HSI分类论文解读分享之一

题目：
Hyper-Spectrum Clasification Based on Sparse Representation Model and Auto-Regresive Model
作者：
Lin Song;Yongmei Cheng;Yongqiang Zhao
关键字:
remote sensing;hyper_spectrum;sparse representation;auto-regressive model;neighboring relativity;minimum reconstruction error
解决问题：
解决在高光谱图像分类过程中对光谱信息和空间信息利用不足的问题。
方法：提出了一种基于稀疏表示模型和自回归模型相结合的分类算法。

模型：
1、稀疏表示（SR）模型:
思想：
将高光谱图像表示 为光谱列向量，将测试样本在训练样本组成的字典上进行稀疏分解，以最小重构误差为判别准则进行分类。
原理：
由调和分析理论可知，图像可以表示为一组基函数的线性组合。图像经过SR后，大部分基函数 的系数为零或近似为零，只有少数基函数具有较大 的非零系数，这里称基函数为原子，所有原子信号的集合为字典。其核心思想是将某个信号描述为字典中原子 的稀疏线性组合，具有非零系数的原子揭示了信号 的主要特征和内在结构，其最终问题是寻找信号 X 的稀疏解，可表示为：

式中alpha为系数，D为字典。
但是最小化L0范数为NP-hard问题,所转换为L1范数最小化问题：

式中λ为调节重构误差与稀疏系数的均衡系数。但 针对计算量很大的稀疏求解，例如本文的高光谱数 据，常采用l2 范数最小化去逼近l0 范数最小化问 题，利用收敛速度更快的最小二乘法求解稀疏解:

过程：将原始光谱向量X在训练样本组成的字典下进行稀疏分解，计算各类样本逼近X的残差以定量描述各类稀疏逼近程度，再将测试样本归入具有最小逼近残差的训练样本的类别，即完成分类。
缺点：仅仅利用了光谱信息，没有考虑空间信息的约束。

2.AR模型：
作用：利用高光谱图像的邻域相关性
原理：利用高光谱图像空间图像各个邻域像素具有很高的空间相关性，利用AR模型从空间信息上对高光谱图像进行约束。其核心思想是中心像素可以表示为邻域像素的线性组合，本文采用8邻域进行约束：

式中x，表示第B个波段图像的某个3x3窗口的中心像素,alpha为8邻域像素的系数，表示邻域像素对中心8 像素的权重，Q表示中心像素x的8邻域像素。

过程：
本文采用对高光谱图像的光谱和空间同时进行约束，将AR模型引入SR模型，其核心思想是在空间约束的基础上，对3X3窗口下对每个光谱分量进行稀疏分解，权值alpha_ba取1/8。

字典设计和稀疏求解算法：
字典采用对每个类别样本进行构造的方法，进行M次计算，但是大大降低了维数。
稀疏求解采用L2范数代替L1范数。
式中μ为均衡参数，旨在均衡空间约束与光谱约束。
具体实现步骤：
1、将高光谱图像表示成光谱向量的集合，进行归一化，分别针对每类样本构造一个稀疏字典。
2、将测试样本分别在M类字典下进行稀疏分解，求得系数alpha_hat.
3、重构，以最小重构误差为准则对光谱向量进行分类：

本文应当学到的知识点：
1、稀疏分解方法和思想
2、字典构造方法