高光谱空间变换在纹理分类中的创新应用：H-CL/H-HCL/H-HSI/H-HSV多维转换模型研究

【编辑推荐】本文提出四种新型高光谱空间变换模型（H-CL/H-HCL/H-HSI/H-HSV），通过扩展传统3D色彩空间（如CL/HCL/HSI/HSV）至多维，显著提升高光谱纹理分类准确率（最高+43.47%）。结合手工设计特征与深度学习（CNN）方法，在10个数据集（含6个新发布Timbers子集）验证中，突破现有降维技术局限，为高光谱图像分析提供信息无损的解决方案。

　　

亮点

本文提出的H-CL、H-HCL、H-HSI和H-HSV高光谱空间变换，通过多维扩展传统色彩空间，在纹理分类任务中实现最高43.47%的准确率提升，为高光谱图像分析开辟新路径。

相关研究

现有高光谱纹理分析技术多依赖降维（如RGB转换或PCA），导致原始数据失真。Liu等人提出的HHSI虽保留全部光谱信息，但未完全兼容3D HSI空间定义。

创新变换模型

1. 1.

   H-CL（超亮度-色度）：隶属亮度-色度空间家族，将N维光谱分解为1个亮度分量和(N-1)个色度分量。

2. 2.

   H-HCL/H-HSI/H-HSV：基于感知空间家族，分别扩展HCL/HSI/HSV模型，其中H-HSI优化了Liu的HHSI，确保N=3时与经典HSI完全等价。

实验验证

采用手工特征（如LBP）和CNN在10个数据集（含6个新Timbers子集）测试，所有变换均显著优于传统降维方法，其中H-HCL在CNN框架下表现最优。

局限与展望

当前模型计算复杂度较高，未来需优化实时性；泛化能力在跨场景应用中待验证。

结论

四种变换均能有效保留高光谱信息，H-HCL和H-HSV在CNN中表现突出，为材料分类、环境监测等应用提供新工具。