任智偉 吳玲達

?

基于本征圖像分解的高光譜圖像空譜聯(lián)合分類

任智偉1吳玲達2

（1 酒泉衛(wèi)星發(fā)射中心，酒泉 732750） （2 航天工程大學，北京 101416）

高光譜圖像分類是許多應(yīng)用的第一步，也是極其重要的一步。針對目前分類方法存在誤分現(xiàn)象，尤其是在地物邊緣附近區(qū)域，以及現(xiàn)有空譜聯(lián)合分類方法計算復雜度高的問題，提出一種基于本征圖像分解以及導向濾波的高光譜圖像空譜聯(lián)合分類方法：利用AP聚類進行波段選擇，提高計算效率；利用基于局部稀疏約束的本征圖像分解方法進行高光譜本征圖像分解，獲取反射率本征圖；利用導向濾波器對初始分類結(jié)果進行優(yōu)化。實驗結(jié)果表明：文章提出的空譜聯(lián)合分類方法在分類精度與計算時間方面優(yōu)勢明顯。

光譜學 高光譜圖像 本征圖像分解 局部稀疏約束 空譜聯(lián)合 導向濾波 遙感技術(shù)應(yīng)用

0 引言

高光譜遙感圖像能夠提供豐富的空間、光譜以及輻射信息，成為遙感領(lǐng)域的研究熱點。由于高光譜遙感圖像具有光譜分辨率高、光譜連續(xù)以及圖譜合一等特點，使得高光譜遙感在環(huán)境監(jiān)測、氣象預測[1]、地質(zhì)勘探[2]、林業(yè)監(jiān)測、海洋監(jiān)測[3]以及軍事國防[4-5]等諸多領(lǐng)域得到廣泛應(yīng)用。而高光譜圖像分類是眾多應(yīng)用的基礎(chǔ)處理操作。

與傳統(tǒng)的分類方法相比，空譜聯(lián)合的高光譜圖像分類因其兼顧空間維與光譜維特性，能夠提供更高的分類精度，受到廣泛關(guān)注。傳統(tǒng)的高光譜圖像分類方法僅使用地物的光譜特征而沒有考慮空間信息。近幾年的研究表明[6]：引入地物空間信息的分類圖，能夠獲得較好的空間連續(xù)性，而且分類精度較高，有效地避免了“同物異譜”及“同譜異物”這類識別問題的發(fā)生?；凇翱兆V聯(lián)合”的高光譜圖像分類方法主要有基于圖像分割、基于馬爾科夫隨機場以及基于稀疏表示等三種[7-10]?？沼蛐畔⒌囊腚m然能夠提高分類精度，但是極大地增加了計算成本。

因此，本文提出一種基于本征圖像分解的高光譜圖像空譜聯(lián)合分類方法，將本征圖像分解技術(shù)引入到高光譜分類處理中，在引入空間信息的同時降低計算成本，能夠取得更好的分類效果。首先采用波段選擇對原始高光譜數(shù)據(jù)進行降維，減少數(shù)據(jù)量和計算成本；在此基礎(chǔ)上采用本征圖像分解方法獲取高光譜反射率本征圖；對反射率本征圖進行初始分類后，進行導向濾波得到最終分類結(jié)果。本文提出的高光譜圖像分類方法利用了高光譜圖像的光譜信息，又在本征圖像分解時利用了上下文信息以及在導向濾波時利用了空間紋理信息，是一種空譜聯(lián)合的高光譜圖像分類方法。

1 高光譜圖像空譜聯(lián)合分類方法

不同的分類方法在每種地物區(qū)域內(nèi)均存在誤分現(xiàn)象，尤其是靠近地物區(qū)域邊緣的像元。同時基于本征圖像分解的高光譜圖像分類計算成本高，計算時間過長，不符合實際應(yīng)用要求。

