论文部分内容阅读
针对高光谱高分辨率带来巨大数据量和空间分辨率引起混合像元的问题,提出了基于子空间（subspace）的字典偶学习（DPL）算法,简称DPLsub算法。DPL算法是对字典学习的改进,它通过学习得到综合字典和分析字典,在模式识别中体现了高效性,而子空间投影的方法能更好地表征噪声和高度混合的像元。将光谱和空间特征融合的方法用于分类研究试验。实验数据是两幅高光谱影像,比较了子空间字典偶学习（DPLsub）模型和其他三种分类器即最小二乘支持向量机（LS-SVM）、稀疏多分类回归（SMLR）和字典学习（DL-OMP）