面向空間自相關(guān)信息的高光譜圖像分類方法

廖建尚 王立國

(1.廣東交通職業(yè)技術(shù)學(xué)院軌道交通學(xué)院, 廣州 510650； 2.哈爾濱工程大學(xué)信息與通信工程學(xué)院, 哈爾濱 150001)

0 引言

通過成像光譜儀獲得的高光譜遙感圖像能達(dá)到幾百個(gè)波段的光譜，在遙感高光譜分類中，地物(特別是植被)種類豐富且光譜相似[1]，利用高光譜圖像可以有效對農(nóng)作物精準(zhǔn)分類與識(shí)別，在農(nóng)業(yè)災(zāi)害和產(chǎn)量評估方面已有廣泛應(yīng)用[2-3]。有學(xué)者將高光譜遙感應(yīng)用于植被分類[4-7]，例如有一些學(xué)者采用光譜特征和模式識(shí)別等方法提高植被分類精度[8-12]，對高光譜遙感植被分類進(jìn)行研究并取得了一定成果，但僅僅關(guān)注光譜信息特征挖掘，對于光譜信息接近的植被分類效果并不好；也有一部分學(xué)者提出利用空間信息來實(shí)現(xiàn)植被分類[13-15]，對空間信息的挖掘進(jìn)行了初探，但是空間信息的挖掘并不夠充分，導(dǎo)致分類性能不高。近年來，越來越多學(xué)者利用空間紋理信息結(jié)合光譜信息改善高光譜圖像地物分類性能，主要有形態(tài)濾波特征提取方法[16]、馬爾科夫隨機(jī)場特征提取[17-18]和圖像分割特征提取方法[19-20]，其中用濾波器提取圖像紋理信息來輔助光譜信息進(jìn)行有效分類更是一個(gè)研究熱點(diǎn)，例如不少學(xué)者用Gabor濾波器[21]提取紋理信息來輔助高光譜分類[22-23]；還有一些學(xué)者用雙邊濾波器[24-25]來提取高光譜空間紋理信息[26-29]，用于輔助SVM分類。植被分布有較好的統(tǒng)一性，具有較強(qiáng)的空間相關(guān)性，以上學(xué)者通過挖掘空間紋理信息來提高分類性能有了很大進(jìn)步，但在提取空間紋理信息的同時(shí)，忽略了空間相關(guān)性，因此存在一定的局限性。

空間紋理信息提取用于高光譜圖像分類的研究中取得了一定成效，但也存在一些不足：①光譜信息接近的植被分類性能有待提高。②過去的高光譜空譜結(jié)合分類方法更多關(guān)注提取空間紋理信息，忽略了高光譜空間自相關(guān)信息的提取。本文通過挖掘高光譜圖像的空間自相關(guān)信息來提高分類性能，提出用域轉(zhuǎn)換線性插值卷積濾波[30]來提取高光譜圖像空間自相關(guān)信息，構(gòu)建基于空間自相關(guān)信息的高光譜圖像分類算法(Classification of hyperspectral image based on spatial autocorrelation information, CHISCI)，以期有效去除高光譜分類中的椒鹽現(xiàn)象，且利用空間自相關(guān)信息有效對光譜特性相似的植被實(shí)現(xiàn)高精度分類，彌補(bǔ)用光譜信息進(jìn)行分類的不足。

1 方法

本文實(shí)現(xiàn)了基于空間自相關(guān)信息的高光譜圖像分類算法(CHISCI)，對高光譜全波段和和高光譜數(shù)據(jù)PCA降維后的前部分主成分進(jìn)行濾波，獲得有效的空間自相關(guān)信息，融合后將其交由SVM實(shí)現(xiàn)分類。

1.1 空間自相關(guān)信息的提取方法與評價(jià)指標(biāo)

