2. 武汉大学遥感信息工程学院, 湖北 武汉 430079
2. School of Remote Sensing and Information Engineering, Wuhan University, Wuhan 430079, China
1 引 言
高光谱遥感利用连续并且很窄的光谱通道对地物进行遥感成像，其成像光谱仪的光谱分辨率可达到10-2λ量级，使得遥感影像的光谱分辨率有了突破性的提高，其图谱合一和高光谱分辨率的优势保证了高光谱影像具有较其他遥感影像更强的地物识别与精细分类能力。
然而高的光谱分辨率并不会直接得到高的解译精度。一方面，由于小样本高维数的问题[1]，高光谱影像的分类受限于所谓的休斯现象，其高维数据所呈现出的“稀疏性”和空间现象正是维数灾难的具体表现[2]。随着光谱维数的增加，波段之间的高冗余度可能在数据分析的过程中产生问题[3]。另一方面，随着空间成像技术的不断发展，新型的高光谱遥感影像也具有了高空间分辨率，从而使得这类高光谱影像包含更多的细节特征，由此造成了同一地物内部的光谱变化和异质性，降低了光谱的可分性，特别是在对光谱相似的影像进行分类时，这一问题更为严重[4]。
因此，近年来学者提出了空-谱联合的高光谱影像的分类方法，认为空间特征是光谱特征的互补信息[5]。文献[6]中首次将空间分析算法用于高空间分辨率高光谱影像分类，取得了优于纯光谱方法的分类结果；文献[7]从高光谱影像的主成分中提取了差分形态序列(differential morphological profiles,DMP)，并与光谱特征一同进行分类，改善了分类结果；文献[8]提出了将空间光谱约束用于高光谱影像分类的方法，取得了较好的分类效果。虽然现有文献表明空-谱联合的方法能够有效改善高光谱影像的分类结果，但是目前可用于影像处理的空间特征有很多，如形态学特征[7, 9]，像元形状指数[10]，结构特征集[11]，小波纹理[12]和灰度共生矩阵[13]等，很难找到一个能适应所有影像的最优特征。
在这种情况下，多特征融合的分类方法应运而生。文献[5]通过总结近年来空-谱联合的高光谱影像分类方法的研究进展，给出了现在常用的两种特征融合方法：特征数据融合和复合核函数融合，并指出特征数据融合相对于复合核函数融合能够取得更高的分类精度。特征数据融合采用向量叠加(vector stacking，VS)的方式对多个特征进行融合，然后利用支持向量机(support vector machine，SVM)进行分类(VS-SVM)。虽然向量叠加是一个可行的多特征融合方法，但是它也存在一些缺点，比如加剧了数据的高维特性，并且最近有研究表明，SVM的分类精度会随着使用特征数量的变化而变化，并且有时特征的增加反而会使得分类精度明显下降[14]。因此，文献[15]针对高分辨率影像分类问题，提出一种将单一特征的SVM概率输出结果进行融合的多特征融合策略，但是该方法存在两个不足之处：①其SVM分类确定性的计算依次考虑了所有类别间概率的差值，使得确定性的意义不够明晰；②在融合的过程中没有考虑不同特征应用于待处理影像的适应性，从而使得较优特征不能充分发挥其优势，甚至会导致多个特征融合后的总体精度低于某单一特征。
基于以上的分析，本文提出了一种基于光谱-空间多特征加权概率融合的高光谱影像分类方法。根据高光谱影像的特性，从数学形态学、空间纹理和混合像元分解3个角度各选取一种代表性特征，分别与最小噪声分离方法所提取的光谱特征进行叠加，组成3组光谱-空间特征，然后利用SVM分别对每一组光谱-空间特征进行分类；利用这3个SVM分类的输出结果分别计算特征权重以及每个像元的分类确定性；最后综合特征权重、分类确定性以及SVM概率输出结果，经由最大后验概率进行最终的类别判定。本文算法具体流程如图1所示。
|
| 图 1 本文算法流程图 Fig. 1 The flowchart of Algorithm |
最小噪声分离(minimum noise fraction，MNF)是一种常用的光谱特征提取方法，本质上是含有两次叠置的主成分分析(principal component analysis，PCA)[16]：第一次变换是利用主成分中的噪声协方差矩阵分离和重新调节数据中的噪声，使变换后噪声数据的方差最小化并且波段间不相关；第二次变换是对第一次变换得到的噪声白化数据进行PCA变换。
MNF变换后各分量按照信噪比大小排列，信息主要集中在第一分量，随着分量增加，影像质量逐渐降低。有研究表明，与原始高维影像数据和PCA变换得到的特征影像相比，MNF变换得到的低维特征影像能够更加有效地提取影像中的光谱信息[17]。
2.2 多尺度形态学特征数学形态学是一种有效的影像特征提取工具，它描述了影像的局域性质。形态学的基本操作有腐蚀、膨胀、开运算和闭运算等，这些操作是通过一系列已知的形状区域，称为结构元素(structural element，SE)作用于影像。利用形态学开闭重建运算可以有效减少同质性区域内部的光谱变化，保护地物的边缘和形状结构特征。