為解決上述問題，提高圖像分類的計算效率，本文提出的基于本征圖像分解及導向濾波的高光譜圖像空譜聯(lián)合分類方法，利用基于AP聚類的波段選擇方法進行波段選擇得到波段子集，在波段子集上進一步處理，極大地減少了計算時間；應(yīng)用基于局部稀疏約束的高光譜圖像本征分解方法對波段子集進行本征圖像分解，得到反射率本征圖；然后利用SVM分類器對反射率本征圖進行分類處理，得到初始地物分類圖；將波段子集融合為三個波段作為導向濾波器的引導圖對初始地物分類結(jié)果進行濾波，得到最終的地物分類結(jié)果[11]。該方法中導向濾波器采用的是文獻[12]中提出的一種邊緣保持濾波技術(shù)，波段融合采用的是基于平均的融合方法。

基于本征圖像分解的高光譜圖像空譜聯(lián)合分類方法的流程設(shè)計如圖1所示。

圖1 本文方法流程

1.1 波段選擇

波段選擇是高光譜圖像降維方法的一種，區(qū)別于光譜特征提取，波段選擇不改變原始數(shù)據(jù)與信息特性。本文采用基于近鄰傳播聚類的高光譜圖像波段選擇方法[13]。

近鄰傳播聚類（Affinity Propagation Clustering，AP）是2007年Fray等人提出一種聚類方法[14]。與傳統(tǒng)聚類方法相比，AP法不需要人為確定聚類類數(shù)和初始聚類中心，算法比較穩(wěn)定，已經(jīng)成功的應(yīng)用于圖像分割、目標識別等領(lǐng)域[15]。

AP聚類的基本原理為：假設(shè)數(shù)據(jù)集中包含個樣本，通過每兩個樣本之間的相似度計算吸引度和歸屬度，結(jié)合吸引度和歸屬度兩方面信息找到最優(yōu)的類代表點集合，最終使得所有數(shù)據(jù)點到其最近的類代表點的相似度之和最大。

為使AP算法能夠適用于高光譜圖像處理，采用光譜信息散度—光譜梯度角作為相似度矩陣的計算方法。與單一的度量方法相比，光譜信息散度與光譜梯度角相結(jié)合的相似度度量方法兼顧光譜曲線整體與細節(jié)之間的相似性，效果更好。

光譜信息散度（Spectral information divergence，SID）由C. I. Chang等人提出，該方法將光譜相似性的計算轉(zhuǎn)化為兩個光譜向量之間信息冗余度的計算，將每個光譜向量看作信息源[16-17]。光譜梯度角（Spectral gradient angle，SGA）是從光譜角測度（Spectral angle metric，SAM）方法發(fā)展而來的。在SAM方法的基礎(chǔ)上，SGA方法將輸入改為兩個光譜曲線S和S的梯度。相對于SAM方法，SGA法對光譜畸變的魯棒性更強，對光譜曲線局部特征差異更加敏感[18]。本文采用的SID-SGA光譜相似性計算方法[19]定義為：

1.2 高光譜圖像本征分解

由于受到傳感器狀態(tài)、成像機理、氣候、光照等條件影響，高光譜遙感圖像存在嚴重的畸變和失真，存在“同譜異物”和“同物異譜”現(xiàn)象。這對高光譜圖像分類產(chǎn)生了極大的干擾。

本征圖像分解是一種在計算機視覺與計算機圖形學領(lǐng)域應(yīng)用廣泛的圖像處理技術(shù)。通過原圖求解未知的亮度和反射率本征圖，經(jīng)常被用來得到圖像的本質(zhì)特征，繼而對圖像進行更準確的描述。高光譜圖像處理往往是依據(jù)不同地物之間反射率的差異進行的，因此，通過高光譜本征圖像分解得到純凈的反射率本征圖，繼而進行處理，將得到更好的處理結(jié)果。

