基于特征提取和稀疏表示的图像分类算法技术开发技术简介随着计算机科学的发展,计算机视觉逐渐成为一门新兴的学科方向。最近十几年,计算机视觉逐渐和机器学习,人工智能等领域融合。信息学院李伟课题组主要研究遥感图像的分类和识别问题。在空间上,遥感图像不断往高分辨率方向发展,从最初的一个像素覆盖几百米到如今一个像素覆盖几米的高分图像,使得遥感图片形成高质量的特征集合,也就符合了计算机视觉和模式识别的要求。本课题的主要工作体现：第一,针对高光谱图像分类中固定窗口提取特征在图像边缘区域易引入不相关特征的现象,提出了一种基于支持向量机的自适应窗口空间谱间特征融合的高光谱图像分类算法,利用非监督方法提供空间结构信息,融合空间特征然后利用SVM分类。第二,针对高光谱图像分类中联合稀疏编码在图像边缘区域利用固定窗采集信号时易引入杂质信号的现象,提出了一种基于稀疏编码的自适应窗口空间谱间特征联合重构的高光谱图像分类算法,利用非监督方法提供空间结构信息,然后利用SOMP联合稀疏重构空间相关信息,利用重构误差对高光谱图像分类。第三,针对高光谱图像分类中K近邻算法利用欧氏距离在高维特征相似性衡量时的弊端,提出了一种基于稀疏编码的最近邻分类的高光谱图像分类算法,利用稀疏重构系数替代最近邻算法欧氏距离衡量相似性的规则,同时利用联合稀疏表示算法将最近邻规则推广到利用空间信息产生决策规则。第四,针对场景分类算法中图像在不同特征尺度空间无法有效融合的现象,提出了一种全局特征与局部特征协同表示重构融合的自然场景分类算法,利用联合重构局部特征和全局特征,将多特征融合进行场景分类算法。