高光谱图像通常包含上百个光谱波段,并且提供了丰富的可以反映不同地物的光谱信息。在高光谱图像处理领域,高光谱图像分类是一个重要的研究课题。然而,在高光谱图像中,有限的训练样本和极端光谱维度之间的不平衡制约了高光谱图像分类方法的发展。由于标记足够的高光谱样本进行训练非常昂贵且困难,高维小样本分类问题仍然是高光谱图像处理的难点。针对这个问题,本论文通过给未标记样本分配一个伪标签来形成伪标记样本,提出了两种不同的基于样本伪标记的高光谱图像分类方法,并使用多个数据集对提出方法进行验证。(1)一种基于超像素和多分类器融合的高光谱图像分类方法被提出。该方法基于超像素的同质性保证了伪标记样本的置信度,并且还根据地物的空间分布特征,提出多分类器融合来改善分类精度。所提出方法包括以下三个步骤。首先,使用超像素来生成伪标记样本,增加训练样本的数量。其次,标签传播用于对高光谱图像进行分类,但是对于某些具有分散的空间分布的地物,相应的分类性能较差。因此,引入了支持向量机分类器来对高光谱图像进行分类。最后,使用一种新的加权融合算法将支持向量机和标签传播的结果进行组合。选择三个广泛使用的真实高光谱数据集进行评估,实验结果表明,在小样本情况下,所提出的方法要优于其他常见的分类方法。(2)一种基于稀疏表示的样本伪标记方法被提出。该方法借鉴了稀疏表示和信息熵思想,用于选择较纯的样本来扩展训练集。所提出的方法包括以下三个步骤。首先,使用本征图像分解来获得高光谱图像的光谱反射率成分。其次,使用由所有训练样本组成的过完备字典来稀疏地表示高光谱图像像素,然后定义矢量化稀疏表示的信息熵,选择具有低信息熵的像素作为伪标记样本来增加训练集。最后,根据分类精度来评估生成的伪标记样本的质量。在真实的高光谱数据集上的实验结果表明,所提出方法对比其他分类方法具有出色的分类性能,这表明生成的伪标记样本具有较高的置信度。