高光谱遥感图像携带着丰富的光谱信息和空间信息,应用领域非常广泛。地物分类任务是高光谱图像处理中一门非常重要的技术,吸引了无数研究者。对于高光谱遥感图像的分类,目前研究较多的是如何提高分类精度,高光谱图像的实验设置却被忽略,例如采样方法。大部分实验采用随机采样策略,这种方法选取的训练样本与测试样本之间的重叠率高,直接提高了分类精度。为了避免由于样本重叠导致分类精度提高,本文采用更适合实际应用条件的采样方法——受控随机采样,可以极大减小样本间的重叠率,目的是研究非重叠采样下的高光谱图像地物分类方法。本文主要对基于集合间距离、特征提取方面的分类算法和采样策略进行了探索。本文的主要研究内容如下:1.提出了一种基于正则化仿射包间距离的高光谱图像在非重叠采样下的分类框架。传统的分类方法大多都是基于点对点的像素级之间的关系,本文采用的是基于集合对集合的相似性度量。局部空间内的像素点可以看成目标像素的多个观测值,可以从集合角度构造分类方法。将相同类别的训练样本组成训练集合,利用超像素分割方法获取同质的区域块作为测试集合,将所有集合都表示为正则化仿射包。计算测试集仿射包与训练集仿射包之间最近点的距离,测试集合的标签由最小距离决定。2.提出了基于均值和高斯混合模型的特征表示的空谱分类方法。高光谱图像中的地物分布往往是聚集的,这是运用空间信息的关键,可以根据空间邻域构造特征,但是若对邻域里的所有像素不进行筛选,直接计算可能会因引入不是同类的像素导致精度下降。本文对于每个像素,提取出固定大小的邻域块,根据余弦距离选择一部分与中心样本点光谱相似性较高的点,去除相似性低的像素。计算这些相似度高的点的统计学特征,如:均值和高斯混合模型。最后,将分布在黎曼流形中的高斯混合模型利用核方法映射到欧式空间,将均值和高斯混合模型特征用支持向量机(SVM)分类,得出测试集的标签。3.分析了经典的高光谱图像分类算法受采样策略的影响。高光谱图像的分类实验广泛采用随机采样策略,而这种采样策略评价分类方法的性能有不恰当之处,因为它会增加训练样本和测试样本之间的空间邻接性和样本重叠率,从而导致过度乐观的性能评估。为了展现高光谱图像分类算法的真实性能,本文对随机采样和受控随机采样这两种采样策略下的经典分类算法进行了实验比较。实验结果表明,随机采样的分类精度大大高于受控随机采样。事实上,高光谱图像的分类精度仍有很大的提高空间。在受控随机采样方法下,分类方法,特别是空谱方法能够较为合理地反映分类性能。