谱图像高性能分类是高光谱图像处理技术的前沿课题。针对目前高光谱图像分类中基于深度学习方法训练耗时较长、部分空-谱联合特征方法空间信息利用不充分致使分类性能不佳和因高光谱图像标记样本稀缺导致小样本分类精度偏低等问题,本文联合空间特征和光谱特征,利用宽度学习、稀疏表示和协同表示等技术研究高光谱图像的分类方法,主要工作包括:1.深度学习网络可以提取丰富的空-谱联合特征,有助于提高高光谱图像的分类性能。但是,深度网络的参数量庞大,使得其训练过程不仅耗时且需高性能计算机辅助。为此,提出一种基于局部二值模式和宽度学习的空-谱联合特征高光谱图像分类方法:首先,利用局部保持投影对高光谱图像的光谱信息进行降维以提取光谱流形结构特征;其次,在降维光谱信息每个波段的空间域上利用局部二值模式操作提取灰度和旋转不变的局部纹理特征,实现空间特征和光谱特征的融合;最后,将融合光谱信息的空间特征输入到宽度学习系统进一步稀疏化处理,通过岭回归方法求解宽度学习最后输出层的最优连接权重,完成高光谱图像的分类。2.部分基于空-谱联合特征的高光谱图像分类方法空间信息利用不够充分致使分类效果不佳。为了深度融合高光谱图像的空间特征和光谱特征改善分类性能,提出一种基于导向滤波和宽度学习的空-谱联合特征高光谱图像分类方法:首先,利用高斯滤波基于空间信息对原始光谱的各个波段平滑处理去除噪声,提取融合空间信息的光谱固有特征;接着,利用宽度学习网络稀疏化输入的空-谱联合特征,通过宽度学习系统输出层的最优连接权重计算测试样本标签以构造初始概率图;最后,利用导向滤波基于空间上下文信息在灰度导向图像的指导下修正误分类样本,以实现进一步提高分类精度的目的。3.在高光谱图像数据中标记样本数量非常有限,如果对未标记样本进行标记,需要付出昂贵的代价。因此,越来越多的研究人员开始关注高光谱图像的小样本分类方法。为提高高光谱图像小样本分类精度,提出一种基于稀疏增强协同表示的空-谱联合特征高光谱图像分类方法:首先,基于相邻像素光谱特征高度相关性对光谱信息进行均值化处理,实现空间特征与光谱特征的融合;其次,将稀疏表示添加到协同表示上实现增强表示以提取丰富的判别性空-谱联合特征,使用训练样本和增强表示计算测试样本标签以构建初始概率图;最后,利用导向滤波基于空间上下文信息修正误分类样本,以提高分类精度。在Indian Pines、Salinas和Pavia University三个常用高光谱图像数据集上的实验结果表明,本文提出的分类方法能够有效融合高光谱图像的空间特征和光谱特征,进而获得良好的分类性能。本文共有34幅图,20张表,参考文献200篇。