中文摘要：

高光谱图像的光谱分辨率很高，能够鉴别地物间细小的差别，广泛应用于地物的精细分类。高光谱图像分类中存在数据维数高和训练点数量不足的问题，采用流形学习算法可以进行有效解决。由于流形学习算法对应的图结构可以表示数据流形，反映数据几何特性，所以本项目研究基于流形学习的图结构设计，应用于基于图的高光谱图像分类算法（1）在基于图的半监督分类算法中，采用流形学习算法、面向分类的流形学习算法、以及多特征融合的流形学习算法来设计多种图结构，以充分挖掘数据结构信息，提高半监督分类性能。（2）在基于局部图结构的k近邻分类算法中，采用流形学习算法，设计融合多特征以及融合全局数据特性的局部图结构，提高k近邻分类器性能。该项目在已有工作基础上，更加全面深入的研究流形学习算法在高光谱图像分类中的应用，并发展新的基于流形学习的图结构的分类器，研究成果将为基于高光谱遥感影像的应用研究提供更好的数据分析手段。

结论摘要：

高光谱图像的光谱分辨率很高，能够鉴别地物间细小的差别，广泛应用于地物的精细分类。高光谱图像分类中存在数据维数高和训练点数量不足的问题，采用流形学习算法和基于图的半监督算法可以进行有效解决。项目主要研究流形学习算法、基于图的半监督分类算法、以及基于流形学习算法的图结构设计，应用于高光谱图像分类。研究内容和成果主要包括（1）研究基于局部流形学习构图的半监督分类方法，将局部流形学习降维算法和半监督分类算法这两种应用广泛的算法通过“图”联系起来，进一步发展了基于图的半监督分类算法，为其引入了一类新的图构造方法。研究成果发表在本领域顶级国际期刊IEEE Transactions on Geoscience and Remote Sensing以及在本领域著名国际会议IGARSS上做口头报告。（2）针对图构造中近邻点选择问题，研究基于属类概率距离的构图方法，进一步提高图结构性能。研究成果发表在国内遥感测绘类权威期刊《测绘学报》。（3）针对当前高光谱图像分类通常只采用光谱特征的问题，研究空间特征提取算法，包括Gabor小波特征提取，灰度共生矩阵特征提取，形态学特征提取等算法，进行高光谱图像空间特征提取，获得基于多特征融合的多图结构。研究成果在高光谱遥感领域的国际会议Whispers上做口头报告。（4）对于利用局部图结构的k近邻分类算法，采用基于图的半监督分类算法获取无标签数据的属类概率，增加k近邻分类器的训练样本数量，提高其分类性能。该成果发表在国内期刊《计算机工程》。另外，由于空间信息的使用能够显著提高高光谱遥感图像的分类性能，我们研究了基于空间信息的算法，包括基于高光谱遥感图像空间局部一致性的分类方法，图像分割方法，点匹配算法，基于空间信息和光谱信息融合的流形学习算法、半监督分类算法、以及k近邻分类算法。本项目重点研究了流形学习算法和半监督分类算法在高光谱图像分类中的应用，发展了新的基于流形学习构图的半监督分类器，本项目的研究成果为基于高光谱遥感影像的应用研究提供了更好的数据分析手段。