高光谱成像是一种具有“图谱合一”特性的新型遥感监测手段。高光谱遥感图像不仅提供地物大小、形状、方位等空间信息,还同时提供了反映地物材质和成分信息的连续光谱曲线,有效提升了遥感定量分析的准确性和可靠性。近年来,高光谱遥感图像处理已成为遥感领域最热门的研究方向之一,在多个应用领域具有实用价值和发展前景。然而,随着人们对高光谱数据的大量需求和成像传感器的多元化发展,采集的高光谱图像数据量急剧增加,并且空间和光谱分辨率不断提高,使得成像光谱数据呈现出高维度、海量化的趋势,极大增加了采样、存储和传输的负担,制约了高光谱遥感对地观测技术的发展。因而,亟需研究面向高光谱遥感图像的高效空谱压缩方法。此外,高光谱图像存在“维数灾难”、“同谱异物、同物异谱”等问题,导致难以精确辨识不同类别地物,严重影响后续图像分析和场景解译等;而成像分辨率的不断提升使得高光谱遥感图像空间和光谱结构趋于精细化和复杂化,进一步增大了地物精确识别的难度。因而,研究如何深入挖掘并联合利用高光谱图像的多维空谱特性来实现高精度空谱分类是高光谱遥感图像处理领域亟待解决的另一个关键核心问题。稀疏表征作为一种模拟哺乳动物视觉神经感知机制的新型信号处理技术,能够有效利用海量高维数据的稀疏性,深入挖掘图像的内在本质特征,更简洁、高效地刻画图像的复杂结构,在解决图像压缩和分类识别等问题上具有巨大的应用潜力。本文在深入分析和总结高光谱图像压缩和分类方法研究现状的基础之上,以稀疏表征理论为指导,研究了高效的空谱压缩方法和高精度空谱分类方法。通过在真实高光谱遥感数据上的测试与对比,展示了所提出的方法在解决高光谱图像压缩和分类问题上的有效性。具体研究内容如下:(1)基于空谱联合稀疏编码的高光谱图像压缩方法针对海量高维高光谱遥感图像空间光谱冗余信息难以高效压缩的问题,提出了基于空谱联合稀疏编码的高光谱图像压缩方法。提出的方法方法首先利用超像素技术对局部邻域内的相似像元进行聚类。然后,针对每个聚类簇,构造空谱联合稀疏表征模型,将超像素内像元表征为固定字典与稀疏系数矩阵的乘积。最后,采用量化和熵编码获取压缩比特流。一方面,由于超像素内部像元具有高度空谱相关性,通过联合稀疏表征/编码产生的系数在结构化稀疏约束下具有相同的稀疏模式,即系数中的非零元素具有结构化分布规律,从而有效降低数据的复杂度,减少熵编码系数所需的比特量,提升图像压缩比。另一方面,与基于单一像元的压缩相比,超像素的使用有利于在压缩中更好地保持图像空谱结构特性。所提出的方法与多种不同的高光谱图像压缩方法进行对比,验证了本文方法在解决高光谱图像压缩问题上的有效性。(2)基于空谱上上下文信息的高光谱图像压缩感知方法针对传统的“先采样后压缩”方式受限于奈奎斯特采样率,难以在压缩采样(低采样率)条件下高保真恢复原始信号的问题,提出了基于空谱上下文信息的高光谱图像压缩感知方法。压缩感知理论以信号的稀疏表征为前提条件,将采样和压缩“合二为一”,能够有效降低高维图像信号采样的成本,同时减少数据的存储空间和传输带宽。而且,提出的方法利用空间上下文信息和光谱稀疏性构建结构化感知矩阵与空谱字典学习模型,从压缩采样信号中自适应学习具有表征性的字典,并在压缩感知的稀疏重构过程中引入空间结构约束项。其中,数据驱动的学习字典能够提升信号表征的稀疏性,使得后续重构算法获得更准确的表征系数;而引入的空间结构约束项则利用重构效果较好的邻域像元来纠正孤立的错误重构像元,提升了图像的局部空间结构平滑性。我们在实验中将提出的方法与多个主流的高光谱压缩成像方法进行对比,实验结果验证了本文方法能够有效解决采样过程中的数据压缩问题。(3)基于形状自适应稀疏表征的高光谱图像分类方法针对高光谱图像“同谱异物、同物异谱”、“维数灾难”等现象导致的难以高精度分类问题,提出了基于形状自适应稀疏表征的分类方法。一方面,研究形状自适应搜索算法来充分挖掘图像空谱结构信息,将其用于稀疏表征模型的系数求解优化,提升表征的准确性。同时,相似像元的联合分类能够有效避免孤立像元分类产生的类似“椒盐噪声”的分类结果,从而提升整体分类性能。另一方面,稀疏表征分类模型中引入光谱降维,能够有效提取主要的光谱成分信息,进一步抑制维数过高引起的分类性能下降的现象,并有效减少大量像元稀疏表征的运算量。实验中,我们对比了经典的高光谱图像分类方法和几种稀疏表征空谱分类方法,实验结果表明提出方法在解决高光谱图像高精度地物分类问题上的有效性。(4)基于空谱在线字典学习的高光谱图像分类方法针对高光谱图像中空间-光谱结构复杂且难以精确表征,从而导致分类性能受限的问题,提出了基于空谱在线字典学习的分类方法。该方法的主要特色在于:采用基于图像分块处理的在线字典学习方法代替基于训练样本光谱的字典构造方法,有助于构建结构紧凑、表征性能更强的字典,从而提升对复杂空谱结构的精确表征能力;而在线字典学习模型中引入空谱结构保持项,约束图像块内同类像元表征产生准确且相似的系数,有利于降低样本类内差异,从而提升分类性能。实验结果表明,所提出的方法在分类性能上处于先进水平,而与其他字典学习分类方法相比,不仅在分类精度上有显著提升,也有效减少了算法的运行时间。