該成果提出了一種基于同質塊均值核類內協同表示分類方法。同質塊均值核能夠有效地為目標樣本確定其鄰域區域內的同質樣本，并將目標樣本和同質塊內的樣本與訓練樣本之間的相似度作為新的特征向量，在有效提高類別區分度和空間表征能力的同時，提升了特征生成的效率。其后在分類過程中，利用類內協同表示分類中的吉洪諾夫正則項加強測試樣本和各個類別訓練樣本之間的相關性的同時進一步提高分類效率。

主要技術指標

不同數據集下的訓練樣本與測試樣本數與在該訓練樣本集數量下的分類結果表現參閱表 1。

（1）相比于傳統分類器 SVM，OA 提高了約 15%；相比于 JCR 方法，OA 提高了約 2-4%。

（2）該成果無需使用 GPU 資源在保證精度的同時有效提升了分類的精度和效果，同時在較少訓練樣本條件下仍能得到較好的分類精度和分類效果。同時有效降低了離散錯分樣本的數量，改善了過平滑的分類效果。參見表 1 與圖 1。

（3）同時該成果特征提取方法有效提高了特征提取效率，參見表 2。

表 1.PaviaU 大學數據的訓練樣本選取與分類結果

表 2. 不同窗口大小下的特征生成時間比較