1.1.1域轉(zhuǎn)換線性插值卷積濾波提取空間自相關(guān)信息

域轉(zhuǎn)換線性插值卷積濾波是2011年由GASTAL等[30]提出的圖像特征提取算法，可以將二維的濾波轉(zhuǎn)換為一維的特征提取濾波，有較好的離散噪聲去除效果，對有k個(gè)波段的高光譜圖像，第i個(gè)波段的域轉(zhuǎn)換線性插值卷積濾波Ti(u)在高光譜的定義為

(1)

(2)

(3)

式中Gw(x)——通過濾波集Ωw中進(jìn)行線性插值重建的圖像

H(f(u),x)——濾波核，通過一個(gè)布爾函數(shù)表示，其意義為像元鄰域可認(rèn)為是同種地物，因此該濾波過程中保留了高光譜圖像的空間自相關(guān)性

將式(2)、(3)代入式(1)，可得

(4)

(5)

(6)

(7)

式中r——濾波半徑

σs——空間標(biāo)準(zhǔn)偏差

σr——范圍標(biāo)準(zhǔn)偏差

σJt——第t次迭代的偏差

N——總迭代次數(shù)

高光譜數(shù)據(jù)集波段多、數(shù)據(jù)量大，先對高光譜數(shù)據(jù)進(jìn)行歸一化，再對每個(gè)波段圖像進(jìn)行域轉(zhuǎn)換線性插值卷積濾波提取空間信息，圖1為域轉(zhuǎn)換卷積濾波提取高光譜圖像空間信息的流程圖。

圖1 域轉(zhuǎn)換線性插值卷積濾波流程圖Fig.1 Flowchart of DTFOIC

圖2 σs和σr的分類驗(yàn)證Fig.2 Verification of classification with σs and σr

為了確定空間偏差系數(shù)σs、范圍偏差系數(shù)σr對分類的影響，選用印第安農(nóng)林圖像作為試驗(yàn)數(shù)據(jù)集，其中8%作為訓(xùn)練樣本和92%作為測試樣本進(jìn)行驗(yàn)證，用控制變量的交叉驗(yàn)證法，先取σr=0.3，σs=10～400分別驗(yàn)證分類精度，當(dāng)σs=30時(shí)，總體分類精度OA、平均分類精度AA和Kappa系數(shù)綜合分類性能較好；然后取σs=30，σr=0.1～1.0，當(dāng)σr=0.3時(shí)，綜合分類性能較好，分類折線如圖2所示，本文域轉(zhuǎn)換線性插值卷積濾波系數(shù)取σs=30和σr=0.3。

1.1.2空間自相關(guān)信息的評價(jià)指標(biāo)

引入MORAN[31-32]于1950年提出的莫蘭指數(shù)(Moran’sI)來衡量高光譜中每個(gè)波段圖像的空間自相關(guān)性，I表達(dá)式為

(8)

(9)

式中Xi——高光譜某像元的反射強(qiáng)度

Xj——其他像元的反射強(qiáng)度

wij——空間比重權(quán)重，將指數(shù)I歸一化為[-1,1]，值越大空間相關(guān)性越強(qiáng)，值越小空間差異性越大

為了體現(xiàn)域轉(zhuǎn)換線性插值卷積濾波對空間自相關(guān)信息的保持特性，先用域轉(zhuǎn)換線性插值卷積濾波對印第安農(nóng)林和薩里納斯山谷數(shù)據(jù)集的每個(gè)波段逐個(gè)濾波，然后計(jì)算每個(gè)波段的Moran’sI指數(shù)并求均值，如圖3所示。由圖3可以看出，2個(gè)數(shù)據(jù)集的域轉(zhuǎn)換線性插值卷積濾波提取的空間相關(guān)性比原光譜信息好，驗(yàn)證了域轉(zhuǎn)換線性插值卷積濾波有較好的空間自相關(guān)性保持特性。

圖3 原光譜和域轉(zhuǎn)換線性插值卷積濾波的莫蘭指數(shù)的均值對比Fig.3 Comparison of Moran’s I for spectral and DTFOIC