在1.1節(jié)波段選擇的基礎(chǔ)上，采用基于局部稀疏約束的的高光譜本征圖像分解方法，對高光譜反射率本征圖進行求解。此方法基于的假設(shè)是：具有相近色度的鄰域像素具有相近的反射率[20]。此假設(shè)屬于局部的稀疏約束，在真彩色圖像本征分解中取得了較好的結(jié)果。因高光譜遙感圖像數(shù)據(jù)量大，且存在“同物異譜”與“同譜異物”現(xiàn)象，因此，局部稀疏表示比全局稀疏表示更加適用于高光譜遙感圖像的本征分解。

基于上述假設(shè)，本文在研究中對每個像素點在鄰域內(nèi)構(gòu)造反射率稀疏表示（如式（2）），并通過最小化成本函數(shù)（式（3））對每個像素點的反射率值進行求解。

2 實驗結(jié)果與分析

對Indian Pines及Pavia University兩個數(shù)據(jù)集進行分類實驗，統(tǒng)計并分析各方法的分類精度及分類時間。實驗在Intel（R）Core（TM）i7-6500U的CPU和8 192MB的RAM硬件平臺上用Matlab R2016b進行。

2.1 Indian Pines數(shù)據(jù)集實驗

實驗數(shù)據(jù)采用由機載成像光譜儀AVIRIS在美國印第安納州西北部某農(nóng)林混合實驗場采集得到的Indian Pines數(shù)據(jù)集。圖像空間分辨率為25m，圖像大小為145像素×145像素。原始數(shù)據(jù)具有224個光譜波段，波長范圍0.4~2.5μm。最后保留了信噪比較高、像質(zhì)較好的200個波段的圖像，包含了16個地物類別。Indian Pines數(shù)據(jù)集灰度圖像及地物真實標記如圖2所示。Indian Pines數(shù)據(jù)集地物類別及各類地物樣本數(shù)見表1。

圖2 Indian Pines數(shù)據(jù)集灰度圖及地物真實標記

表1 IndianPines數(shù)據(jù)集各類地物像素點個數(shù)

Tab.1 Number of Pixels of Various Features in Indian Pines Dataset

注：總樣本數(shù)為10 249。

實驗中，選擇波段數(shù)為10的波段子集，導向濾波器平滑窗口半徑以及平滑參數(shù)經(jīng)多次實驗后分別設(shè)置為4和0.000 1。經(jīng)過第一步波段選擇，選出的波段子集為{7、15、26、53、99、114、135、165、176、195}。圖3兩圖分別為經(jīng)過本征圖像分解后，波段子集的反射率本征圖和亮度本征圖的灰度圖像。從圖中可以看出，反射率本征圖比較清晰，亮度本征圖較為斑駁。

圖3 Indian Pines數(shù)據(jù)集反射分量和亮度分量灰度圖

采用AP-SVM、IID-SVM、SVM-GF、3D-SVM、3D-CNNs及本文方法進行對比實驗。其中AP-SVM表示波段選擇后進行SVM分類的分類方法；IID-SVM表示上節(jié)提到的本征圖像分解后進行SVM分類的分類方法；SVM-GF表示先進行SVM分類，后對初始分類圖進行導向濾波，與本文方法相比，缺少本征圖像分解步驟；3D-SVM是一種空譜特征聯(lián)合的基于RBF核函數(shù)的支持向量機，該方法分類效果較好且計算效率較高，被廣泛使用；3D-CNNs是一種基于卷積神經(jīng)網(wǎng)絡(luò)的高光譜空譜聯(lián)合方法，該方法將圖像空間特征與光譜特征拼接，取得了很高的分類精度[21]，卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)設(shè)計與原文作者一致。

