高光譜空譜一體化圖像分類研究

高曉健，郭寶峰，于 平

高光譜空譜一體化圖像分類研究

高曉健1，郭寶峰1，于 平2

（1.杭州電子科技大學(xué)信息與控制研究所，浙江杭州310018；2.中國(guó)科學(xué)院長(zhǎng)春光學(xué)精密機(jī)械與物理研究所，吉林長(zhǎng)春130000）

高光譜圖像分類是遙感圖像處理技術(shù)中的一個(gè)熱點(diǎn)，提高分類精度是目前一個(gè)重要研究方向。常規(guī)的高光譜圖像分類技術(shù)主要關(guān)注于如何更好地利用光譜空間的分類信息，往往忽視圖像空間域信息。本文提出了一種基于空譜一體化處理的高光譜圖像分類方法，在利用數(shù)據(jù)進(jìn)行自身光譜特征分類的同時(shí)采用區(qū)域生長(zhǎng)法和二值形態(tài)學(xué)法相結(jié)合的空間域有效信息對(duì)光譜分類結(jié)果進(jìn)行補(bǔ)充。實(shí)驗(yàn)證明本方法能提高高光譜圖像分類精度。

圖像處理；高光譜分類；空譜一體化；空間信息

1 引 言

隨著對(duì)地觀測(cè)技術(shù)的發(fā)展，光譜遙感技術(shù)成為人們獲取地表信息的重要手段。高光譜遙感作為一種新型的遙感方式，在軍用和民用領(lǐng)域都發(fā)揮著極其重要的作用［1］。高光譜圖像分類是高光譜信息處理的重要方向，其中高精度的分類算法是實(shí)現(xiàn)各種應(yīng)用的一個(gè)重要前提。

然而，高光譜圖像以其高分辨率、多波段數(shù)、大數(shù)據(jù)量的特點(diǎn)［2］給傳統(tǒng)圖像分類技術(shù)帶來(lái)了巨大的挑戰(zhàn)。傳統(tǒng)的分類方法不管是最大似然分類法、決策樹(shù)分類法還是人工神經(jīng)網(wǎng)絡(luò)方法、支持向量機(jī)方法都僅僅從光譜域?qū)用鎸?duì)地物特征進(jìn)行分類識(shí)別。然而，高光譜遙感數(shù)據(jù)不僅包含有豐富的地物光譜信息，而且在圖像空間維、光譜維兩個(gè)不同的維度都會(huì)對(duì)地物特征有具體的描述和表達(dá)［3］。傳統(tǒng)的高光譜圖像分類方法，往往只著重于數(shù)據(jù)光譜維上的特性，而忽視了空間維的信息。作為光譜維分析的補(bǔ)充，通過(guò)對(duì)圖像空間維的分析，可以獲得大量隱含的、豐富的、對(duì)地物識(shí)別與處理相當(dāng)有用的信息［4］。

空譜一體化的技術(shù)就是將空間信息引入到高光譜分類中，在光譜域分類結(jié)果的基礎(chǔ)上，對(duì)圖像像素鄰域進(jìn)行決策，以期對(duì)分類結(jié)果進(jìn)行修正。本文采用了通過(guò)區(qū)域生長(zhǎng)法、二值形態(tài)學(xué)法兩種策略對(duì)譜域分類結(jié)果進(jìn)行修正，仿真實(shí)驗(yàn)證明了本文方法能夠提高地物分類的精度。

2 空譜一體化方法

首先通過(guò)對(duì)高光譜數(shù)據(jù)的譜域信息分析，采用SVM的分類方法，得到分類結(jié)果矩陣。之后，在結(jié)果矩陣的基礎(chǔ)上應(yīng)用空間領(lǐng)域法則，得到修正后的結(jié)果。在空間維，對(duì)若干光譜波段進(jìn)行灰度圖成像，應(yīng)用不同的邊緣檢測(cè)算法，得到目標(biāo)區(qū)域的邊緣輪廓信息。結(jié)合譜域結(jié)果，分別采用區(qū)域生長(zhǎng)和二值形態(tài)學(xué)法對(duì)結(jié)果進(jìn)行修正，得到最終的分類結(jié)果。

在區(qū)域生長(zhǎng)法下，譜域分類目標(biāo)結(jié)果點(diǎn)被視為種子區(qū)域，目標(biāo)區(qū)域的邊緣信息視為區(qū)域生長(zhǎng)的邊界，用以防止過(guò)度生長(zhǎng)，限制條件為區(qū)域生長(zhǎng)的總像素點(diǎn)不能超過(guò)目標(biāo)種子群的兩倍。

