高光谱图像(Hyperspectral Image,HSI)波段覆盖范围广,光谱分辨率高,蕴含了丰富且精细的空间和光谱信息,具有较强的对相似地物类别精确识别的能力。目前高光谱图像已经广泛应用于土地覆盖检测、资源管理和医疗诊断等领域。高光谱图像分类是高光谱图像处理中的重要环节,备受专家学者的关注。高光谱图像分类的实质是给每个像元分配一个类别标签,从而产生一张地物分布图,可以精准地反映真实的地物分布情况,有利于研究人员从中发现和认识规律,为之后的其他高光谱图像处理任务提供基础。高光谱图像分类现在面临的主要挑战包括:有限的标记样本和高维度的不平衡,难于整合光谱信息和空间信息来充分利用其互补性,光谱频段多,计算量大。论文以极限学习机(Extreme Learning Machine,ELM)为基础,利用其强大的泛化能力,直接的解决方案和快速实现来解决高光谱图像分类问题。但传统的ELM至少存在两个问题。首先,由于HSI易受噪声影响,需要对ELM进行一些改进,以充分利用HSI的有效特征,然后实现更好的分类性能。其次,传统的ELM无法利用对分类性能很重要的HSI丰富的空间信息。本文在原始ELM算法的基础上提出了一种新的算法,其具有稀疏投影和用于HSI分类的稀疏表示,即DSELM(Double Sparse Extreme Learning Machine,DSELM)。并通过该算法与传统ELM算法以及一些其他算法在两个数据集上的仿真结果比较,验证了该方案的有效性。论文主要工作包括:(1)考虑到HSI中的冗余会影响分类结果,本文提出了一个基于ELM的算法,以最大程度地减少HSI的冗余和分类错误。本文为HSI采用了稀疏随机投影(Sparse Random Projection,SRP),该投影将d点投影到随机的k维超平面上,适合于数据应用。该方法旨在计算k个随机属性分区上的简单聚合。因此,本文采用针对HSI的稀疏随机投影,即具有稀疏随机投影的ELM(ELM-SRP),构造一个最小化HSI分类错误和冗余的优化问题。实验结果表明基本该方案是有效的,ELM-SRP的高光谱图像分类精度是优于ELM的。(2)由于ELM-SRP也仅使用光谱信息,因此丰富的空间信息可以进一步提高分类精度。近年来,加权马尔可夫随机场(Weighted Markov Random Field,WMRF)在HSI分类领域有着优异的表现。在WMRF中,通过对与WMRF相关的潜在函数进行建模来强加HSI中的空间信息,WMRF充当具有范数1的空间自适应矢量TV(Total Variety,TV)函数。WMRF中的权重由高光谱图像的梯度来计算,以将空间和矢量TV函数强加在后验分布的实值隐藏边际概率上,这将强制执行分段平滑的结果。本文将WMRF的原理用于ELM-SRP,以利用HSI丰富的光谱和空间信息。然后提出了DSELM。实验结果表明本文所提出的算法能高效的实现高光谱图像的分类,同时分类精度是明显优于ELM算法和ELM-SRP算法的。并且与一些最新算法的比较表明,DSELM分类方法是拥有一定的分类优势的,证明DSELM分类方法是具有实际价值的。