基于鲁棒稀疏表示的高光谱图像分类

基于摘要分析。该研究针对高光谱图像分类中稀疏表示分类（SRC）对异常值不够鲁棒的问题，提出鲁棒 SRC（RSRC），并扩展为利用测试像素局部邻域的联合鲁棒稀疏模型 JRSRC。主要研究对象是高光谱像素及其空间邻域，并非 EEG 或 BCI。 传统 SRC 假设一个高光谱像素可由整个训练字典中的少量训练样本线性组合表示。作者认为，忽略稀疏表示残差中的异常成分会削弱分类鲁棒性；RSRC 因而引入对异常值的处理，JRSRC 则同时用少量训练样本的线性组合和异常项表示测试像素附近的多个像素。摘要未给出具体目标函数、异常项约束、求解过程或邻域设置，尚不能确定其鲁棒性的具体实现与适用边界。 作者报告，在真实高光谱图像实验中，所提单像素鲁棒方法与 JRSRC 分别优于 OMP 和 simultaneous OMP，且 JRSRC 优于其他若干常用分类器；摘要结果句将前者写作 RSC，与前文 RSRC 的命名存在差异，需核对正文。数据集名称、训练测试划分、评价指标、数值结果、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可检验的迁移假设是，将可稀疏表示的任务成分与异常成分分开建模，可能有助于处理 EEG 中的部分伪迹。可复用的是训练字典与异常项联合建模的思路；需重新定义 EEG 特征、字典和联合表示单元，不能直接把图像空间邻域等同于 EEG 相邻通道。该路径依赖样本可由字典近似表示、多个观测具有可共享结构；低信噪比、跨被试差异、通道异质性及小样本字典不足均可能使假设失效。可先在固定被试内划分和相同特征、字典条件下，对比 SRC 与鲁棒版本在原始及受控伪迹扰动数据上的分类表现。已有 EEG 相关工作尚未检索确认。