基于雙邊濾波和空間鄰域信息的高光譜圖像分類方法

廖建尚 王立國 郝思媛

(1.廣東交通職業技術學院計算機工程學院, 廣州 510650； 2.哈爾濱工程大學信息與通信工程學院, 哈爾濱 150001;3.青島理工大學通信與電子工程學院, 青島 266520)

基于雙邊濾波和空間鄰域信息的高光譜圖像分類方法

廖建尚1王立國2郝思媛3

(1.廣東交通職業技術學院計算機工程學院, 廣州 510650； 2.哈爾濱工程大學信息與通信工程學院, 哈爾濱 150001;3.青島理工大學通信與電子工程學院, 青島 266520)

提出了一種基于雙邊濾波和像元鄰域信息的高光譜圖像分類(BS-SVM)算法。該方法首先利用雙邊濾波器提取經主成分分析降維后的高光譜圖像空間紋理信息，然后通過設計一種高光譜像元鄰域信息來構建高光譜的空間相關信息，最后將2種空間信息融合后與光譜信息結合，形成空譜信息(空間信息和光譜信息)后交由支持向量機完成分類。實驗結果表明，相比單純使用光譜信息的支持向量機的分類方法以及基于Gabor濾波的空譜信息結合分類方法，所提出的BS-SVM方法分類精度有較大幅度提高，充分證明了該方法的有效性。

高光譜圖像； 分類； 雙邊濾波； 像元鄰域信息； 空間相關信息

引言

在遙感高光譜分類中，利用高光譜圖像可以有效對植被和農作物精準分類與識別，在農業災害和產量評估方面有廣泛應用[1-3]。越來越多的學者將空間信息融入到高光譜圖像分類中，以有效提高分類器性能。目前空間特征提取方法用于高光譜圖像分類的有：形態濾波[4-5]、馬爾科夫隨機場[6-7]和圖像分割[8-9]。不少學者將空間信息融入到支持向量機(Support vector machine, SVM)的分類中，KUO等[10]提出了空間信息半監督支持向量機；BRUZZONE等[11]對空間樣本分配不同誤分代價來調整支持向量機的優化過程，使總體的誤分代價最小化；CHEN等[12]提出使用多個假設預處理空-譜信息來提高高光譜圖像的分類精度。利用濾波方式來提取高光譜空間紋理信息也開始逐漸增多，BAU等[13]和SHEN等[14]利用多維Gabor濾波器多角度提取圖像的紋理信息，分類精度得到了提升；WANG等[15]采用了Gabor濾波獲取空間特征，利用主動學習方法對有標簽訓練樣本的空間鄰域信息進行化簡，提出一種空譜結合的S2ISC半監督分類算法；WANG等[16]采用Gabor濾波獲取空間特征，提出一種空譜標簽傳播的SS-LPSVM半監督分類算法；SAHADEVAN等[17]用雙邊濾波對高光譜圖像平滑處理，然后用SVM進行分類；WANG等[18]先用SVM獲得初始分類結果，然后利用雙邊濾波和圖像分割提出一種空譜結合的高光譜圖像分類方法。有少數學者研究基于空間鄰域信息的高光譜分類，石磊等[19]在傳統光譜角度匹配高光譜監督分類算法的基礎上，利用像元空間鄰域信息對光譜角進行修正，提出一種基于像元空間鄰域信息的SAM分類算法；王彩玲等[20]通過光譜角計算待分類像元鄰域像元的相似度，提出了一種基于鄰域分割的空譜聯合稀疏表示高光譜分類算法。

提取高光譜圖像空間紋理信息用于分類的研究中取得了一定成效，但是也存在一些不足：①對空間信息的地物邊界信息挖掘不夠，造成分類性能提高不大。②采用濾波器挖掘高光譜圖像的空間紋理信息的同時，容易丟失空間相關信息。為了更好地挖掘空間紋理邊界信息和像元鄰域信息來提高分類性能，本文提出一種基于雙邊濾波和用像元鄰域構建的空間相關信息的高光譜圖像分類(BS-SVM)算法。

1 方法

基于雙邊濾波和像元鄰域信息的高光譜圖像分類(BS-SVM)算法，采用主成分分析[21](Principal components analysis，PCA)和雙邊濾波器共同協作提取空間紋理信息，并設計一種高光譜像元鄰域空間信息方法來構建空間相關信息，最后結合線性核函數、多項式核函數以及徑向基函數支持的SVM方法設計新的分類算法。

