重庆大学光电工程学院黄鸿教授课题组以 “高光谱数据内蕴变量的发现与表达”、“空-谱联合低秩多流形学习模型”及“多流形空-谱联合分类模型”三个方面为研究体系，建立面向高光谱遥感影像地物识别的特征学习及精确分类模型，取得了一系列研究成果。具体如下：

1) 提出了一种联合高光谱影像光谱信息和空间信息的维数约简方法，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的有效性。本文研究的方法和结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。该研究论文 “Dimensionality Reduction of Hyperspectral Imagery Based on Spatial-spectral Manifold Learning” 被《IEEE Transactions on Cybernetics》接收，该期刊为中科院Q1区期刊，是图像处理及计算机视觉领域公认的国际顶级期刊，侧重图像处理的前沿理论与方法。最新的影响因子为10.387，位列自动化领域期刊影响因子第1位。

 重庆大学为第一作者单位，光电工程学院图像信息处理实验室黄鸿教授和博士研究生石光耀分别为论文第一、第二作者，美国罗德岛大学何海波教授（IEEE Fellow）为论文的通讯作者。

论文链接：https://ieeexplore.ieee.org/document/8677267

2) 以高光谱遥感图像中的空-谱相关性为切入点，提出了一种基于流形学习理论的空-谱局部判别投影降维方法。结果表明该算法可以有效提取图像中的低维空谱鉴别特征，对于实现高光谱地物目标精确分类具有重要意义。该研究论文 “Spatial-Spectral Local Discriminant Projection for Dimensionality Reduction of Hyperspectral Image”已被遥感领域著名学术期刊《ISPRS Journal of Photogrammetry and Remote Sensing》接收，该期刊最新影响引子6.942，中科院分区1区，连续3年位于SCI收录的遥感期刊影响因子前3位。

 重庆大学为第一作者单位，光电工程学院图像信息处理实验室黄鸿教授和博士研究生段宇乐分别为论文第一和第二作者，美国罗德岛大学何海波教授（IEEE Fellow）为论文的通讯作者。

3) 针对高光谱遥感数据多特征融合与维数约减问题，提出一种基于光谱-纹理特征的多特征流形学习方法。本文研究的方法和结果对探索高效的特征融合方法具有启发意义，并对研究多特征下的维数约减方法有重要参考价值。该研究论文 “Multi-Feature Manifold Discriminant Analysis for Hyperspectral Image Classification”已发表于遥感领域著名学术期刊《Remote Sensing》，该期刊最新影响引子4.118，中科院分区2区，位于SCI收录的遥感期刊影响因子第7位。

 重庆大学为第一作者单位，光电工程学院图像信息处理实验室黄鸿教授为论文的第一作者和通讯作者，博士研究生李政英为论文的第二作者。

论文链接：https://www.mdpi.com/2072-4292/11/6/651/html

4) 针对高光谱遥感数据中的空谱相关性和样本间的多元几何关系结构，提出一种空谱联合正则化的稀疏超图嵌入算法。实验表明该算法可显著改善高光谱遥感图像地物分类精度。该研究论文 “Dimensionality Reduction of Hyperspectral Image Using Spatial-Spectral Regularized Sparse Hypergraph Embedding”已发表于遥感领域著名学术期刊《Remote Sensing》，该期刊为中科院分区2区，最新影响引子4.118，位于SCI收录的遥感期刊影响因子榜第7位。

 重庆大学为第一作者单位，光电工程学院图像信息处理实验室黄鸿教授和硕士研究生陈美利为论文的第一作者和第二作者。

论文链接：https://www.mdpi.com/2072-4292/11/9/1039

    上述研究成果得到了国家自然科学基金、重庆市基础与前沿研究项目、重庆大学研究生创新项目等基金支持。