高光谱图像由于自身有机地结合了空间信息和光谱信息,相比于彩色图像和多光谱图像,在分类和识别中有独特的优势。目前,高光谱图像已经广泛地成功应用于国防、城市规划、精准农业和环境检测等方面,针对地面物质信息的高光谱图像分类是一门综合图像处理和遥感成像技术的前沿科研课题。利用图像技术,充分考虑高光谱图像的空间信息和光谱信息之间的互补性,将两者结合起来,是提高高光谱图像分类准确度的有效方法。本文提出了两种结合空谱特征的高光谱图像分类方法,可概括如下:(1)基于超像素分割与协同表示近邻分类方法。在高光谱图像中,像素点的邻域点与自身有很高的相关性,结合它们各自的信息来进行分类比单像素点分类更有优势。在本方法中,首先,高光谱图像的原始数据通过主成分分析法降维计算,取出前三个主成分,再运用了基于熵率的超像素分割方法,产生图像的超像素图像,接着,在每个超像素块当中,结合协同表示和近邻分类算法,计算出每个测试样本与各类训练样本之间的欧式距离,再对测试样本预测类别。更进一步地,将测试样本的分类概率矩阵放在马尔科夫随机场,采用循环置信传播算法,计算分类的最终结果,这样进一步提升了分类效果。(2)基于超像素融合和联合稀疏表示的分类方法。在传统的联合稀疏表示中,简单地认定测试像素点的邻域是同一类别,但是实际上邻域的像素点也有可能含有不同类别的像素点,比如在不同类别交界处的像素点,邻域就很有可能包含两种类别以上的像素点,这样的话,以邻域联合稀疏表示的分类性能就会受影响。基于超像素的联合稀疏表示可以解决这个问题,因为超像素的分界很好地避免了联合表示的像素里面有覆盖多个类别的像素点。但是,应用在高光谱图像的超像素分割算法为了使同一超像素内是同一类别的像素点,通常会出现过分割,这使得超像素变得过小。而在联合稀疏表示当中,更多的像素点融合能提高分类的准确度,所以在本方法,基于可能性模糊C均值聚类,提出了一种融合已有超像素的方法,将相邻的过分割超像素融合起来,变成更大的超像素,新的超像素内样本加入联合稀疏表示的样本候选集。为了解决基于邻域的联合稀疏表示的局限性,将结合超像素和邻域选取新的样本集,提高联合稀疏表示算法的准确度。经实验证明,相比一些其他先进方法,该方法可以提高高光谱图像分类的准确度。