1.2 基于空間自相關(guān)信息的高光譜分類

首先，本文采用了SVM分類器對高光譜圖像進(jìn)行分類研究，SVM的分類原理：尋找一個(gè)分類超平面，使得訓(xùn)練樣本中的兩類樣本點(diǎn)能被分開，并且距離該平面盡可能地遠(yuǎn)，即間隔最大化；而對線性不可分的問題，通過核函數(shù)將低維輸入空間的數(shù)據(jù)映射到高維空間，將原低維空間的線性不可分問題轉(zhuǎn)換為高維空間上的線性可分問題。SVM為映射特征空間上間隔最大的線性分類器，假設(shè)對原高光譜圖像進(jìn)行分類，如果地物的光譜相近，容易產(chǎn)生相互誤分現(xiàn)象，分類效果差。其次，植被分布有較好的統(tǒng)一性，因此具有較強(qiáng)的空間相關(guān)性，因此提取空間自相關(guān)性信息將大大有利于SVM對高光譜植被進(jìn)行分類。

過去高光譜圖像空譜結(jié)合的分類方法在空間信息中更多關(guān)注地物的紋理信息提取，濾波器往往能提取較好的紋理信息，但紋理信息的提取過程往往容易丟失地物的空間相關(guān)性信息，從1.1節(jié)可以看出，與原光譜信息相比，域轉(zhuǎn)換線性插值卷積濾波后的高光譜圖像能保持良好的空間自相關(guān)性。

利用域轉(zhuǎn)換線性插值卷積濾波特性，本文設(shè)計(jì)了一種基于空間自相關(guān)信息的高光譜圖像植被分類方法，首先用域轉(zhuǎn)換線性插值卷積濾波對高光譜圖像的光譜信息提取空間自相關(guān)信息，其次為了從多角度獲取更豐富的空間自相關(guān)信息，用PCA主成分分析方法對光譜數(shù)據(jù)進(jìn)行降維，考慮降維后的大部分信息集中在前面的主成分，用域轉(zhuǎn)換線性插值卷積濾波提取前主成分的空間自相關(guān)信息，兩種信息線性融合后，由對高維數(shù)據(jù)不敏感的SVM分類器完成分類，構(gòu)建了基于空間自相關(guān)信息的高光譜圖像植被分類算法(CHISCI)，實(shí)現(xiàn)過程如下：

(1)歸一化：高光譜像元的反射強(qiáng)度較大，利用

(10)

對波段數(shù)為l的高光譜數(shù)據(jù)集作歸一化處理，Rmin指的是某個(gè)波段的最小值，Rmax為最大值，得到信息量重新分布的高光譜圖像數(shù)據(jù)集R。

(2)高光譜PCA降維：對于有l(wèi)個(gè)波段的高光譜數(shù)據(jù)集R進(jìn)行PCA降維，為了充分利用PCA成分來進(jìn)行分類，本文選擇前10%的PCA成分組成新的數(shù)據(jù)集

在油田企業(yè)的日常運(yùn)營中，每天都會(huì)產(chǎn)生海量的信息，其中仍然具有利用、保存或借鑒價(jià)值的，被整理成檔案，由專門的檔案管理機(jī)構(gòu)進(jìn)行管理。信息化數(shù)據(jù)運(yùn)行管理的原則之一，就是高效率地完成檔案的收集、管理和利用等工作。例如，在檔案收集方面，要利用大數(shù)據(jù)技術(shù)，將油田企業(yè)各部門產(chǎn)生的數(shù)據(jù)第一時(shí)間收集起來，避免出現(xiàn)珍貴數(shù)據(jù)丟失等問題。此外，部分檔案仍然具有借鑒和利用價(jià)值，當(dāng)油田企業(yè)某個(gè)部門需要這些檔案時(shí)，檔案管理部門還要盡快地進(jìn)行檔案查找，為各部門工作開展提供幫助。

K=PCA(R)

(11)

其中選擇前10%的PCA成分將在3.2節(jié)中進(jìn)行驗(yàn)證分析。

(3)提取空間自相關(guān)信息1：用域轉(zhuǎn)換線性插值卷積濾波對全部光譜信息K提取空間信息

(12)