本文以多粒度形态学算子(opening by reconstruction followed closing by reconstruction，OFC)[18]为基础建立多尺度形态学的地物特征表达方法，用于提取影像的空间信息，该方法利用了形态学算法和地物的多尺度特征的关系，具体流程如下：
2.2.1 OFC算子的建立OFC算子是形态学开重建(opening by reconstruction，OBR)和闭重建(closing by reconstruction，CBR)的混合运算，定义为
式中，
表示对影像f进行闭重建；
是对闭重建后的影像再进行开重建。
2.2.2 多尺度形态学序列的建立
由于地物的多尺度形态，不同尺度的特征对于不同大小的SE具有不同响应。文献[19]通过构造尺寸连续变化的结构元素建立多尺度形态学序列(morphological profiles，MPs)来表达地物的多尺度信息。本文中，基于OFC算子的多尺度形态学序列定义为
式中，n表示结构元素的尺寸大小。为了充分利用多尺度的形态学特征，文献[21]在 MPs 基础上，发展了一种新的形态学算子，称为多尺度差分形态学序列 (differential morphological profiles，DMP)[20]基于OFC算子的多尺度差分形态学序列定义为
基于OFC算子建立的多尺度形态学序列特征能够在平滑图像中，使小于结构体的明暗细节信息的同时保持总体特征稳定，从而减少同质性区域内部的光谱变化[18]，进而提高识别的精度。
2.3 纹理特征高光谱影像不仅含有丰富的光谱和空间信息，同样也含有丰富的纹理信息。纹理信息表现为影像灰度空间中变化和重复出现的局部模式及其排列规则。灰度共生矩阵(graylevel co-occurrence matrix，GLCM)[13]是目前应用最广泛的一种纹理统计分析方法，它描述了影像灰度空间中像元点对之间的相关性和空间结构特性，被证实可以有效地改善影像的分类结果[21]。灰度共生矩阵的纹理公式可以表示为fGLCM(b,m,w,d)，这些参数在本文中定义如下。
(1) 基础影像b： 将高光谱影像的MNF特征影像作为纹理特征提取的基础影像。
(2) 纹理测度m：文献[13]定义了 14 种纹理统计度量指标，本文中使用到的有以下几种描述。
均值(Mean)：反映纹理的规则程度，即
同质度(Homogeneity)：反映影像局部灰度均匀性的度量，即
角二阶矩(Angular second moment)：反映图像灰度分布均匀程度和纹理粗细度，即
熵(entropy)：反映图像空间的复杂性和混乱程度，即
相关性(correlation):反映某种灰度值沿某方向的延伸程度，若延伸越长，则相关性越大，它是灰度线性关系的度量，即
式中
不相似性(dissimilarity)：反映灰度级变化程度或相邻像元之间平均灰度值的差异程度，即
式中，(i,j)是灰度共生矩阵中的行列号所组成的位置坐标；p(i,j)表示灰度共生矩阵中(i,j)位置的对应值。
(3) 窗口大小w：由于地物的多尺度特性，使用单一的窗口尺寸并不合理。因此在本文中，通过试验选取一系列不同的窗口大小来提取GLCM的纹理特征。
(4) 方向d：设为 0、45 、90 和 135,通过这4个方向的叠加来消除方向影响。
2.4 端元组分特征高光谱影像中存在大量的混合像元，对于混合像元如果采用硬分类技术，就会丢失大量信息。如果采用混合像元分解的方法，则可以将像元中每个地物类别相应的百分比表示出来，进而得到与类别个数相等的丰度图像。端元(end member，EM)是与混合像元相对的一个物理量，它是描述线性混合模型的主要参数,代表了影像中光谱相对固定的特征地物，通过端元提取可以获取影像更加精细的基本信息。
本文采用连续最大角凸锥(sequential maximum angle convex cone，SMACC)[22]方法从影像中提取端元波谱和丰度图像来组成端元组分特征。SMACC是一种基于凸锥模型的方法，借助约束条件识别图像端元波谱。先采用极点来确定凸锥，并将此作为第一个端元波谱，然后应用约束条件的斜投影生成下一个端元波谱，继续增加锥体生成新的端元波谱直至满足指定的端元波谱类别。SMACC方法采用的数学公式为
式中，H表示波谱端元；c和i分别为波段索引和像元索引；k,j表示从1到最大端元N的索引；R包含端元波谱的矩阵；A为包含每个像元中端元j对端元k的丰度矩阵。
3 特征融合 3.1 概率输出SVM分类的结果包含两部分，一部分为由像元类别预测标签组成的分类结果图，另一部分为每个像元隶属于不同类别的概率输出结果。假设有K个地物类别，分类将得到K个概率输出结果图，每个概率图都具备将该类别与其他类别区分开的能力。像元x属于第k类的概率Pk(x)可以通过式(12)计算得到
式中，dk(x)为像元x到第k个分类超平面的距离，参数Ik和Bk经由式(13)的最小化过程优化得到 式中，
,yx为像元x的类别标签。
SVM概率输出结果可以反映SVM分类确定性。针对文献[16]中分类确定性计算意义不够明确的问题，本文调整了SVM分类确定性的具体计算公式为