實驗選擇10%的樣本作為訓練集，其余90%的樣本作為測試集。采用總體分類精度、平均分類精度及Kappa系數(shù)針對各分類結(jié)果進行評價。其中總體分類精度（Overall accuracy，OA）表示實驗分類結(jié)果與地面參考數(shù)據(jù)分類結(jié)果一致的概率，OA值越高，說明分類精度越高；平均分類精度（Average accuracy，AA）表示每一類中的分類正確百分比的均值，AA值越高，說明分類精度越高；Kappa系數(shù)代表分類與完全隨機的分類產(chǎn)生錯誤減少的比例，能夠在估計分類精度時考慮不確定性對結(jié)果的影響，常被用于檢驗分類一致性問題，Kappa系數(shù)越接近1，說明分類結(jié)果越一致。表2為各方法分類精度評價對比結(jié)果。

表2 各方法分類精度評價結(jié)果對比

Tab.2 Evaluation indices of the classification accuracy of each method

注：分類器訓練樣本集規(guī)模為10%。

由表2的評價結(jié)果可以看出：

1）在分類精度方面，經(jīng)過本征圖像分解的分類方法其分類精度要明顯高于未進行本征圖像分解的分類方法；經(jīng)過導向濾波處理的分類結(jié)果明顯優(yōu)于未濾波處理的分類結(jié)果。本文方法在16種地物的分類中有12種地物的分類精度最高，其中6種地物分類完全正確，該方法分類精度明顯高于SVM、3D-SVM等方法，略高于3D-CNNs法，分類能力突出。這表明本征圖像分解方法能夠獲取圖像本征特征，對分類精度提高起到重要作用，另外導向濾波的引入將空間信息與光譜信息結(jié)合，能夠有效改善初始分類中的誤分現(xiàn)象。

2）在計算時間方面：由于本征圖像分解方法的復雜性，本文方法的計算時間長于傳統(tǒng)的SVM分類方法，這是因為該方法需首先進行波段選擇，本征分解及分類處理均在降維后（10個波段）數(shù)據(jù)上進行，而3D-SVM與3D-CNNs需要對原始數(shù)據(jù)（200個波段）的空譜信息進行融合處理，處理前后數(shù)據(jù)量均較大，且3D-CNNs深層網(wǎng)絡(luò)的訓練成本較高。故本文方法的計算時間明顯短于基于支持向量機和卷積神經(jīng)網(wǎng)絡(luò)的空譜聯(lián)合分類方法，在實際工程中應(yīng)用前景廣泛，應(yīng)用價值較高。

圖4分別表示10%訓練樣本時，理想的地物分類結(jié)果和采用IID-SVM、SVM-GF、3D-CNNs以及本文方法對Indian Pines數(shù)據(jù)集進行分類的結(jié)果。從圖4中可以看出：本文方法的分類結(jié)果明顯優(yōu)于傳統(tǒng)方法，與基于卷積神經(jīng)網(wǎng)絡(luò)的空譜聯(lián)合方法分類效果相當，互有優(yōu)劣。由此可見，本文方法能夠有效改善初始分類結(jié)果中的錯分現(xiàn)象，對“孤立”的錯分點效果尤為明顯。若初始分類時錯分區(qū)域過大，則無法有效消除該錯分區(qū)域。而本征圖像分解方法在很大程度上能排除其他因素干擾，盡可能地降低誤分可能，十分適用于此狀況。

圖4 Indian Pines數(shù)據(jù)集分類結(jié)果

圖5 Pavia University數(shù)據(jù)集灰度圖及地物真實標記

2.2 Pavia University數(shù)據(jù)集實驗

Pavia University數(shù)據(jù)集是由ROSIS成像光譜儀在意大利西北部的帕維亞市上空采集。圖像空間分辨率為1.3m，大小為610像素×340像素。原始數(shù)據(jù)有115個光譜波段，波長范圍0.43~0.86μm，去除受噪聲和水氣影響較大的波段后剩余103個波段，包含9個地物類別。Pavia University數(shù)據(jù)集灰度圖像和真實值標記圖像如圖5所示。表3為Pavia University數(shù)據(jù)集各類地物名稱及像素點個數(shù)。Pavia University數(shù)據(jù)集地物像素點總數(shù)為42 776。Pavia University數(shù)據(jù)集為高光譜圖像處理領(lǐng)域公開的標準測試數(shù)據(jù)集，所有地物真實值數(shù)據(jù)經(jīng)過了數(shù)據(jù)提供者的實地調(diào)查和驗證。圖6為經(jīng)過本征圖像分解后，波段子集的反射率本征圖和亮度本征圖的灰度圖像。從圖6中可以看出：反射率本征圖更加清晰。