(4)提取空間自相關(guān)信息2：用域轉(zhuǎn)換線性插值卷積濾波對數(shù)據(jù)集K提取空間信息

(13)

(5)空間信息融合：將空間自相關(guān)信息Rds和Kds線性融合，形成新的數(shù)據(jù)集

H=Rds+Kds

(14)

(6)隨機(jī)從空間信息數(shù)據(jù)集H以一定比例隨機(jī)抽取訓(xùn)練集Hs，其余部分作為訓(xùn)練集Ht。

(7)用徑向基函數(shù)支持的SVM對Hs進(jìn)行訓(xùn)練，獲取訓(xùn)練模型。

(8)獲取模型后，用徑向基函數(shù)支持的SVM對測試集Ht進(jìn)行分類，得出分類結(jié)果。

CHISCI算法流程如圖4所示。

圖4 CHISCI算法流程圖Fig.4 Flowchart of CHISCI

2 試驗(yàn)數(shù)據(jù)集

(1)印第安農(nóng)林：來自機(jī)載可見光紅外成像光譜儀，1992年在印第安納州西北部印第安農(nóng)林收集到的高光譜遙感圖像，有20 m的空間分辨率，包含145×145個(gè)像元，220個(gè)波段，其中波長范圍在4×10-7～2.5×10-6m，由于噪聲和水吸收等因素除去其中的20個(gè)波段，包括[104～108]、[150～163]和220，剩余200個(gè)波段，包含16類地物，具體地物類別和數(shù)量見表1。

(2)薩里斯山谷：來自機(jī)載可見光紅外成像光譜儀，是1992年在美國加利福利亞州薩里斯山谷收集到的圖像，具有3.7 m的空間分辨率，其包含512×217個(gè)像元，224個(gè)波段，由于噪聲和水吸收等因素除去其中的20個(gè)波段，包括[108～112]、[154～167]和224，剩余204個(gè)波段，包含16類地物，具體地物類別和數(shù)量見表2。

3 試驗(yàn)

3.1 試驗(yàn)方法與評價(jià)指標(biāo)

為了驗(yàn)證CHISCI算法在高光譜植被分類的優(yōu)越性，本文采用6種方法進(jìn)行比較，分別為：方法1：利用文獻(xiàn)[33]提出的SVM；方法2：利用文獻(xiàn)[34]提出的高光譜圖像PCA降維后用SVM進(jìn)行分類；方法3：用Gabor濾波器、雙邊濾波器和導(dǎo)向?yàn)V波器[35]分別對高光譜數(shù)據(jù)用PCA降維后的前20個(gè)主成分提取空間信息，并將獲取的空間信息和光譜信息線性結(jié)合后，用SVM進(jìn)行分類，形成SGB-SVM、SBL-SVM、SGD-SVM；方法4：采用文獻(xiàn)[26]提出的EPF算法對高光譜圖像進(jìn)行分類，有EPF-B-c和EPF-G-c；方法5：采用文獻(xiàn)[28]提出的域轉(zhuǎn)換遞歸濾波的方法IFRF；方法6：本文提出的CHISCI。

為了更好地進(jìn)行對比，印第安農(nóng)林?jǐn)?shù)據(jù)集圖像選取全部16種類別，每類隨機(jī)選取6%樣本組成有標(biāo)簽訓(xùn)練集，其余94%作為測試集；薩里斯山谷數(shù)據(jù)集圖像選取全部16種類別，每類隨機(jī)選取1%樣本組成有標(biāo)簽訓(xùn)練集，其余99%作為測試集。

表1 印第安農(nóng)林?jǐn)?shù)據(jù)集圖像分類數(shù)據(jù)統(tǒng)計(jì)Tab.1 Classification statistics of Indian Pines %

表2 薩里斯山谷數(shù)據(jù)集圖像分類數(shù)據(jù)統(tǒng)計(jì)Tab.2 Classification statistics of Salinas Valley %

