高光谱图像分类是近几年光谱研究的重要方向。在已有研究中,基于点/线扫描或棱镜-掩模式光学设计的成像仪器已基本实现高空间分辨率与高光谱分辨率兼得的数据观测。传统高光谱数据多沉淀在卫星遥感测绘领域,因此高光谱分类研究皆由此起步,遥感高光谱数据被抽象为理想的平行光照射模型,没有来自照度和几何变换带来的干扰,且数据配备逐像素对应的样本标记,所以分类处理前无需对已采集数据做过多预处理,而分类研究的重点则更倾向于挖掘出高维度、大数据下的特征提取和优化分类模型。但与遥感数据截然不同的是,近地光谱分类的研究由于数据信号模型本身就较为复杂,直接采集的数据耦合了多面性的干扰,若要对数据直接分类处理并应用于日常场景下实现材质分割、目标识别跟踪等领域,将面临以下问题:1)光谱维度量级庞大,信噪比高,图像质量由于采集设备性能的参差不齐、环境光强度的时序变换等难以得到数据集约表示的标准化保障;2)直采的光谱数据融合光源、几何变化、场景自放射等多重串扰,产生空间变异性等因素导致的同物异谱现象,无法直接准确地用于特征分析;3)光谱数据场景种类复杂,标记样本极其欠缺导致统计训练难度加大;4)在空间像素有限时,因数据谱间相关性较高、冗余度大等干扰导致的异物同谱会降低分类准确率。本文围绕近地光谱图像分类问题,结合高光谱数据模型分析与特征提取,以及多类机器学习算法展开深入研究,推动近地场景下的高光谱图像/视频分类在多领域的应用。针对前文提及问题,为将近地光谱数据分类更好应用于材质分割、目标识别等领域,本文提出如下解决方案:1)首先建立光谱数据信号多成分模型分解方法,提出直采数据涵盖亮度分量和反射分量,亮度分量包含光源光照illumination、几何shading、噪声highlight等信息,反射分量为分类研究所需的物体材质反射在各波段的响应强度。2)利用SIID和MIID模型针对不同适用场景分离出亮度分量,降低光照条件引起的明暗变化(illumination)、几何结构导致的空间变异(shading)、空间场景自带的放射干扰(highlight)等因素对光谱数据的影响,提取能反应物质真正化学物理特性的本征材质信息(reflection),即反射分量数据用于分类研究。3)基于已构建的光谱数据库(包含标记/未标记样本数据)组合多类机器学习算法训练生成数据驱动型判别器,在高维度、不可视化的超平面寻找最优判别条件,实现基于材质信息提取的精细分类。4)数据谱段间冗余度较高,分类结果受椒盐噪声干扰,边缘性差,本文再利用空间相似性辅助优化3)中的分割边缘与模块分化结果,实现块内最大相似,块间最大差异,全局能量函数最小化的数学手段来优化分类结果可视性。高光谱材质提取的分类方法可以利用计算机摄像学为多个交叉学科领域的目标识别等瓶颈问题带来解决方案。通过提取光谱信息中反应材质特征的反射分量,将有利于提高经典“同色异谱”问题的材质鉴别正确率和色域相似目标的识别跟踪精准度;包含几何空间结构信息以及光源明暗变化信息的亮度分量可用于光谱合成、光场三维几何建模等衍生研究领域。实验结果证明本文提出的方法可以实现较好的近地场景下的高光谱图像/视频分类,较其他主流方法有定量与定性化提升。