表3 Pavia University數(shù)據(jù)集各類地物像素點個數(shù)

Tab.3 Number of Pixels of Various Features in Pavia University Dataset

圖6 Pavia University數(shù)據(jù)集反射分量和亮度分量灰度圖像

采用表4中方法對選出波段子集進行分類。由于3D-CNNs算法的計算成本過大，本文研究過程中所采用的實驗平臺無法完成此方法對Pavia University數(shù)據(jù)集的實驗。隨機選擇每類地物10%的樣本作為訓練集，其余90%的樣本作為測試集進行分類。表4中數(shù)據(jù)為各方法在每類地物上的分類精度評價結(jié)果。

表4結(jié)果得出的結(jié)論與表2類似。分類精度方面：本文方法對全部地物的分類精度均為最高，其中有3類地物分類完全正確。計算時間方面：由于本征圖像分解算法的復雜性，本文方法的計算時間長于普通的SVM分類，但明顯少于3D-SVM分類方法。上述結(jié)果表明，本文方法在分類精度及效率兩方面均有明顯優(yōu)勢。

表4 各方法分類精度評價指標對比

Tab.4 Evaluation indices of the classification accuracy of each method

注：分類器訓練樣本集規(guī)模為10%。

圖7為Pavia University數(shù)據(jù)集的理想分類結(jié)果和采用IID-SVM、SVM-GF以及本文方法分類的結(jié)果。該圖得出的結(jié)論與圖4相近，說明本文方法顯著改善高光譜圖像分類結(jié)果中存在的錯分現(xiàn)象，能夠極大地提高地物分類精度。實驗結(jié)果進一步證明了本文提出方法的有效性。

圖7 Pavia University數(shù)據(jù)集分類結(jié)果

3 結(jié)束語

本文從本征圖像分解方法出發(fā)，針對現(xiàn)有分類方法存在誤分（尤其是在地物邊緣區(qū)域附近）這一現(xiàn)象，提出一種基于本征圖像分解和導向濾波的高光譜圖像空譜聯(lián)合分類方法。該方法中所采用的基于AP聚類的波段選擇方法可以較好地選出具有代表性、全面的波段子集；基于局部稀疏約束的高光譜本征圖像分解可以排除亮度等因素的干擾，獲得原始圖像純凈的反射率本征圖；導向濾波器可以有效改善原方法存在的大量誤分現(xiàn)象。通過以上三個方面，本文方法在提高高光譜圖像分類精度的同時降低了計算復雜度，與其他方法相比，分類精度和計算時間的優(yōu)勢明顯。在訓練樣本過小的條件下，本文提出的方法仍取得不錯的分類結(jié)果。其不足之處是受本征圖像分解方法影響，計算復雜度偏高。

本文方法將本征圖像分解與高光譜圖像分類結(jié)合在一起，取得很好的效果，對遙感圖像處理有一定借鑒作用。后續(xù)還需重點研究效率更高的高光譜本征圖像分解方法，以及與其他方法、應(yīng)用的結(jié)合。

[1] 馬鵬飛, 陳良富, 厲青, 等. 紅外高光譜資料AIRS反演晴空條件下大氣氧化亞氮廓線[J]. 光譜學與光譜分析, 2015(6): 1690-1694. MA Pengfei, CHEN Liangfu, LI Qing, et al. Infrared Hyperspectral Data of AIRS Retrieving Atmospheric Nitrous Oxide under Clear Sky Conditions[J]. Spectroscopy and Spectral Analysis, 2015(6): 1690-1694. (in Chinese)

[2] RINKER J N. Hyperspectral Imagery: A New Technique for Targeting and Intelligence[R]. Washington, D.C: Directorate for Information Operations and Reports, 1990: 2-7.

