摘要

高光谱图像（HSI）中的像素级预测任务需要精心设计用于分类器学习的特征。然而，生成的分类图常面临过度平滑的问题，表现为在目标边界和细节方面与原始图像存在显著差异。为解决这一过度平滑问题，本文提出一种提取光谱-空间-波段相关性（Spectral-Spatial-Band Correlation, SSBC）特征的方法。在SSBC特征中，联合光谱-空间特征提取被建模为基于离散余弦变换（DCT）的信息压缩过程，通过引入展平操作（flattening operation），有效避免了从三维图像中提取联合光谱-空间信息所导致的高计算开销。然而，该过程可能导致提取的特征丢失部分光谱信息。我们认为，提升提取特征中的光谱信息量，是缓解分类图过度平滑问题的关键。因此，本文对归一化差异植被指数（NDVI）和氧化铁指数进行了改进，以适应高光谱数据中丰富的波段特性，用于增强波段相关性特征的光谱信息表达。由于原始NDVI和氧化铁指数的计算依赖于两个特定波段，难以充分挖掘高光谱数据中多波段间的复杂光谱关系，因此本文通过优化其计算方式，使其更适用于高光谱场景。在四个真实高光谱数据集上的实验结果表明，所提出的SSBC特征能够显著缓解过度平滑问题，且分类性能与当前最先进的深度特征相当。