1.1 基于雙邊濾波的圖像空間紋理信息提取

雙邊濾波器是1998年由TOMASI和MANDUCHI[22]在高斯濾波器基礎上提出的一種改進雙邊濾波算法，是一種加權的非線性高斯濾波，雙邊濾波器有2個核函數，對于有k個波段的高光譜圖像集G，利用像元在高光譜空間和幅度的相關性，給定濾波窗口S，對高光譜圖像的雙邊濾波器定義為

(i=1,2,…,k;m、n∈S)

(1)

其中

(2)

高光譜遙感具有波段多、數據量大、相鄰譜帶間相關性較高的特點，但冗余信息多，為了使用雙邊濾波獲取較高光譜圖像更全面的空間信息，本文首先對高光譜圖像作歸一化處理，對高光譜數據進行線性變換，使高光譜數據變換到[0,1]區間，其次采用了PCA降維的方法，利用雙邊濾波器對PCA降維后的數據進行濾波，從而提取高光譜較全面的空間紋理信息，圖1為結合歸一化、PCA降維的高光譜圖像雙邊濾波流程圖，圖2為用雙邊濾波對印第安農林數據集的第120個波段和用PCA獲得的前3個主成分進行處理前后的對比圖像，由圖2可以看出，雙邊濾波對平滑去噪、提取高光譜地物邊界信息有較大優勢。

圖2 印第安農林的雙邊濾波前后對比Fig.2 Comparison of Indian pines before and after bilateral filtering

圖1 結合PCA降維的高光譜圖像雙邊濾波流程圖Fig.1 Flow chart of bilateral filter for hyperspectral image with PCA

1.2 與像元鄰域信息構建的空間相關信息結合

一般地物在空間分布上具有一定的連續性，因此高光譜像元在空間分布中有一定的相關性，過去的高光譜空譜結合方法僅關注了空間紋理特征，忽略了像元空間鄰域特征。本文針對高光譜圖像的地物空間分布有連續性這一特點，提出一種高光譜像元鄰域信息的空間相關信息構建方法，構建方法如下：

對于高光譜圖像，定義一個像元鄰域窗口R，定義窗口半徑寬度為d，則窗口邊長為

l=2(d-1)+1

(3)

像元鄰域窗口面積為

s=l2

(4)

定義像元鄰域信息為

(5)

其中f=a-d-1,a-d,…,a,a+1,…,a+d-1

g=b-d-1,b-d,…,b,b+1,…,b+d-1

式中 (f,g)——像元在高光譜圖像中的坐標 (a,b)——鄰域窗口中心在高光譜圖像中的坐標

結合高光譜像元鄰域信息和雙邊濾波器，實現一種新的分類算法(BS-SVM)，具體實現過程如下：

(1)歸一化：高光譜中像元的反射強度較大，先對高光譜數據集進行歸一化處理，得到信息量重新分布的高光譜圖像數據集為

(6)

式中N——某波段反射強度最小值M——某波段反射強度最大值

(2)高光譜降維：通過PCA對高光譜數據R進行降維處理，得到信息量重新分布的高光譜圖像數據集RP。

(3)雙邊濾波：利用式(1)對RP前n個成分進行雙邊濾波，得到空間紋理信息Ws。

(4)構建空間鄰域信息：采用高光譜像元鄰域的空間相關信息構建方法，選擇窗口半徑d=5的鄰域空間信息D。

(5)融合：光譜信息G、空間紋理信息Ws和空間鄰域信息D線性結合

W=G+Ws+D

(7)

(6)交叉驗證，并針對不同的核函數尋找最優參數組合。

(7)隨機從數據集W以一定比例挑選訓練集We，其余作為測試集Wt。

(8)使用訓練集We進行SVM訓練，獲取訓練模型。

(9)分別采用不同核函數對測試集Wt進行分類。

(10)獲取分類結果。

將空譜信息和線性核函數、多項式核函數以及徑向基函數結合后，設計算法有BS-LSVM、BS-PSVM、BS-RSVM。BS-SVM算法詳細流程圖如圖3所示。

圖3 BS-SVM算法流程圖Fig.3 Flow chart of BS-SVM

2 實驗數據集與評價指標

為了驗證雙邊濾波提取的空間紋理信息和像元鄰域信息構建的空間相關信息對分類過程的輔助作用，本文采用印第安農林和帕維亞大學2個高光譜數據集進行實驗，數據集特征如下：

(1)印第安農林數據集：印第安農林數據集來自機載可見紅外成像光譜儀(Airborne visible infrared imaging spectrometer)，是1992年在印第安納州西北部印第安農林收集到的高光譜遙感圖像，包含144×144個像元，220個波段，由于噪聲和水吸收等因素除去其中的20個波段，剩余200個波段包含16個類別，具體地物類別和樣本數參見表1。

