基于全局空间与局部光谱相似性的流形学习组稀疏表示高光谱影像分类

基于摘要分析。该研究针对高光谱影像分类中局部空间信息利用较多、非局部空间信息及其内部光谱结构利用不足的问题，将非局部空间自相似性、局部光谱相似性和局部空间一致性整合进流形学习与组稀疏表示分类框架。 方法首先在指定搜索范围内寻找互不重叠的相似图像块，以获取非局部自相似性（NLSS）；随后在这些候选块内部确定局部光谱相似性，将筛选出的相似数据与原始数据按设计模式融合，最后由流形学习算法表征融合数据，再交给组稀疏表示分类器（GSRC）处理。相对于直接整体利用非局部空间信息的方法，其核心区别是进一步利用候选块内部的光谱关系，而非仅依据空间块相似性。 作者报告，在三个真实高光谱数据集上的实验中，该方法优于所比较的其他非局部或局部相似性方法。摘要未提供数据集名称、划分方式、指标、具体增益及对照配置；融合规则、流形学习算法、稀疏约束形式、实验协议、消融及统计信息尚未验证，不能据此量化性能优势或判断各模块的独立贡献。 平台推测（待验证）：迁移假设是，若 EEG 时频表示中存在可重复的局部模式，可借鉴“候选块检索—块内细粒度相似性筛选—融合与分类”的机制，探索对噪声敏感的邻域选择问题。原方法依赖图像块结构及光谱相似性，迁移时需重新定义 EEG 的时间、频率与通道邻域，并核对标签需求和样本规模条件。低信噪比可能导致伪相似块，跨被试差异及通道布局变化可能破坏邻域对应，小数据下的检索也可能不稳定。可在固定的被试内 MI 分类划分下，仅从训练数据构建候选库，对比局部邻域、直接非局部检索及增加细粒度筛选三种条件，检验筛选是否改善同一分类指标；这不是已验证的 EEG 结果，相关已有工作尚未检索确认。