用于高光谱影像分类的邻域活动度驱动表示

基于摘要分析。本文研究高光谱影像分类中稀疏表示系数所含信息的利用问题，提出系数向量的活动度（AD）和系数矩阵的邻域活动度（NAD），分别构造活动度驱动的分类器，以及纳入空间一致性的邻域扩展分类器。主要贡献是从稀疏系数本身提取分类依据，而不只将系数与字典共同用于表示。 机制上，作者通过估计 AD，建立活动度驱动表示分类器（ADRC），并称其是经典稀疏表示（SR）分类器的简化等价模型；进一步通过评估 NAD，将邻域空间一致性纳入分类。摘要强调对个体及整体稀疏性的有效、简洁利用，但未给出 AD、NAD 的数学定义、等价性成立条件、字典构建方式或具体求解过程。 作者报告，在三个真实高光谱数据集上，所提方法相较 SR 模型及其空间变体表现出效率与分类改进。摘要未提供数据集名称、划分方式、指标、具体数值及计算成本，因此无法量化收益或判断不同协议下的可比性；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可迁移的假设是，稀疏系数的活动度及局部一致性可能为 EEG 分类提供特征聚合思路，但高光谱图像的空间邻域不能直接等同于 EEG 通道邻域。迁移需明确 EEG 字典、系数估计和通道邻接结构；低信噪比、跨被试差异及小样本可能使系数不稳定，邻域聚合也可能抹平局部判别信息。可先在固定被试内划分、相同字典与预处理下，对照经典 SR、ADRC 与 NAD 扩展，并用打乱通道邻接的对照检验收益是否来自有意义的邻域结构。已有 EEG 相关工作尚未检索确认。