(2)帕維亞大學數據集：帕維亞大學數據集來自反射式光學系統成像光譜儀(Reflective optics system imaging spectrometer)，拍攝于帕維亞大學的高光譜遙感圖像，包含610×340個像元，115個波段，由于噪聲等因素去除其中的12個波段，剩余103個波段包含9個類別，具體地物類別和樣本數參見表2。

本文采用整體分類精度(Overall accuracy, OA)、平均分類精度(Average accuracy, AA)以及Kappa統計系數(Kappa statistic, Kappa)來衡量分類算法的性能，為了避免隨機偏差的產生，每個實驗重復10次且記錄平均結果，驗證平臺采用Matlab R2012b、E5800、6 GB RAM實驗平臺。

3 實驗

3.1 實驗方法設計

為了驗證雙邊濾波提取的空間紋理特征對分類的重要性，本文將使用核函數支持的SVM 對其進行分類，核函數有線性(Linear)核函數、多項式(Polynomial)核函數以及徑向基(RBF)函數。

方法1：利用文獻[23]提出的SVM，并通過融合核函數，設計了多項式核函數支持的SVM和徑向基核函數支持的SVM，線性核函數、多項式核函數以及徑向基函數支持的SVM分別命名為LSVM、PSVM和RSVM。

方法2：用Gabor空間濾波的方法提取空間紋理信息，將結合后的空譜信息交由線性核函數、多項式核函數以及徑向基函數支持的SVM完成分類，設計算法分別為G-LSVM、G-PSVM、G-RSVM。

方法3：用雙邊濾波提取空間紋理信息，將結合后的空譜信息交由線性核函數、多項式核函數以及徑向基函數支持的SVM完成分類，設計算法分別為B-LSVM、B-PSVM、B-RSVM。

方法4：本文提出方法，設計算法分別為BS-LSVM、BS-PSVM、BS-RSVM。

3.2 參數設計

雙邊濾波器參數：濾波窗寬度r=5，空間鄰近度因子半徑σd=3，反射強度因子σr=0.1；Gabor濾波器參數：當fmax=0.25，Q=10，P=6，σ=1，φ=0時，提取的空間特征可得到最優的分類精度[15]。核函數支持的SVM，核函數有線性核函數、多項式核函數以及徑向基函數，不同的算法最優化有不同的參數，本文采用交叉驗證和網格搜索法確定懲罰因子以及高斯核半徑的最優值方法來確定參數，搜索范圍分別為{1,10,100,500,1 000,3 000}和{0.01,0.1,1,5,10}，參數設置如下：

(1)線性核函數支持的SVM的參數設置：高斯半徑g=0.005，懲罰因子C=200。

(2)多項式核函數支持的SVM的參數設置：高斯半徑g=0.11，懲罰因子C=20。

(3)徑向基函數支持的SVM的參數設置：高斯半徑g=0.18，懲罰因子C=2 500。

為了進行算法之間的比較，LSVM、G-LSVM、B-LSVM和BS-LSVM采用第1項參數，PSVM、G-PSVM、B-PSVM和BS-PSVM采用第2項參數，RSVM、G-RSVM、B-RSVM和BS-RSVM采用第3項參數。

3.3 實驗驗證與分析

3.3.1 實驗驗證

用4種方法分別對印第安農林和帕維亞大學數據集進行分類對比驗證，其中驗證方法如下：①印第安農林數據集圖像，地物分布如圖4a所示，選取全部16個類別，每類隨機選取10%樣本組成有標簽訓練集，其余90%作為測試集，表1為各種分類方法對印第安農林數據集的分類精度統計，分類效果如圖4所示。②帕維亞大學數據集圖像，地物如圖5a所示，選取全部9個類別，每類隨機選取10%樣本組成訓練集，其余90%作為測試集，表2為各種分類方法對帕維亞大學數據集的分類精度統計，分類效果如圖5所示。