用總體分類精度(Overall accuracy, OA)、平均分類精度(Average accuracy, AA)以及Kappa統(tǒng)計(jì)系數(shù)(Kappa statistic, Kappa)來衡量分類算法的精度，為了避免隨機(jī)偏差，每個(gè)方法重復(fù)10次試驗(yàn)并統(tǒng)計(jì)平均結(jié)果，驗(yàn)證平臺(tái)采用6 GB RAM的試驗(yàn)平臺(tái)。

3.2 PCA降維和分類試驗(yàn)與分析

提出的CHISCI算法采用了PCA方法，考慮降維后的大部分信息集中在前面的主成分，為了確定分類中使用PCA主成分的數(shù)量比例，從而達(dá)到較優(yōu)分類結(jié)果，本文對2個(gè)數(shù)據(jù)集進(jìn)行以下分類驗(yàn)證。

印第安林?jǐn)?shù)據(jù)集和薩里斯山谷數(shù)據(jù)集分別有200和204個(gè)波段圖像，先對2個(gè)數(shù)據(jù)集進(jìn)行PCA降維，印第安林分別選擇前15%(1～30)主成分進(jìn)行分類試驗(yàn)，分類結(jié)果如圖5a所示，從試驗(yàn)結(jié)果可以看出，利用前5%(10)主成分進(jìn)行分類的OA可以達(dá)到89%，前8%(16)主成分的OA可以穩(wěn)定在90%。同理，薩里斯山谷數(shù)據(jù)集選擇前15%(1～31)主成分進(jìn)行分類試驗(yàn)，分類結(jié)果如圖5b所示，從試驗(yàn)結(jié)果可以得知，利用前4.4%(9)主成分進(jìn)行分類的OA可以達(dá)到95%，前8.3%(17)主成分的OA可以穩(wěn)定在96%以上。因此為了更充分利用PCA成分來進(jìn)行分類，本文選擇對高光譜數(shù)據(jù)PCA降維后的前10%作為濾波以及分類成分。

圖6 印第安農(nóng)林?jǐn)?shù)據(jù)集分類Fig.6 Classifications of Indian Pines

圖5 PCA成分分類結(jié)果Fig.5 Classification results for PCA

3.3 試驗(yàn)與分析

為了驗(yàn)證本文提出方法對分類性能的有效性，用6種方法分別對印第安林和帕維亞大學(xué)數(shù)據(jù)集進(jìn)行分類對比驗(yàn)證，得到表1(訓(xùn)練數(shù)占總數(shù)6%，測試數(shù)占總數(shù)94%)和表2(訓(xùn)練數(shù)占總數(shù)1%，測試數(shù)占總數(shù)99%)的分類結(jié)果，分類效果如圖6和圖7所示，對試驗(yàn)分析如下：

圖7 薩里斯山谷數(shù)據(jù)集分類Fig.7 Classifications of Salinas Valley data set

(1)CHISCI實(shí)現(xiàn)對兩類數(shù)據(jù)集的較優(yōu)分類，其中印第安農(nóng)林?jǐn)?shù)據(jù)集的總體分類精度OA為96.16%，薩里斯山谷數(shù)據(jù)集為98.67%，比SVM和PCA-SVM的總體分類精度高出12～16個(gè)百分點(diǎn)，比空譜結(jié)合方法SGB-SVM、SBL-SVM、SGD-SVM高出4～16個(gè)百分點(diǎn)，比EPF算法高出4～6個(gè)百分點(diǎn)，比IFRF算法高出2～3個(gè)百分點(diǎn)，另外相對其他方法，CHISCI算法對兩類數(shù)據(jù)集的平均分類精度AA和Kappa系數(shù)同樣有大幅度的提高，充分驗(yàn)證了CHISCI算法在高光譜圖像植被分類的有效性。

