高光谱图像包含成十上百个光谱波段,给地物的高精度辨识提供了丰富的光谱信息,但也带来了维数灾难的问题。如何减小高光谱图像的维度,并尽可能地保留其有用信息成了近年来的研究热点。对比传统基于统计理论的降维方法,流形学习能很好地挖掘高维数据潜在的非线性结构,被广泛应用于高光谱图像的降维。但常见的流形学习方法一般都存在着以下两个问题:把高光谱图像的像素看作是高维空间中孤立的点,忽略了图像的空间信息;利用光谱特征在欧氏距离尺度下寻找样本近邻点时,容易受到“异物同谱”现象的影响,得到畸形的流形局部特性。针对以上问题,本文引入了空-谱协方差特征来刻画高光谱图像的像素,并基于该特征提出了三种降维方法,具体研究工作总结如下:1.本文通过理论分析和实验,从特征表达和相似性度量两个方面,阐明了空-谱协方差特征相比于传统的光谱特征能用于挖掘更准确的样本关系,从而恢复出更接近于真实的数据流形。空-谱协方差特征充分利用了高光谱图像的空间信息和光谱信息,有效地缓解了“异物同谱”现象的影响;而对应的Log-Euclidean距离尺度通过计算样本在流形上的测地线距离,能更准确地衡量样本点间的相似性。2.针对传统LLE算法不能寻找可靠的样本近邻关系的问题,本文提出了一种基于分层空-谱协方差特征的高光谱图像局部黎曼嵌入降维方法(GLRE)。GLRE采用了分层策略,基于波段间的不相交信息,通过聚类算法,把高光谱图像分成内部高度同质化的几个部分,降低了对应流形的复杂度;再在每个部分利用空-谱协方差特征和对应黎曼流形上的局部切平面来挖掘数据潜在流形的局部特性,提取出判别性较强的特征。在真实数据上的分类实验结果证明了GLRE的有效性。3.针对传统的LPP算法用统一的投影矩阵对整幅高光谱图像降维,忽略图像局域同质性的问题,本文提出了基于空-谱协方差特征的高光谱图像超像素局部保持投影算法(SuperLPP-SSCF)。SuperLPP-SSCF算法根据局域同质性将高光谱图像分割成许多个子区域,再在每个子区域里利用基于空-谱协方差特征的LPP降维,可以得到判别性较强的特征。针对SuperLPP-SSCF算法中超像素个数难以确定的问题,发展了基于空-谱协方差特征的多尺度高光谱图像超像素局部保持投影算法(MSuperLPP)。MSuperLPP算法利用多数投票的决策融合策略,整合了多个尺度的SuperLPP-SSCF分类结果,提高了分类准确率。在Indian Pines和Zaoyuan数据集上的实验结果证明了两种方法对高光谱图像分类的促进作用。