表1 印第安農林數據集圖像分類情況(10次平均結果±標準差)Tab.1 Classification statistics of Indian pines(average of ten times test±standard deviation)

表2 帕維亞大學數據集圖像分類情況(10次平均結果±標準差)Tab.2 Classification statistics of Pavia (average of ten times test±standard deviation)

圖4 印第安農林數據集分類Fig.4 Classification for Indian pines

圖5 帕威亞大學數據集分類Fig.5 Classification for Pavia

3.3.2 實驗分析

(1)分別對印第安農林數據集和帕維亞大學數據集進行4種方法驗證實驗，其中G-SVM的3種分類精度和無空間信息的SVM相比分別提高了3～4個百分點和2～3個百分點，驗證了融入經Gabor濾波提取的紋理空間信息對分類性能有不同程度的提高；B-SVM的3種分類精度和G-SVM相比提高了3～4個百分點，驗證了雙邊濾波在提取空間紋理信息中有較大的優勢，更有效地輔助光譜信息提高分類性能。BS-SVM的3種分類精度和B-SVM相比分別提高了4～5個和3～4個百分點，表明本文提出的像元鄰域信息構建的空間相關信息對空間信息有一定的補充，并驗證了經雙邊濾波提取的空間紋理信息和像元鄰域信息構建的空間相關信息結合后更有效地輔助光譜信息提高分類性能，從圖4和圖5可以看出本文提出的分類方法可以較好地去除像元分類中的椒鹽現象。

(2)通過挑選4種方法中分類精度最高的RSVM、G-RSVM、B-RSVM和BS-RSVM的分類數據如圖6所示。從前面3種分類器的總體分類精度OA、平均分類精度AA和Kappa系數對比來看，雙邊濾波器提取的空間信息并輔助光譜信息進行分類(B-RSVM)的效果，比無空間信息(RSVM)和用Garbor濾波獲取的空間信息(G-RSVM)好，驗證了雙邊濾波提取的空間信息在高光譜圖像分類的優勢。基于雙邊濾波和像元鄰域信息的分類算法BS-SVM比沒有融入像元鄰域信息的分類算法B-SVM的分類性能提升較大，驗證了本文構建的空間鄰域信息可以有效地提高分類精度。

(3)從兩類數據集分類實驗來看，各種分類器對帕維亞大學的分類精度較優于印第安農林的分類精度，這與印第安農林的地物種類數多、分布較為復雜有一定的關系。從表1可以看出，印第安農林數據集中數量較少的地物分類精度較低，其中僅有20個數量的燕麥(Oats)分類精度最低，因此直接影響了平均分類精度，造成平均分類精度普遍低于總體分類精度。從圖6可以直觀看出，印第安農林的各種分類指標的標準差較大，這與數量較小的地物分類性能不穩定有一定關系；帕維亞大學的各種分類指標的標準差較小，尤其是BS-RSVM的各種分類精度標準差較小，分別為0.04、0.18和0.06，BS-SVM對兩類數據集的各種分類指標的標準差都明顯小于其他分類器，驗證了BS-SVM在提高分類精度的同時，也具有較好的穩定性。

圖6 RSVM、G-RSVM、B-RSVM和BS-RSVM的分類精度對比Fig.6 Classification comparison of RSVM, G-RSVM, B-RSVM and BS-RSVM

4 結論

(1)采用雙邊濾波的保持邊界信息特性來提取空間紋理信息，其空間紋理信息能有效輔助光譜信息，提高分類性能。

(2)提出了一種高光譜像元鄰域信息設計方法，構建了一種高光譜空間相關信息，與雙邊濾波提取的空間紋理信息結合后能有效輔助光譜信息提高分類性能，并有較好的穩定性。

(3)提出的BS-SVM算法為高光譜遙感分類提供了一種有效的方法，可以應用在農作物種植遙感監測和農作物的精準分類與識別領域。

1 童慶禧, 張兵, 張立福. 中國高光譜遙感的前沿進展[J].遙感學報,2016,20(5): 689-707. TONG Qingxi, ZHANG Bing, ZHANG Lifu. Current progress of hyperspectral remote sensing in China[J]. Journal of Remote Sensing, 2016,20(5): 689-707. (in Chinese)

