全文总字数：3767字

1. 研究目的与意义及国内外研究现状

高光谱图像是光谱分辨率在10l数量级范围内的光谱图，不同于一般的图像，高光谱图像与高维特征空间和许多的内容是人类不可见的。与普通光谱图像相比，高光谱图像不仅信息丰富程度方面得到极大提高，更为对该类光谱数据进行更合理、有效的分析处理提供了可能。高光谱图像分辨率高，而且高光谱图像具有图谱合一的特点，包含辐射，空间，光谱三重信息。而且高光谱图像成像波段数量多包含丰富的光谱信息，由于具备上述优点，高光谱图像技术所发展潜力是十分巨大的，这项技术不仅引起了遥感界的关注，同时也引起了其它领域的极大兴趣。

高光谱分类的一个关键研究，是将像素划分成不同的类别。考虑到高光谱图像包含数百个谱带，包含信息量比较大，我们需要相应的方法来处理。（谱聚类）是一种基于图论的聚类方法，它能够识别任意形状的样本空间且收敛于全局最有解，其基本思想是利用样本数据的相似矩阵进行特征分解后得到的特征向量进行聚类，可见，它与样本特征无关而只与样本个数有关。但是，传统图模型仅仅考虑数据间的成对关系，即二元关系。在实际应用中， 数据通常是非常复杂的，因此，基于点对的图模型不能有效描述数据间的复杂关系，从而影响了最终的聚类分析性能。

为了有效克服传统图模型在多元关系知识表示上的缺陷，超图模型应运而生，拓展了经典图模型中两两顶点组建边的构图方式，以具有某种相似属性的数据子集构建超边，从而 可以有效刻画数据间的高阶关系。

2. 研究的基本内容

内容：高光谱图像分类在遥感领域中应用越来越广泛。高光谱图像的每个像素从可见光到红外光的数百个光谱段中采样。这些丰富的光谱信息为像素间提供更多的辨别信息。本论文设计一种设计基于超图的图像分割方法，有效表示像素的高阶关系进行分割。主要研究内容如下：1. 综述高光谱图像分类研究的国内外研究现状，了解高光谱图像分割的一些方法。

2：分析超图模型及其分割算法，学会相关的算法公式

3. 实施方案、进度安排及预期效果

实施方案

采用目前工程计算领域较为常用的软件matlab实现设计算法，通过对比在不同的图像分割方法的情况下，所得出的分割后图像，通过多次仿真和实验分析自己设计的基于超图的高光谱图像分割方法是不是合适的。

4. 参考文献

1. probabilistic class structure regularized sparse representation graph for semi-supervised hyperspectral image classification

作者 : shao, yuanjie a ; sang, nong a, ; gao, changxin a ; ma, li b

source : in pattern recognition march 2017 63:102-114