基于多尺度秩-1光谱空间特征(MRSSF)的高光谱图像分类方法研究

为解决高光谱图像(HSI)分类中类间差异小、类内差异大导致的特征提取难题，研究人员开发了多尺度秩-1光谱空间特征(MRSSF)提取方法。该方法通过奇异值分解(SVD)获取固定窗口内像素的秩-1近似特征，结合多尺度窗口策略构建鲁棒特征表示，在三个基准数据集上验证其优越性，为HSI精准分类提供新思路。

　　

在高光谱图像(HSI)分类领域，光谱-空间特征的提取始终是提升分类精度的关键。面对HSI类间差异低而类内变异高的特性，这项研究创新性地提出多尺度秩-1光谱空间特征(MRSSF)提取技术。该方法的核心在于：首先对固定尺寸窗口内的像素矩阵进行奇异值分解(SVD)，获取其最优秩-1近似；然后将窗口中心像素对应的特征定义为秩-1光谱空间特征(RSSF)。考虑到单一窗口可能无法全面捕捉中心像素的空间邻域信息，研究团队采用多窗口策略生成多组RSSF，最终堆叠形成多尺度特征表达。

实验环节令人振奋——在三个权威HSI基准数据集上的测试表明，MRSSF方法的分类性能显著超越现有先进技术。该方法巧妙地通过数学降维(SVD)提取本质特征，结合多尺度空间上下文分析，为破解HSI"同物异谱"和"同谱异物"的经典难题提供了新范式。特别值得一提的是，研究团队已开源代码，这对推动高光谱遥感在精准农业、环境监测等生命科学相关领域的应用具有重要意义。