地物精准分类作为高光谱图像的一个重要处理阶段,广泛应用于农作物监测、城市规划和重大灾害管理等领域。随着高分辨率遥感图像软硬件的快速发展,高光谱图像的成像范围越来越广,图像内包含的数据种类日益增加,加之高光谱图像本身容易产生同谱异物及同物异谱现象,具有庞大数据集的图像分类任务成为高光谱图像处理的巨大挑战。字典学习通过对样本进行训练,得到庞大数据集的降维表示,从而学到蕴藏在样本背后的代表性特征。本文深入研究了高光谱图像的自身特性,充分挖掘高光谱图像的低秩性和稀疏性,将样本通过改进的学习字典转化为低秩或稀疏的表达形式,从而简化学习任务,降低数据冗余性和模型的复杂度。本文的创新工作和主要任务包括:(1)提出了一种改进的低秩表示分类框架,在对训练样本进行K-SVD字典学习的基础上,完成低秩表示分类。低秩表示有利于充分挖掘图像的全局结构信息,利用图像的冗余特性恢复出图像的低秩表示,并分离出稀疏噪声。但是传统做法将各类训练样本直接构成结构型字典,往往不具有较强的表示能力及鲁棒性。因此,本文对训练样本首先进行字典学习,充分学得各类样本特性后再利用低秩表示求解系数矩阵并实现分类。实验表明,相对于经典分类算法及传统的低秩表示分类算法,本文算法能够有效提高高光谱图像的分类精度与鲁棒性。(2)提出了标签互斥性字典学习(ME-KSVD)算法,结合多尺度稀疏表示算法联合解决高光谱图像的样本不均衡问题。目前,多数字典学习方法的学习效果过多地依赖于训练样本的数量,当训练样本缺乏(例如只有2~3个样本)时学习效果较差。针对这类问题,本文对经典的K-SVD字典学习进行改进,将训练样本进行反向扩充,并建立互斥性标签项,使得字典在学习过程中同时学得类内一致性和类间互斥性。同时,根据图像中不同区域的大小差异,对每个像素建立多尺度邻域矩阵,联合求解每个像素的最佳稀疏表示。实验验证了本文算法的有效性,提高了字典学习对于样本数目的鲁棒性及高光谱图像高精度分类的有效性。(3)设计并实现了基于低秩与稀疏表示的高光谱图像地物分类系统。该系统包含三个功能模块:图像加载模块、算法执行显示模块和性能评价模块,分别用于高光谱图像数据的选取、算法的选择与执行以及分类结果的定性、定量显示与评价。该系统可以明确地展示高光谱图像分类的效果,方便与各种现有图像分类算法的性能进行对比分析。