基于局部和非局部上下文感知弹性网络表示的高光谱图像分类

通过将查询样本表示为所有标记样本的线性组合,然后通过评估哪个类别导致最小表示误差对它进行分类,基于表示的分类方法已成功用于高光谱图像(HSI)的分类。 根据不同规范的使用,已经在两种不同的范式中提出了基于稀疏表示的分类(SRC)和基于协作表示的分类(CRC)方法。 SRC鼓励使用少量带标签的样本,而CRC则鼓励使用所有带标签的样本来协同代表所有类别中的查询。 但是,当不同类别的有限标记样本不平衡时,学习的表示很难反映每个类别的特定特征。 为了克服这个问题,本文提出了一种基于图的上下文感知弹性网(ELN)模型用于HSI分类。 在通用的ELN框架下,所提出的模型能够充分利用SRC和CRC的优势。 具体来说,通过评估局部和非局部邻居的光谱和空间自相似性,可以构建具有图像斑块距离的ELN编码邻域图。 由于利用了频谱空间上下文,集中式稀疏性规范被集成到优化模型中,并且可以促进局部和全局一致性的保存。 最后,通过使用众所周知的乘数交替方向方法,为所提出的模型开发了一种有效的求解器。 在几个真实数据集上的实验证明,该方法在分类准确度方面可以胜过最新算法。 此外,即使在有限的不平衡标记样本的情况下,所