[3] MULLER-KARGER E, ROFFER M, WALKER N. Satellite Remote Sensing in Support of an Integrated Ocean Observing System[J]. IEEE Geoscience and Remote Sensing Magazine, 2013, 1(4): 8-18.

[4] 張朝陽, 程海峰, 陳朝輝, 等. 高光譜遙感的發(fā)展及其對軍事裝備的威脅[J]. 光電技術(shù)應(yīng)用, 2008(3): 10-12．ZHANG Chaoyang, CHENG Haifeng, CHEN Zhaohui, et al. The Development of Hyperspectral Remote Sensing and Its Threat to Military Equipment[J]. Optoelectronic Technology Applications, 2008(3): 10-12. (in Chinese)

[5] 劉凱龍, 孫向軍, 趙志勇, 等. 地面目標偽裝特征的高光譜成像檢測方法[J]. 解放軍理工大學學報(自然科學版), 2005, 6(2): 166-169. LIU Kailong, SUN Xiangjun, ZHAO Zhiyong, et al. Hyperspectral Imaging Detection Method for Ground Target Camouflage Feature[J]. Journal of PLA University of Science and Technology (Natural Science Edition), 2005, 6(2): 166-169. (in Chinese)

[6] FAUVEL M, TARABALKA Y, BENEDIKTSSON J A, et al. Advances in Spectral-spatial Classification of Hyperspectral Images[J]. Proceedings of the IEEE, 2013, 101(3): 652–675.

[7] TARABALKA Y, CHANUSSOT J, BENEDIKTSSON J A. Segmentation and Classification of Hyperspectral Images Using Watershed Transformation[J]. Pattern Recognition, 2010, 43(7): 2367–2379.

[8] GHAMISI P, BENEDIKTSSON J A, ULFASSON 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.

[9] CHEN Y, NASRABADI N M, TRAN T D. Hyperspectral Image Classification Using Dictionary-based Sparse Representation[J]. IEEE Transactions on Geoscience and Remote Sensing, 2011, 49(10): 3973–3985.

[10] 康旭東. 高光譜遙感影像空譜特征提取與分類方法研究[D]. 長沙: 湖南大學, 2014: 37-56. KANG Xudong. Researches on Spectral-spatial Feature Extraction and Classification Methods for Hyperspectral Remote Sensing Imagery[D]. Changsha: Hunan University, 2014: 37-56. (in Chinese)

[11] 張成坤, 韓敏. 基于邊緣保持濾波的高光譜影像光譜-空間聯(lián)合分類[J]. 自動化學報, 2018, 44(2): 280-288.ZHANG Chengkun, HAN Min. Spectral-spatial Joint Classification of Hyperspectral Image with Edge-preserving Filtering[J]. Acta Automatica Sinica, 2018, 44(2): 280-288. (in Chinese)

[12] HE Kaiming, SUN Jian, TANG Xiaoou. Guided Image Filtering[C]//11th European conferences on computer Vision, 5-11 September, 2010, Hersonissos, Heraklion, Crete, Greece.

[13] 任智偉, 吳玲達. 基于AP聚類的高光譜波段選擇[J]. 激光與光電子學進展, 2018, 55(10): 393-397. REN Zhiwei, WU Lingda. Hyperspectral Band Selection Based on AP Clustering[J]. Advances in Laser and Optoelectronics, 2018, 55(10): 393-397. (in Chinese)

[14] FREY B J, DUECK D. Clustering by Passing Messages between Data Points[J]. Science, 2007, 315(5814): 972-976.