(2)從印第安農(nóng)林?jǐn)?shù)據(jù)集分類試驗(yàn)可知，在訓(xùn)練樣本僅為6%，總體分類精度 OA達(dá)到了96.16%，說明對植被多、分布復(fù)雜的高光譜數(shù)據(jù)有較好的分類效果，有效去除椒鹽現(xiàn)象，用方框標(biāo)注的地方去除效果更為明顯；薩里斯山谷數(shù)據(jù)集分類訓(xùn)練樣本僅為1%，CHISCI也能達(dá)到較優(yōu)的分類效果，OA、AA均超98%，Kappa系數(shù)也超過98，有效地去除椒鹽現(xiàn)象，用方框標(biāo)注的地方效果較為突出，驗(yàn)證了CHISCI對高光譜圖像的植被有較好的分類性能。

(3)從薩里斯山谷試驗(yàn)來看，前面幾個(gè)方法對未結(jié)果實(shí)的葡萄和未結(jié)果實(shí)的葡萄園分類效果比較差，兩者間錯(cuò)分的比較多，從地物中選擇休耕地、未結(jié)果實(shí)的葡萄、玉米、長葉萵苣5wk和未結(jié)果實(shí)的葡萄園5個(gè)植被中的一個(gè)像元，并畫出全波段光譜圖，如圖8箭頭所示，可知葡萄和葡萄園各波段的光譜反射率非常接近，導(dǎo)致分類器用光譜信息來分類的效果比較差，尤其是采用SVM對原光譜數(shù)據(jù)分類，由表2可知，兩者的OA僅為88.49%和59.10%，從圖7b可以看出，兩者相互誤分的情況比較嚴(yán)重(用方框圈出)，而CHISCI對兩種植被的OA分別達(dá)到了98.38%和99.17%，比其他分類器的分類精度都高，兩者相互誤分的現(xiàn)象大大改善，驗(yàn)證了CHISCI算法對光譜特性接近的植被有較好的分類性能。

圖8 植被光譜圖Fig.8 Vegetation spectrum

(4)為了驗(yàn)證監(jiān)督數(shù)據(jù)對算法的影響，用不同比例的訓(xùn)練樣本來測試算法，如圖9所示，印第安農(nóng)林?jǐn)?shù)據(jù)集總體分類精度OA在訓(xùn)練樣本為3%時(shí)就超過90%，薩里斯山谷數(shù)據(jù)集總體分類精度OA在訓(xùn)練樣本為0.3%就超過了95%，驗(yàn)證了CHISCI算法在高光譜圖像分類中的優(yōu)越性。

圖9 不同訓(xùn)練樣本比例分類性能Fig.9 Classifications of different training samples

4 結(jié)論

(1)CHISCI算法對高光譜像元分類精度高。試驗(yàn)結(jié)果表明，CHISCI算法比單純光譜信息SVM算法、空譜結(jié)合分類算法(SGB-SVM、SBL-SVM和SGD-SVM)、邊緣保持分類算法(EPF)以及IFRF算法相比，OA、AA和Kappa系數(shù)都有較大幅度提高，印第安農(nóng)林?jǐn)?shù)據(jù)集的訓(xùn)練比例為6%，OA、AA和Kappa系數(shù)分別達(dá)到了96.16%、92.48%和95.62，而薩里斯山谷數(shù)據(jù)集的訓(xùn)練比例僅為1%，3種分類精度系數(shù)分別達(dá)到了98.67%、98.23%和98.52，充分說明CHISCI算法有效地用域轉(zhuǎn)換線性插值卷積濾波提取空間自相關(guān)信息，并基于自相關(guān)信息來提高高光譜圖像的分類精度。

(2)CHISCI算法有效去除高光譜圖像分類的椒鹽現(xiàn)象。域轉(zhuǎn)換線性插值卷積濾波提取高光譜圖像

的空間自相關(guān)信息，并利用空間自相關(guān)信息進(jìn)行高光譜植被分類，能在有限的訓(xùn)練標(biāo)簽中獲得較高的分類精度，且有效去除椒鹽現(xiàn)象。

(3)CHISCI算法對光譜特性接近的植被有較好的分類性能。植被具有豐富的光譜特性，且光譜相似，試驗(yàn)結(jié)果表明，CHISCI可以利用空間自相關(guān)信息有效對光譜特性相似的植被實(shí)現(xiàn)高精度分類，彌補(bǔ)了用光譜信息進(jìn)行分類的不足。

1 童慶禧, 張兵, 張立福. 中國高光譜遙感的前沿進(jìn)展[J]. 遙感學(xué)報(bào), 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 王俊淑, 江南, 張國明,等. 高光譜遙感圖像DE-self-training半監(jiān)督分類算法[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 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)

3 IMANI M, GHASSEMIAN H. Edge patch image-based morphological profiles for classification of multispectral and hyperspectral data[J]. IET Image Processing, 2017, 11(3):164-172.