2 姚云軍, 秦其明, 張自力, 等. 高光譜技術在農業遙感中的應用研究進展[J]. 農業工程學報, 2008, 24(7): 301-306. YAO Yunjun, QIN Qiming, ZHANG Zili, et al. Research progress of hyperspectral technology applied in agricultural remote sensing[J]. Transactions of the CSAE,2008,24(7)：301-306.(in Chinese)

3 王俊淑, 江南, 張國明, 等. 高光譜遙感圖像DE-self-training半監督分類算法[J/OL]. 農業機械學報, 2015, 46(5):239-244.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20150534&journal_id=jcsam. DOI：10.6041/j.issn.1000-1298.2015.05.034. WANG Junshu, JIANG Nan, ZHANG Guoming,et al. Semi-supervised classification algorithm for hyperspectral remote sensing image based on DE-self-training [J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(5):239-244.(in Chinese)

4 LIANG J, ZHOU J, GAO Y. Tensor morphological profile for hyperspectral image classification[C]∥2016 IEEE International Conference on Image Processing (ICIP), 2016: 2197-2201.

5 BAO R, XIA J, DALLA M M, et al. Combining morphological attribute profiles via an ensemble method for hyperspectral image classification[J]. IEEE Geoscience and Remote Sensing Letters, 2016, 13(3): 359-363.

6 CHEN P, NELSON J D B, TOURNERET J Y. Toward a sparse bayesian markov random field approach to hyperspectral unmixing and classification[J]. IEEE Transactions on Image Processing, 2017, 26(1): 426-438.

7 YU H, GAO L, LI J, et al. Spectral-spatial classification based on subspace support vector machine and Markov random field[C]∥2016 IEEE International, Geoscience and Remote Sensing Symposium (IGARSS), 2016: 2783-2786.

8 ZHANG Z, PASOLLI E, CRAWFORD M M, et al. An active learning framework for hyperspectral image classification using hierarchical segmentation[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2016, 9(2): 640-654.

9 CHEN J, XIA J, DU P, et al. Combining rotation forest and multiscale segmentation for the classification of hyperspectral data[J]. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing, 2016,9(9):4060-4072.

10 KUO B C, HUANG C S, HUNG C C, et al. Spatial information based support vector machine for hyperspectral image classification[C]∥IEEE International Geoscience & Remote Sensing Symposium (IGARSS 2010), 2010:832-835.

11 BRUZZONE L, PERSELLO C. A novel context-sensitive semisupervised SVM classifier robust to mislabeled training samples[J]. IEEE Transactions on Geoscience & Remote Sensing, 2009, 47(7):2142-2154.

12 CHEN C, LI W, TRAMEL E W, et al. Spectral-spatial preprocessing using multihypothesis prediction for noise-robust hyperspectral image classification[J]. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing, 2014, 7(4):1047-1059.

13 BAU T C, SARKAR S, Healey G. Hyperspectral region classification using a three-dimensional gabor filterbank[J]. IEEE Transactions on Geoscience & Remote Sensing, 2010, 48(9):3457-3464.

14 SHEN L, JIA S. Three-dimensional gabor wavelets for pixel-based hyperspectral imagery classification[J]. IEEE Transactions on Geoscience & Remote Sensing, 2011, 49(12):5039-5046.

15 WANG L, HAO S, WANG Y, et al. Spatial-spectral information-based semisupervised classification algorithm for hyperspectral imagery[J]. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing, 2014, 7(8):3577-3585.

16 WANG L, HAO S, WANG Q, et al. Semi-supervised classification for hyperspectral imagery based on spatial-spectral label propagation[J]. ISPRS Journal of Photogrammetry & Remote Sensing, 2014, 97:123-137.

17 SAHADEVAN A S. Hyperspectral image preprocessing with bilateral filter for improving the classification accuracy of support vector machines[J]. Journal of Applied Remote Sensing, 2016, 10(2):025004.

18 WANG Y, SONG H, ZHANG Y. Spectral-spatial classification of hyperspectral images using joint bilateral filter and graph cut based model[J]. Remote Sensing,2016, 8(9):1-29.

