近期我司仪器科学与技术专业博士研究生段宇乐在自动化领域高水平期刊《IEEE Transactions on Cybernetics》和遥感领域高水平期刊《IEEE Transactions on Geoscience and Remote Sensing》上发表研究论文。论文题目分别为 “Local Manifold-Based Sparse Discriminant Learning for Feature Extraction of Hyperspectral Image”和“Local Linear Spatial–Spectral Probabilistic Distribution for Hyperspectral Image Classification”。论文第一单位为bat365在线登录网站，合作单位为美国罗德岛大学。段宇乐分别为两篇论文的第一、第二作者；通讯作者分别为我司测控技术与仪器系黄鸿教授和美国罗德岛大学何海波教授。

  高光谱遥感影像数据量大、波段数多，容易导致“维数灾难”现象。面向高光谱的传统特征学习和分类方法一般仅考虑其光谱特征, 忽略了地物反射光谱在大气传播中受到的非线性干扰，严重制约了高光谱遥感地物精确分类技术的发展。

  论文“Local Manifold-Based Sparse Discriminant Learning for Feature Extraction of Hyperspectral Image”，针对高光谱高维数据空间存在稀疏结构和非线性流形结构的问题，提出了一种基于局部流形的稀疏判别学习方法，实现了数据间稀疏相关性和流形结构在低维特征空间的有效融合与保留，显著提升了数据的类内聚集性和类间可分性，对于实现高光谱地物目标精确分类具有重要意义。

  论文“Local Linear Spatial–Spectral Probabilistic Distribution for Hyperspectral Image Classification”以高光谱遥感图像中的空-谱相关性为切入点，提出了一种联合高光谱影像光谱信息和空间信息的分类方法，以探讨流形学习方法的理论机制以及高光谱影像空间信息在地物分类中的有效性。本文的研究成果可为城市规划土地用地、协调城市发展空间和改善区域生态环境提供要的理论依据和技术手段。

  bat365光电技术及系统教育部重点实验室图像信息处理研究团队，在国家自然科学基金等项目持续资助下，开展了遥感影像智能化处理方面研究工作，以发展高效率、高精度的高光谱遥感影像特征学习和分类一体化模型为目标，为遥感影像地物精细分类提供新思路和新方法。研究团队成员多次参与国内外遥感领域研讨会，参与组织了第四届中欧科技合作“龙计划”项目，并获得了第五届全国成像光谱对地观测大会优秀报告。

文章链接：

https://ieeexplore.ieee.org/document/9043902

https://ieeexplore.ieee.org/document/8880686