Для полного использования пространственно-спектральных характеристик, содержащихся в гиперспектральных изображениях, предложен алгоритм извлечения признаков гиперспектрального изображения на основе полу-руководящего пространственно-спектрального локального дискриминантного анализа (S₄LFDA). Поскольку гиперспектральные наборы данных обладают пространственной согласованностью, сначала осуществляется пространственное восстановление пикселей для сохранения соседних отношений гиперспектральных данных; затем вводится рассеяние спектральной информации для восстановления сходства между пикселями; чтобы полноценно использовать большое количество немеченых образцов для улучшения производительности алгоритма, применяется алгоритм нечеткого C-средних для кластерного анализа образцов с целью получения псевдометок; затем за счет добавления нормализующего члена в матрицы внутриклассового разброса и межклассового разброса локального дискриминантного анализа (FDA) поддерживается согласованность структуры кластеров немеченых образцов; в конечном итоге локальный FDA сохраняет максимизацию межклассового разброса и минимизацию внутриклассового разброса для помеченных образцов и решается задача оптимального вектора проекции. Алгоритм S₄LFDA сохраняет как разделимость данных в спектральной области, так и соседние отношения пикселей в пространственной области, рационально использует как помеченные, так и немеченые образцы, улучшая классификационные характеристики алгоритма. Эксперименты проведены на наборах данных Pavia University и Indian Pines, общая точность классификации достигла 95.60% и 94.38% соответственно. По сравнению с другими алгоритмами снижения размерности, данный алгоритм эффективно улучшает классификацию объектов местности.

гиперспектральное изображение;полу-руководящий;пространственно-спектральный;дискриминантный анализ;извлечение признаков;классификация объектов