19 石磊, 彭曉群. 結合像元空間鄰域信息的高光譜影像分類[J]. 測繪科學, 2015, 40(8):113-116. SHI Lei, PENG Xiaoqun. The classification algorithm of spectral angel matching combined with pixel spatial neighborhood information[J]. Science of Surveying and Mapping, 2015, 40(8):113-116. (in Chinese)

20 王彩玲, 王洪偉, 胡炳樑, 等. 基于鄰域分割的空譜聯合稀疏表示高光譜圖像分類技術研究[J]. 光譜學與光譜分析, 2016, 36(9):2919-2924. WANG Cailing, WANG Hongwei, HU Bingliang, et al. A novel spatial spectral sparse representation for hyperspectral image classification based on neighborhood segmentation[J]. Spectroscopy and Spectral Analysis, 2016, 36(9):2919-2924. (in Chinese)

21 CAI S, DU Q, MOORHEAD R, et al. Noise-adjusted principal component analysis for hyperspectral remotely sensed imagery visualization[C]∥16th IEEE Visualization Conference(Vis2005),2005:119-120.

22 TOMASI C, MANDUCHI R. Bilateral filtering for gray and color images[C]∥6th International Conference on Computer Vision, 1998:839-846.

23 MELGANI F, BRUZZONE L. Classification of hyperspectral remote sensing images with support vector machines[J]. IEEE Transactions on Geoscience and Remote Sensing, 2004, 42(8): 1778-1790.

Hyperspectral Image Classification Method Combined with Bilateral Filtering and Pixel Neighborhood Information

LIAO Jianshang1WANG Liguo2HAO Siyuan3

(1.CollegeofComputerEngineering,GuangdongCommunicationPolytechnic,Guangzhou510650,China2.CollegeofInformationandCommunicationEngineering,HarbinEngineeringUniversity,Harbin150001,China3.CollegeofCommunicationandElectronicEngineering,QingdaoUniversityofTechnology,Qingdao266520,China)

Supplementing spectral information with spatial information to improve the classification of hyperspectral image is becoming a hot research in recent years. An improved scheme was put forward according to existing methods. An algorithm of supervised classification was proposed which was combined with bilateral filter and pixel neighborhood information (BS-SVM). Firstly, the spatial texture information of hyperspectral image was extracted whose dimensionality was reduced by PCA. Secondly, spatial correlation information was formed by building pixel neighborhood information of hyperspectral image. Finally, spatial-spectral information was merged by the two kinds of spatial information and the spectral information, which was classified by SVM. The BS-SVM classification method was implemented on the hyperspectral data of Indian Pines and Pavia. The results indicated that in the first place, the OA (Overall accuracy) of G-SVM for Indian Pines and Pavia were 3%～4% and 2%～3% higher than those of SVM, the same index for B-SVM were 3%～4% higher than that of G-SVM, and the classification performance can be improved effectively by the spatial texture information of hyperspectral image extracted by bilateral filter. Furthermore, the salt and pepper can be removed effectively by BS-SVM, showing very good performance in hyperspectral classification. In the second place, the classification of some methods for Pavia was better than the Indian. The reason was that the types and distribution of grounds for Indian were more complicated than Pavia. The classification for the less ground were bad, especially the Oats (only 20) was the worst. Therefore, it directly led to the AA (Average accuracy) generally lower than OA. However, the standard deviation of the classification for BS-SVM was much smaller than those of other methods, and the effectiveness of the method was verified with good stability. The experiments showed that the BS-SVM algorithm was better than original SVM with the pure spectrum information, the spatial-spectral information-based methods with Gabor. With the spatial correlation information extracted by the bilateral filter and the pixels neighborhood information, the performance of the classification with BS-SVM algorithm was greatly improved, and the effectiveness of BS-SVM was fully verified in the classification of hyperspectral image.The method can be applied to the field of crop growing, accurate classification and identification.

hyperspectral image; classification; bilateral filter; pixel neighborhood information; spatial correlation information

10.6041/j.issn.1000-1298.2017.08.015

2016-12-18

2017-01-23

國家自然科學基金項目(61275010、 61675051)、國家星火計劃項目(2014GA780056)和廣東交通職業技術學院校改重點科研課題(2017-1-001)

廖建尚(1982—)，男，副教授，系統分析師，主要從事高光譜圖像處理研究，E-mail： liaojianshang@126.com

TP753

A

1000-1298(2017)08-0140-07