式中，pdec(x)为p(x)的降序排列结果。像元的分类确定性反映了SVM在分类过程中对某一像元进行类别判定的确定程度，S(x)越大，表明对于像元x的SVM分类结果越可信。 3.2 特征权重
由于同一特征对不同影像具有不同的适应性，很难找到一个能适应所有影像的最优特征，因此，本文采用多特征融合的方法以提高影像分类精度。而在融合的过程中，对于表现不同的特征采用同一权重显然是不合理的。为此，本文对不同特征进行加权处理，以提高较优特征在融合过程中的权重，同时降低较劣特征对于融合决策的影响。
在没有先验值的情况下，分类正确率可作为特征优劣性评价的一个客观指标，用于特征权重的构建。通过SVM预测的类别标签可以计算出每个特征对各个类别的分类正确率，用Afk表示特征f第k类的分类正确率，那么特征f的第k类权重值可以通过式(15)计算得到
式中，τ为0到1之间的常量；Amaxk和Amink分别表示F个特征对应第k类分类正确率的最大值和最小值。 3.3 融合模型建立
常规的向量叠加方法采用纵向叠加的方式将特征数据融合在一起，在空间特征提取的过程中，由于尺度窗口等参数较多，随着空间特征数的增加，空间特征可能会在特征空间中占据主导地位，在一定程度上淹没光谱特征，从而导致识别的误差。为了避免这种失衡情况，本文提出一种多特征加权概率融合模型，其中“权”表示特征权重，“概率”表示每个特征的SVM概率输出结果。该模型将每一种空间特征分别和光谱特征叠加，采用横向融合的策略，综合每一组光谱-空间特征的SVM输出结果进行最终的类别判定。模型的具体建立步骤如下。
(1) 对每一组光谱-空间特征分别利用SVM进行分类，得到SVM概率输出结果和类别标签预测结果。
(2) 利用SVM概率输出结果通过式(14)计算SVM对每个像元的分类确定性。
(3) 如果对于特征权重已有先验值，则直接带入式(16)；否则，利用公式(15)计算每组特征的融合权重。
(4) 综合不同特征的概率输出结果Pfk(x)和相应的分类确定性Sf(x)以及特征权重Wfk，通过最大后验概率来判别最终的分类输出结果为 4 试验与讨论 4.1 试验数据
为验证本文的方法，选取了两幅经典的真实高光谱影像数据进行试验：Pavia University影像和Indian Pines影像。
Pavia University影像来源于ROSIS传感器，共有103个光谱波段，610像素×340像素，波段范围涵盖可见光和近红外频道(0.43-0.86μm)，空间分辨率为1.3 m。图2(a)为Pavia University试验区域的RGB影像(合成波段：90、60和40)，图2(b)为经过实地调研得到的地面参考数据。
|
| 图 2 试验数据 Fig. 2 Experiment data sets |
Indian Pines影像的空间分辨率和地物类型明显区别于Pavia university，该影像来源于AVIRIS，反映的是Indiana西北部农业种植区状况，共有224个光谱波段，145像素×145像素，波段范围为0.4-2.5 μm，空间分辨率为20 m。移除原始数据中被水吸收的104-108波段、150-163波段及220波段，将剩下的200个波段作为基础影像进行分类试验。该试验区域的RGB影像图(合成波段：47、24和14)如图2(c)所示；地面参考数据2(d)所示，Indian Pines试验区域内16种地物的光谱反射特性十分相近，由此导致该地区影像的分类困难。
鉴于高光谱影像分类中普遍存在的小样本高维数问题，在本文的试验中只选用少量的样本进行训练学习，以验证本文所提出的方法在小样本高维数间的平衡能力。试验中选用的训练样本和测试样本的数量如表1、表2所示。
| Class | Sample | Raw | MNF | MNF-EM | MNF-GLCM | MNF-DMP | VS-SVM | P-fusion | Proposed | |
| Train | Test | 103D | 6D | 10D | 78D | 30D | 106D | - | - | |
| Asphalt | 310 | 6206 | 81.99 | 84.86 | 86.79 | 87.35 | 87.65 | 94.64 | 91.27 | 97.01 |
| Meadows | 806 | 16123 | 94.22 | 84.50 | 96.38 | 98.33 | 98.46 | 99.77 | 99.88 | 99.89 |
| Gravel | 94 | 1880 | 68.11 | 74.32 | 66.99 | 78.14 | 71.80 | 89.79 | 90.27 | 91.79 |
| Trees | 146 | 2933 | 79.92 | 75.06 | 78.75 | 96.16 | 97.93 | 98.63 | 98.98 | 99.00 |
