Um die räumlich-spektralen Merkmale in hyperspektralen Bildern vollständig zu nutzen, wird ein halbüberwachter räumlich-spektraler lokaler diskriminantischer Analyse-Algorithmus (S₄LFDA) zur Merkmalsextraktion aus hyperspektralen Bildern vorgeschlagen. Da hyperspektrale Datensätze räumliche Konsistenz aufweisen, werden zunächst die Pixel räumlich rekonstruiert, um die Nachbarschaftsbeziehungen der hyperspektralen Daten zu erhalten; anschließend wird die spektrale Informationsstreuung eingeführt, um die Ähnlichkeit zwischen den Pixeln zu rekonstruieren; um die große Anzahl nicht gelabelter Proben zur Leistungsverbesserung des Algorithmus zu nutzen, wird der Fuzzy-C-Means-Clustering-Algorithmus zur Clusteranalyse verwendet, um Pseudolabels zu erhalten; durch die Hinzufügung eines Regularisierungsterms zu den inneren und äußeren Streuungsmatrizen des lokalen FDA wird die Konsistenz der Clusterstruktur der ungelabelten Proben aufrechterhalten; schließlich maximiert der lokale FDA-Algorithmus die interklassige Streuung und minimiert die innerklassige Streuung der gelabelten Proben und löst so den optimalen Projektionsvektor. Der S₄LFDA-Algorithmus erhält sowohl die Trennbarkeit der Daten im spektralen Bereich als auch die Nachbarschaftsbeziehungen der Pixel in der räumlichen Domäne, nutzt vernünftig gelabelte und ungelabelte Proben und verbessert die Klassifikationsleistung des Algorithmus. Experimente auf den Datensätzen Pavia University und Indian Pines erzielten eine Gesamtklassifikationsgenauigkeit von 95,60 % bzw. 94,38 %. Im Vergleich zu anderen Dimensionsreduktionsalgorithmen verbessert dieser Algorithmus die Objektklassifikationsleistung effektiv.

hyperspektrales Bild;halbüberwacht;räumlich-spektral;diskriminantische Analyse;Merkmalsextraktion;Objektklassifikation