4 邵軍勇,潘泉. 高光譜遙感在植被精細(xì)分類中的應(yīng)用[J]. 微電子學(xué)與計(jì)算機(jī), 2005(10):12-13,19.

SHAO Junyong, PAN Quan. The application of hyperspectral remote-sense to plant fine-classification [J]. Microelectronics & Computer, 2005(10):12-13, 19. (in Chinese)

5 陶秋香,張連蓬,李紅梅.植被高光譜遙感分類中訓(xùn)練樣本的選擇方法[J].國土資源遙感, 2005,17(2):33-35, 81.

TAO Qiuxiang, ZHANG Lianpeng, LI Hongmei. The methods for selecting training samples in vegetation classification based on hyperspectral remote sensing [J]. Remote Sensing for Land & Resources, 2005,17(2):33-35, 81.(in Chinese)

6 陶秋香. 植被高光譜遙感分類方法研究[J]. 山東科技大學(xué)學(xué)報(bào)：自然科學(xué)版,2007,26(5):61-65.

TAO Qiuxiang. Vegetation classification methods based on hyperspectral remote sensing [J]. Journal of Shandong University of Science and Technology: Natural Science,2007,26(5):61-65.(in Chinese)

7 HU B, FREEMANTLE J, MILLER J, et al. Vegetation classification using hyperspectral and multi-angular remote sensing data[C]∥2007 IEEE International Geoscience and Remote Sensing Symposium, 2007: 1749-1750.

8 董連英, 邢立新, 潘軍,等. 高光譜圖像植被類型的CART決策樹分類[J]. 吉林大學(xué)學(xué)報(bào)：信息科學(xué)版, 2013, 31(1):83-89.

DONG L Y, XING L X, PAN J, et al. Vegetation classification in hyperspectral image with CART decision tree [J]. Journal of Jilin University: Information Science Edition,2013,31(1):83-89.(in Chinese)

9 馬心璐,任志遠(yuǎn),王永麗.支持向量機(jī)在高光譜遙感圖像植被分類中的應(yīng)用[J].農(nóng)業(yè)系統(tǒng)科學(xué)與綜合研究,2009(2):204-207.

MA Xinlu, REN Zhiyuan, WANG Yongli. Research on hyperspectral remote sensing image classification based on SAM [J]. System Sciences and Comprehensive Studies in Agriculture,2009(2):204-207.(in Chinese)

10 FILIPPI A M, JENSEN J R. Effect of continuum removal on hyperspectral coastal vegetation classification using a fuzzy learning vector quantizer[J]. IEEE Transactions on Geoscience and Remote Sensing, 2007, 45(6): 1857-1869.

11 WANG M, ZHANG L, CHEN S, et al. The analysis about factors influencing the supervised classification accuracy for vegetation hyperspectral remote sensing imagery[C]∥2011 4th International Congress on Image and Signal Processing (CISP), 2011, 3: 1685-1689.

12 ZHANG X, SUN Y, SHANG K, et al. Crop classification based on feature band set construction and object-oriented approach using hyperspectral images[J]. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing, 2016, 9(9):4117-4128.

13 吳見,彭道黎.基于空間信息的高光譜遙感植被分類技術(shù)[J].農(nóng)業(yè)工程學(xué)報(bào),2012,28(5):150-153.