| Metal | 67 | 1345 | 97.94 | 99.55 | 100.00 | 99.70 | 99.63 | 99.85 | 100.00 | 100.00 |
| Bare Soil | 251 | 5029 | 65.43 | 78.58 | 79.90 | 91.86 | 89.01 | 94.53 | 94.65 | 97.93 |
| Bitumen | 66 | 1330 | 67.85 | 82.72 | 82.62 | 86.31 | 80.00 | 97.94 | 88.74 | 86.38 |
| Bricks | 184 | 3682 | 67.79 | 78.90 | 73.45 | 89.53 | 83.41 | 92.29 | 95.16 | 93.39 |
| Shadow | 47 | 947 | 100.00 | 100.00 | 99.89 | 100.00 | 99.78 | 100.00 | 100.00 | 100.00 |
| Overall accuracy/(%) | Total | 81.67 | 83.12 | 87.03 | 93.46 | 92.10 | 96.92 | 96.51 | 97.65 | |
| Kappa | 1971 | 39475 | 76.76 | 77.89 | 83.44 | 91.55 | 89.81 | 96.02 | 95.49 | 96.97 |
| Class | Sample | Raw | MNF | MNF-EM | MNF-GLCM | MNF-DMP | VS-SVM | P-fusion | Proposed | |
| Train | Test | 200D | 10D | 14D | 130D | 70D | 194D | - | - | |
| Alfalfa | 27 | 54 | 82.93 | 68.85 | 82.35 | 92.00 | 100.00 | 100.00 | 100.00 | 100.00 |
| Corn-notill | 50 | 1434 | 60.66 | 73.99 | 71.53 | 85.60 | 95.39 | 94.13 | 95.64 | 97.60 |
| Corn-min | 50 | 834 | 41.07 | 53.99 | 55.18 | 64.65 | 98.49 | 91.61 | 92.12 | 98.25 |
| Corn | 50 | 234 | 31.82 | 55.76 | 57.63 | 72.92 | 93.50 | 82.87 | 81.56 | 85.24 |
| Grass/pasture | 50 | 497 | 59.13 | 80.39 | 85.63 | 97.79 | 89.20 | 96.73 | 96.38 | 97.90 |
| Grass/trees | 50 | 747 | 88.29 | 96.30 | 95.77 | 97.85 | 99.59 | 99.73 | 99.32 | 99.73 |
| Grass- mowed | 13 | 26 | 96.30 | 100.00 | 100.00 | 100.00 | 100.00 | 100.00 | 100.00 | 100.00 |
| Hay-windrowed | 50 | 489 | 97.10 | 99.35 | 99.36 | 100.00 | 100.00 | 100.00 | 100.00 | 100.00 |
| Oats | 10 | 20 | 63.64 | 100.00 | 100.00 | 100.00 | 100.00 | 100.00 | 100.00 | 100.00 |
| Soybeans-notill | 50 | 968 | 61.32 | 61.83 | 61.73 | 82.30 | 86.62 | 88.94 | 91.77 | 87.26 |
| Soybeans-min | 50 | 2468 | 78.29 | 83.24 | 83.21 | 94.48 | 96.74 | 97.46 | 97.36 | 97.34 |
| Soybeans-clean | 50 | 614 | 45.29 | 56.86 | 59.80 | 92.09 | 96.66 | 97.96 | 96.74 | 97.31 |
| Wheat | 50 | 212 | 88.44 | 97.14 | 96.68 | 96.68 | 100.00 | 99.51 | 100.00 | 100.00 |
| Woods | 50 | 1294 | 89.99 | 93.34 | 93.47 | 99.76 | 100.00 | 100.00 | 100.00 | 99.84 |
| Bldg-grass-drives | 50 | 380 | 56.28 | 70.36 | 76.34 | 86.94 | 95.78 | 94.84 | 98.22 | 93.92 |