[15] 夏春夢, 倪志偉, 倪麗萍, 等. 基于密度調(diào)整和流形距離的近鄰傳播算法[J]. 計算機科學, 2017, 44(10): 187-192. XIA Chunmeng, NI Zhiwei, NI Liping, et al. Neighbour Propagation Algorithm Based on Density Adjustment and Manifold Distance[J]. Computer Science, 2017, 44(10): 187-192. (in Chinese)

[16] CHANG C I. Spectral Information Divergence for Hyperspectral Image Analysis[C]//IEEE 1999 International Geoscience and Remote Sensing Symposium. IEEE: Hamburg, Germany, Germany , 1999: 509-511.

[17] 趙春暉, 田明華, 李佳偉. 光譜相似性度量方法研究進展[J]. 哈爾濱工程大學學報, 2017, 38(8): 1179-1189. ZHAO Chunhui, TIAN Minghua, LI Jiawei. Research Progress of Spectral Similarity Measurement Methods[J]. Journal of Harbin Engineering University, 2017, 38(8): 1179-1189. (in Chinese)

[18] ANGELOPOULOU E, LEE S W, BAJCSY R. Spectral Gradient: A Material Descriptor Invariant to Geometry and Incident Illumination[C]//International Conference on Computer Vision. IEEE Computer Society: Kerkyra, Greece, Greece, 1999: 861.

[19] 張修寶, 袁艷, 景娟娟, 等. 信息散度與梯度角正切相結(jié)合的光譜區(qū)分方法[J]. 光譜學與光譜分析, 2011, 31(3): 853-857. ZHANG Xiubao, YUAN Yan, JING Juanjuan, et al. Spectral Discrimination Method Combining Information Divergence and Gradient Tangent[J]. Spectroscopy and Spectral Analysis, 2011, 31(3): 853-857. (in Chinese)

[20] SHEN L, YEO C, HUA B S. Intrinsic Image Decomposition Using a Sparse Representation of Reflectance[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2013, 35(12): 2904-2915.

[21] 路易, 吳玲達, 朱江. 基于卷積神經(jīng)網(wǎng)絡(luò)的高光譜圖像分類方法[J]. 計算機工程與設(shè)計, 2018, 39(9): 144-149. LU Yi, WU Lingda, ZHU Jiang. Hyperspectral Image Classification Based on Convolutional Neural Network[J]. Computer Engineering and Design, 2018, 39(9): 144-149. (in Chinese)

Spectral-spatial Classification for Hyperspectral Imagery Based on Intrinsic Image Decomposition

REN Zhiwei1WU Lingda2

（1Jiuquan Satellite Launch Center, Jiuquan 732750, China） （2 Space Engineering University, Beijing 101416, China）

As a kind of high-resolution remote sensing, hyperspectral remote sensing has a wide range of application prospects because it can provide rich spectral information. Hyperspectral image classification is the first and most important step in many applications. There is a misclassification phenomenon in the current classification method, especially in the vicinity of the edge of the object, and the existing classification method with spatial-spectrum combination has high computational complexity. A spectral-spatial classification method for hyperspectral imagery based on intrinsic image decomposition and guided filtering is proposed. Affinity propagation (AP) clustering is used for band selection to improve computational efficiency. The method of hyperspectral intrinsic image decomposition based on local sparseness is performed to obtain the reflectance intrinsic image. The guided filter is utilized to optimize the initial classification results. The experimental results show that the proposed method has obvious advantages in classification accuracy and computation time.

spectroscopy; hyperspectral image; intrinsic image decomposition; local sparseness; spectral-spatial; guided filter; remote sensing technology application

O433.4

A

1009-8518(2019)03-0111-10

10.3969/j.issn.1009-8518.2019.03.014

任智偉，男，1994年生，2018年獲航天工程大學通信與信息系統(tǒng)專業(yè)碩士學位，助理工程師。主要從事高光譜圖像處理方面的研究工作。E-mail：juimer@foxmail.com。

2018-09-06

（編輯：夏淑密）