WU Jian, PENG Daoli. Vegetation classification technology of hyperspectral remote sensing based on spatial information[J]. Transactions of CSAE, 2012, 28(5): 150-153. (in Chinese)

14 CUI M, PRASAD S, BRUCE L M, et al. Robust spatial-spectral hyperspectral image classification for vegetation stress detection[C]∥2012 IEEE International Geoscience and Remote Sensing Symposium, 2012: 5486-5489.

15 SHANG K, ZHANG X, SUN Y, et al. Sophisticated vegetation classification based on feature band set using hyperspectral image[J]. Spectroscopy and Spectral Analysis, 2015, 35(6):1669-1676.

16 MURA M D, BENEDIKTSSON J A, WASKE B, et al. Morphological attribute profiles for the analysis of very high resolution images[J]. IEEE Transactions on Geoscience & Remote Sensing, 2010, 48(10):3747-3762.

17 GHAMISI P, BENEDIKTSSON J A, ULFARSSON M O. Spectral-spatial classification of hyperspectral images based on hidden Markov random fields[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(5): 2565-2574.

18 TARABALKA Y, FAUVEL M, CHANUSSOT J, et al. SVM-and MRF-based method for accurate classification of hyperspectral images[J]. IEEE Geoscience and Remote Sensing Letters, 2010, 7(4): 736-740.

19 LI J, BIOUCAS-DIAS J M, PLAZA A. Spectral-spatial hyperspectral image segmentation using subspace multinomial logistic regression and Markov random fields[J]. IEEE Transactions on Geoscience and Remote Sensing, 2012, 50(3): 809-823.

20 SONG H, WANG Y. A spectral-spatial classification of hyperspectral images based on the algebraic multigrid method and hierarchical segmentation algorithm[J]. Remote Sensing, 2016, 8(4): 296.

21 SHEN L, BAI L. Mutual boost learning for selecting Gabor features for face recognition[J]. Pattern Recognition Letters, 2006, 27(15): 1758-1767.

22 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.

23 RAJADELL O, GARCA-SEVILLA P, PLA F. Spectral-spatial pixel characterization using Gabor filters for hyperspectral image classification[J]. IEEE Geoscience and Remote Sensing Letters, 2013, 10(4): 860-864.

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

25 KOTWAL K, CHAUDHURI S. Visualization of hyperspectral images using bilateral filtering[J]. IEEE Transactions on Geoscience and Remote Sensing, 2010, 48(5): 2308-2316.

26 WANG K, HUANG R, SONG Q. Spectral-spatial hyperspectral image classification using extended multi attribute profiles and guided bilateral filter[C]∥2015 International Conference on Computer Science and Mechanical Automation (CSMA), 2015: 235-239.

27 KANG X, LI S, BENEDIKTSSON J A. Spectral-spatial hyperspectral image classification with edge-preserving filtering[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(5): 2666-2677.

28 廖建尚,王立國,郝思媛.基于雙邊濾波和空間鄰域信息的高光譜圖像分類方法[J/OL].農(nóng)業(yè)機(jī)械學(xué)報(bào),2017,48(8):140-146，211. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20170815&journal_id=jcsam.DOI：10.6041/j.issn.1000-1298.2017.08.015.

LIAO Jianshang,WANG Liguo,HAO Siyuan.Hyperspectral image classification method combined with bilateral filtering and pixel neighborhood information[J/OL].Transactions of the Chinese Society for Agricultural Machinery,2017,48(8):140-146，211.(in Chinese)

29 KANG X, LI S, BENEDIKTSSON J A. Feature extraction of hyperspectral images with image fusion and recursive filtering[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(6): 3742-3752.

30 GASTAL E S L, OLIVEIRA M M. Domain transform for edge-aware image and video processing[J].ACM Transactions on Graphics (TOG), 2011, 30(4): 69.

31 MORAN P A P. The interpretation of statistical maps[J]. Journal of the Royal Statistical Society. Series B (Methodological), 1948, 10(2): 243-251.

32 MORAN P A P. Notes on continuous stochastic phenomena[J]. Biometrika, 1950, 37(1-2): 17-23.

33 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.

34 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.

35 HE K, SUN J, TANG X. Guided image filtering[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2013， 35(6):1397-1409.