| Stone-steel-Towers | 50 | 95 | 98.89 | 95.70 | 93.75 | 97.89 | 97.89 | 97.89 | 97.89 | 97.89 |
| Overall accuracy/(%) | Total | 66.51 | 75.82 | 76.55 | 89.01 | 95.99 | 95.78 | 96.34 | 96.62 | |
| Kappa | 700 | 10366 | 62.50 | 72.92 | 73.73 | 87.59 | 95.43 | 95.21 | 95.83 | 96.16 |
试验采用MNF变换将原始103维高光谱降至6维。通过提取高度不透水层、低亮度不透水层、土壤和植被4类端元组成影像的端元特征。以均值、角二阶矩、熵和不相似性4种纹理测度，分别采用3×3、7×7、11×11等3种窗口大小对影像的纹理特征进行提取。基于圆盘形的结构元素SE建立DMP，设置形态学运算结构元素尺寸变化序列为SE=[2,4,6,8]。特征权重的计算中参数τ取值为0.4。
图3显示了Pavia University影像的6组试验的结果。图3(a)、(b)分别为原始103维高光谱影像和降至6维的MNF影像的SVM分类结果；图3(c)、(d)、(e)分别为融入了端元、纹理和多尺度形态学特征后的SVM分类结果；图3(f)是采用向量叠加的方法，将光谱特征和3种空间特征叠加构成一个特征向量，然后利用SVM进行分类的结果;图3(g)是利用文献[15]提出的概率融合方法得到的分类结果；图3(h)为利用本文的方法得到的分类结果图。从图3可以看出，纯光谱特征的分类对噪声非常敏感，分类结果中有很多斑点，导致被分区域不够完整。MNF-DMPOFC这组特征能很好地保护同质区域的完整性，具有很强的抗噪能力，可以取得较好的目视效果。但是该方法虽然采用了不同大小的结构元素来表征地物的多尺度特性，但还是不可避免地模糊了影像的一些细节信息。MNF-EM、MNF- GLCM这两组特征虽然仍对噪声比较敏感，但是对于一些细节信息却能有很好的体现。可见，每组光谱-空间特征都有其优势和不足，融合这3组空间-光谱特征能够综合它们各自的优势，弥补利用单一特征进行分类的不足，取得优于单一特征的分类结果。
|
| 图 3 Pavia University影像分类结果 Fig. 3 Classification map obtained by different methods for Pavia University |
图3对应的分类精度见表1，从表1中可以看出，空间特征的加入可以明显提高分类精度。这是由于单纯利用光谱特征分类存在“同物异谱，异物同谱”的问题，加入空间特征增加了光谱特征的空间约束，融入多个空间特征，提高了空间约束，改善了分类结果。表1同时也给出了参与分类的特征维数，虽然利用向量叠加的方法对多个特征进行融合也取得了较高的分类精度，但是随着加入的特征数增加，直接叠加的方式会使得数据的维数不断升高，甚至超过了原数据的维数，从而加剧了数据的高维特性。本文提出的方法是对多组空间-光谱特征的分类结果进行加权概率融合进而得到最终的分类结果，因而特征数的增加并不会造成维数上的负担，并且能够为最终的分类提供更多的决策信息。利用本文提出的方法进行分类的总体精度为97.65%，与向量叠加和文献[15]提出的概率融合方法相比，总体精度分别提高了0.73%和1.14%，从而证明了本文提出的高光谱影像分类方法是合理可行的。虽然只用了少量的训练样本，本文提出的方法仍然取得了非常好的分类结果，这表明该方法可以很好解决小样本高维数问题。
4.2.2 Indian Pines影像根据Indian Pines影像的特点，试验中具体参数设置如下：采用MNF变换将原始影像降至10维；提取4类端元，组成影像的端元组分特征；以均值、同质性、不相似性和相关性这4种纹理测度，采用7×7、9×9、11×11等3种窗口大小对影像的纹理特征进行提取；同样采用圆盘形的结构元素SE建立DMP，设置形态学运算结构元素尺寸变化序列为SE=[2,4,6,8,10,12]；特征权重的计算中参数τ取值为0.075。
Indian Pines影像分类的结果如图4所示。图4(a)、(b)分别为利用SVM对Indian Pines影像200个波段和降至10维的MNF特征影像进行分类的结果；图4(c)、(d)、(e)分别为融入了端元、纹理和多尺度形态学特征后的SVM分类结果；图4(f)是采用矢量叠加的方法融合光谱特征和EM、GLMC、DMPOFC 3类空间特征后利用SVM进行分类结果；图4(g)是利用文献[15]提出的概率融合方法得到的分类结果；图4(h)是利用本文提出的方法进行分类的结果。从分类结果可以看出，对于空间分辨率较低的高光谱影像，合适空间特征的加入也能使得光谱特性相似的类别具有很高的区分度。
|
