题目：半监督学习和超图模型在高光谱图像特征选择和目标分类中的应用

高光谱遥感图像的高光谱分辨率和多光谱波段为地物分类和识别带来巨大的价值和机遇，也给传统的图像分类和识别算法提出了挑战。一方面，较高的维数在训练样本有限的情况下，会在高光谱图像的分类处理过程中造成“维数灾难（Hughes）”现象，另一方面，数据量的急剧膨胀不仅给数据的存储与传输带来巨大的困难，同时也加剧了数据处理的复杂性，降低数据处理的效率。为提高处理的效率，保障处理的准确率，通常对原始数据进行降维，选择数据中较少的重要的波段来代替原有的波段信息。本文提出了一种基于超图模型和半监督学习的特征选择方法。

首先，超图模型可以更好的刻画高光谱数据之间的复杂关系。由于高光谱数据之间的关系是复杂的，传统的图结构不能很好的表达高光谱数据之间的复杂性。此外，本文采用互信息来计算超边的权重，互信息可以度量多个事件之间的相关性，使用互信息来计算超边的权重可以去除高光谱图像光谱之间的冗余度。

其次，提出了一种改进的基于局部和全局相一致的半监督学习方法。半监督学习方法相对于无监督学习方法可以提高分类的准确率，相对于监督学习方法节省了大量的人工劳力和时间。

最后，使用一种稀疏化的回归模型来进行特征选择。考虑到高光谱图像相邻光谱间的强相关性，为了区分各个波段之间的差异，本文采用LARS方法稀疏仿射矩阵来实现特征选择。

本文针对以上三方面内容，分别做了大量相关实验进行了验证。结果表明，本文算法在分类准确率方面取得了较好的结果。