近日，数理科学学院应用数学与交叉科学研究中心（以下简称“中心”，Center of Applied Mathematics&Interdisciplinary Sciences, CAMIS）李会珍博士与其合作者在高光谱图像分类方面取得了重要研究进展。相关成果以“Hyperspectral Image Classification Using Adaptive Weighted Quaternion Zernike Moments”为题在该领域国际顶级期刊IEEE Transactions on SignalProcessing上发表。该期刊是国际信号领域的顶级期刊，也是中国科协自动化领域、电气工程领域T1类期刊。该文的第一单位与第一作者为武汉纺织大学数理科学学院CAMIS李会珍博士。
高光谱图像是应用光谱技术和成像技术在电磁波谱的可见光、近红外、短波红外等波谱区域中，以连续且细分的光谱波段对目标区域成像而获取的图像。在遥感技术、无人机、医学诊断、目标识别、环境与灾难监测、土壤鉴别与资源调查等众多领域中具有广泛的应用。
由于高光谱图像受标记样本的有限性、数据的高维性、光谱特征的空间变异性等因素影响，高光谱图像分类研究一直是该领域研究的重点和难点。目前，高光谱图像的高精度分类方法较少，传统四元数Zernike矩算法(Quaternion Zernike Moments, QZM）主要应用于彩色图像分类，却不太适用于高光谱图像精确分类。为了实现高光谱图像精准分类的目标，本文受QZM算法在彩色图像分类中具有平移、旋转、伸缩等不变性特点启发，创造性提出了一种自适应加权的四元数Zernike矩算法（(Adaptive Weighted Quaternion Zernike Moments,AWQZM）。
该算法的创新点在于：1、该算法基于光谱相似度从高光谱图像的数百个波段中选出一小部分区别性较好的波段，有效降低了数据的维数和信息冗余度。2、该算法引入四元数，为高光谱图像分类提供了一种紧的表示方式，有效减少数据信息的丢失，但保持了数据的空间结构。3、通过四元数表示，把高光谱图像数据嵌入到四元数空间中进行处理，能够使像元提取到信息更加丰富的空谱特征。4、该算法能够在像元空间邻域内为像元设置自适应的权重，为中心像元构造自适应加权的四元数Zernike矩，有效增强同类样本的相似性和不同类样本的区别性。5、该算法能有效缓解图像噪声、光谱特征变异性等因素带来的影响，从而更准确地识别像元。6、该算法将提取的空谱特征输入分类器，实现了高光谱图像的高精度分类。
为了验证本文所提出的AWQZM算法有效性，作者们在三个真实数据集上进行了实验验证，实验结果表明该算法的完全能够实现对高光谱图像的精确分类。
中心一直秉承“自由探索、学科交叉、融合发展、服务社会”的发展思路，坚持战略性需求导向，加强基础研究、注重原始创新。中心成员已陆续在偏微分方程、生物信息学、机器学习与复杂系统、信号处理等研究领域国际顶级期刊（权威期刊）如Journal of Differential Equations、Plos Computational Biology、Biophysics Journal、Journal of Chemical Physics、Physical Review E、IEEE Transactions on Signal Processing、Chaos、Neurocomputing、中国科学.数学等上发表多篇高水平理论性、交叉应用性文章。
值得一提的是，该文的顺利发表是继中心谭雅岚博士在RNA结构预测上取得重要研究进展后的又一重要研究成果。在2022年起步不到2个月的时间内，连续在交叉研究领域取得重要进展，为学院“十四五”开好局、起稳步打下良好基础，也为学院2022年科学研究开了一个好头。我们深信，在学校的坚强领导下，在学院的大力支持下，中心今后定会取得越来越多的科研成果。中心成员表示一定会保持目前的精神状态，力争早日把中心建设成为省级乃至国家级重要基础与应用研究中心。
论文链接：https://ieeexplore.ieee.org/document/9693313