| 图 4 Indian Pines影像的分类结果 Fig. 4 Classification map obtained by different methods for Indian Pines |
表2给出了对应的分类精度，从表2中可以看出，在3组光谱-空间特征中，MNF-DMPOFC取得了较高的分类精度，然而在对Pavia University影像的分类试验中，MNF-GLCM取得了最高的精度，这表明不同影像对于不同特征具有不同的适应性。虽然在Pavia的试验中向量叠加方法取得了较好的分类结果，但是在Indian Pines分类试验中，向量叠加的分类方法在高维合成多特征空间中出现了一些问题，叠加后的分类总体精度甚至稍低于MNF-DMPOFC。利用本文所提出的加权概率融合的方法综合了每种特征的权重，在融合过程中对于多个特征的每个类别均进行了优化选择，从而保证了多特征融合的优势。
为了进一步说明本文方法的有效性，采用遥感图像分类中常用的McNemar检验[23]进行统计显著性分析，该方法基于标准正态检验公式，即
式中，fab表示分类算法a正确分类而且分类算法b错误分类的像元数量；fba表示分类算法b正确分类而且分类算法a错误分类的像元数量。本文方法和其他对比方法的McNemar显著性检验结果见表3。
| 方法 | Pavia University影像 | Indian Pines影像 | ||
| VS-SVM | P-fusion | VS-SVM | P-fusion | |
| Proposed | 13.54 | 21.91 | 12.09 | 2.28 |
在高光谱遥感图像分类中，一般采用5%的显著性门限作为标准进行判断。对于5%的显著性水平，当|Mcab|1.96时，表明这两种算法的分类精度差异具有统计显著性，而当Mcab＞0时，表明a方法的分类精度优于b方法。从表中可以看出，本文的方法和其他两种对比方法的显著性检验结果大于零，并且高于1.96的标准值，从而表明本文的方法相比较于传统方法具有显著的统计学意义。
5 结 论本文在对现有空-谱联合的高光谱影像分类方法分析的基础上，针对传统方法的不足提出了一种光谱-空间多特征加权概率融合的高光谱影像分类方法，分别采用城市地区高分辨率高光谱ROSIS影像及农业种植区高光谱AVIRIS影像对其进行验证。试验结果表明：①与纯光谱方法相比，本文提出的分类方法具有很强的抗噪声能力，保护了同质区域的完整性和地物的形状结构特征；②与融合单一空间特征的方法相比，本文提出的多特征融合方法提高的空间约束，能够更好地解决高光谱影像分类中的一些经典问题，例如小样本高维数问题；③与向量叠加和文献[15]提出的多特征融合分类方法相比，本文提出的多特征加权概率融合的分类方法根据多个特征对应不同影像的适应性赋予不同权重，从而充分利用了每一组光谱-空间特征，有效提高了分类的精度。
虽然本文提出的高光谱影像分类方法取得了较好的分类结果，但空间特征提取过程中尺度和测度等参数的选取需要人工不断调整以取得最好的结果，如何根据影像特点自动获取最优参数，还需要进一步的研究。此外，本文所做的工作都是基于像元级的，引入面向对象的方法，实现对象级的多特征概率融合也是本研究的后续工作。
| [1] | BRUZZONEL, CARLIN L. A Multilevel Context-based System for Classification of Very High Spatial Resolution Images [J]. IEEE Transactions on Geoscience and Remote Sensing, 2006, 44(9):2587-2600. |
| [2] | SHI Beiqi, LIU Chun, SUN Weiwei, et al. Sparse Nonnegative Matrix Factorization for Hyperspectral Optimal Band Selection[J]. Acta Geodaetica et Cartographica Sinica, 2013, 42(3): 351-357. (施蓓琦, 刘春, 孙伟伟, 等. 应用稀疏非负矩阵分解聚类实现高光谱影像波段的优化选择[J]. 测绘学报, 2013, 42(3): 351-357.) |
| [3] | PRASAD S, MANN BRUCE L. Decision Fusion with Confidence-based Weight Assignment for Hyperspectral Target Recognition [J]. IEEE Transactions on Geoscience and Remote Sensing, 2008, 46(5): 1448-1456. |
| [4] | HUANG Xin, ZHANG Liangpei, LI Pingxiang. An Adaptive Multiscale Information Fusion Approach for Feature Extraction and Classification of IKONOS Multispectral Imagery over Urban Areas [J]. IEEE Geoscience and Remote Sensing Letters,2007, 4(4): 654-658. |
| [5] | FAUVEL M, TARABKA Y, BENEDIKTSSON J A, etal. Advances in Spectral-spatial Classification of Hyperspectral Images [J]. Proceedings of the IEEE, 2013, 101(3): 652-675. |
| [6] | DELL’ACQUA F, GAMBA P, FERARI A, et al. Exploiting Spectral and Spatial Information in Hyperspectral Urban Data with High Resolution[J]. IEEE Geoscience and Remote Sensing Letters, 2004, 1(4): 322-326. |
| [7] | AYTEKIN O, MURA M D, ULUSOY I, et al. Classification of Hyperspectral Images Based on Weighted DMPS [C]//IEEE International Geoscience and Remote Sensing Symposium.Munich: IEEE, 2012: 4154-4157. |
| [8] | JI Rongrong, GAO Yue, HONG Richang, et al. Spectral-spatial Constraint Hyperspectral Image Classification [J]. IEEE Transactions on Geoscience and Remote Sensing, 2014, 55(3): 1811-1824. |
| [9] | FAUVEL M, BENEDIKTSSON J A, CHANUSSOT J, et al. Spectral and Spatial Classification of Hyperspectral Data Using SVMs and Morphological Profiles[J]. IEEE Transactions on Geoscience and Remote Sensing, 2008, 46(11): 3804-3814. |
| [10] | ZHANG Liangpei, HUANG Xin, HUANG Bo, et al. A Pixel Shape Index Coupled with Spectral Information for Classification of High Spatial Resolution Remotely Sensed Imagery [J]. IEEE Transactions on Geoscience and Remote Sensing, 2006, 44(10): 2950-2961. |
| [11] | HUANG Xin, ZHANG Liangpei, LI Pingxiang. Classification and Extraction of Spatial Features in Urban Areas Using High-resolution Multispectral Imagery [J]. IEEE Geoscience and Remote Sensing Letters, 2007, 4(2): 260-264. |
| [12] | HUANG X, ZHANG L, LI P. A Multiscale Feature Fusion Approach for Classification of Very High Resolution Satellite Imagery Based on Wavelet Transform [J]. International Journal of Remote Sensing, 2008, 29(20): 5923-5941. |
| [13] | HARALICKRM,SHANMUGAMK,DINSTEINI.Textural Features for Image Classification [J]. IEEE Transactions on Systems, Man and Cybernetics,1973, SMC-3(6): 610-621. |
| [14] | PALM, FOODY G M. Feature Selection for Classification of Hyperspectral Data by SVM[J]. IEEE Transactions on Geoscience and Remote Sensing, 2010, 48(5):2297-2307. |
| [15] | HUANG Xin, ZHANG Liangpei. An SVM Ensemble Approach Combining Spectral, Structural, and Semantic Features for the Classification of High-Resolution Remotely Sensed Imagery[J]. IEEE Transactions on Geoscience and Remote Sensing, 2013, 51(1): 257-272. |
| [16] | GREEN AA, BERMAN M, SWITZER P, et al. A Transformation for Ordering Multispectral Data in Terms of Image Quality with Implications for Noise Removal [J]. IEEE Transactionson Geoscience and Remote Sensing, 1988, 26(1): 65-74. |
| [17] | ZHANG Liangpei,HUANG Xin. Object-oriented Subspace Analysis for Airborne Hyperspectral Remote Sensing Imagery [J]. Neurocomputing, 2010, 73(4-6): 927-936. |
| [18] | HU Rongming, HUANG Xiaobing, HUANG Yuancheng. An Enhanced Morphological Building Index for Building Extraction from High-resolution Images[J]. Acta Geodaetica et Cartographica Sinica, 2014, 43(5): 514-520. (胡荣明, 黄小兵, 黄远程.增强形态学建筑物指数应用于高分辨率遥感影像中建筑物提取[J].测绘学报, 2014, 43(5): 514-520.) |
| [19] | PESARESI M, BENEDIKTSSON J A. A New Approach for the Morphological Segmentation of High-resolution Satellite Imagery [J]. IEEE Transactions on Geoscience and Remote Sensing, 2001, 39(2): 309-320. |
| [20] | BENEDIKTSSON J A, PALMASON J A, SVEINSSON J R. Classification of Hyperspectral Data from Urban Areas Based on Extended Morphological Profiles [J]. IEEE Transactions on Geoscience and Remote Sensing, 2005, 43(3): 480-491. |
| [21] | OUMA Y O, TETUKO J, TATEISHI R. Analysis of Co-occurrence and Discrete Wavelet Transform Textures for Differentiation of Forest and Non-forest Vegetation in Very-high-resolution Optical-sensor Imagery [J]. International Journal of Remote Sensing,2008, 29(12): 3471-3456. |
| [22] | GRUNINGER J, RATKOWSKI A J, HOKEM L. The Sequential Maximum Angle Convex Cone (SMACC) Endmember Model [C]//Proceedings of SPIE5425.Orlando, FL: SPIE,2004: 1-14. |
| [23] | FOODY U M. Thematic Map Comparison: Evaluating the Statistical Significance of Differences in Classification Accuracy[J]. Photogrammetric Engineering & Remote Sensing,2004, 70(5): 627-633. |