在二值形態(tài)學(xué)法下，譜域分類結(jié)果點(diǎn)和目標(biāo)邊界輪廓區(qū)域被視為目標(biāo)點(diǎn)。按實(shí)際情況對(duì)目標(biāo)點(diǎn)區(qū)域進(jìn)行適當(dāng)?shù)亩敌螒B(tài)學(xué)運(yùn)算操作，填補(bǔ)圖像孔洞，平滑圖像邊界。

空譜一體化的流程如圖1所示。

圖1 空譜一體化流程Fig.1 Flow chart of spatial-spectral integration

3 區(qū)域生長(zhǎng)法

3.1 區(qū)域生長(zhǎng)原理

區(qū)域生長(zhǎng)法，顧名思義就是一種基于某個(gè)確定的準(zhǔn)則將像素或者種子連接成區(qū)域的方法［5］。首先，必須在待分割的區(qū)域中選定一個(gè)種子點(diǎn)或種子區(qū)域作為此區(qū)域生長(zhǎng)的起點(diǎn)，之后對(duì)種子周圍符合事先設(shè)計(jì)好的某個(gè)生長(zhǎng)準(zhǔn)則的點(diǎn)劃歸到此區(qū)域中。繼而將新生長(zhǎng)出來(lái)的點(diǎn)作為種子點(diǎn)，重新在其鄰域探索符合生長(zhǎng)規(guī)則的點(diǎn)，直到?jīng)]有新的鄰點(diǎn)滿足生長(zhǎng)規(guī)則時(shí)區(qū)域生長(zhǎng)停止。

一般地，應(yīng)用區(qū)域生長(zhǎng)法需要考慮以下三個(gè)問(wèn)題［6］。

（1）選擇能夠代表區(qū)域特性的一個(gè)種子點(diǎn)或一組種子區(qū)域。在空譜一體化應(yīng)用中，首先有對(duì)基于光譜信息的分類結(jié)果，故而可以選取每種目標(biāo)的分類結(jié)果的像素點(diǎn)作為種子集。

（2）確定相應(yīng)的區(qū)域生長(zhǎng)準(zhǔn)則。由于基于先驗(yàn)知識(shí)，知道目標(biāo)點(diǎn)具有聚集特性。對(duì)種子點(diǎn)周圍的四鄰域內(nèi)，進(jìn)行搜索，檢測(cè)是否有未分類的像素點(diǎn)（即非目標(biāo)像素點(diǎn)）。若有則對(duì)該點(diǎn)做生長(zhǎng)操作，判定其為種子點(diǎn)的模式類別。

（3）設(shè)置區(qū)域生長(zhǎng)終止條件和限制條件。有目標(biāo)點(diǎn)聚集特性的先驗(yàn)知識(shí)，可以通過(guò)對(duì)空間域圖像的邊緣檢測(cè)確定目標(biāo)的大致輪廓，從而可以確定區(qū)域生長(zhǎng)的邊界。區(qū)域生長(zhǎng)的終止條件即為生長(zhǎng)區(qū)域達(dá)到邊界，不再通過(guò)四鄰域搜索形成新增長(zhǎng)種子點(diǎn)。為了防止過(guò)度生長(zhǎng)，限制條件為區(qū)域生長(zhǎng)的總像素點(diǎn)不能超過(guò)目標(biāo)種子群的兩倍。

3.2 邊緣檢測(cè)

區(qū)域生長(zhǎng)法的關(guān)鍵是生長(zhǎng)準(zhǔn)則和停止準(zhǔn)則的確定。這里就是要確定目標(biāo)邊緣的問(wèn)題。邊緣檢測(cè)可以獲得圖像中灰度值發(fā)生突變的那些像素，其主要目的就是通過(guò)某種算法提取圖像中的目標(biāo)與背景、目標(biāo)與目標(biāo)之間的交界線［7］。所謂交界線就是圖像灰度值不連續(xù)的部分，在圖像空間中表現(xiàn)為灰度值產(chǎn)生劇烈變化的區(qū)域邊界。下面介紹在本方法中應(yīng)用到的邊緣檢測(cè)算子。

（1）LoG算子

Marr和Hildreth在1980年提出了一種將高斯濾波和Laplacian算子邊緣檢測(cè)結(jié)合的方法，稱為L(zhǎng)oG（Laplacian of Gaussian）算法［8］，具體實(shí)現(xiàn)方法分為幾步：首先對(duì)圖像f（x，y）采用高斯濾波函數(shù)進(jìn)行濾波操作，然后采用Laplacian算子依據(jù)二階導(dǎo)數(shù)過(guò)零點(diǎn)來(lái)檢測(cè)邊緣。典型的LoG算子的卷積模板形式為：

LOG算子相比Laplacian算子有更高的邊界定位精度，對(duì)于圖像噪聲有較強(qiáng)的適應(yīng)能力。

（2）Canny算子

Canny邊緣檢測(cè)的具體實(shí)現(xiàn)方法分為幾步：首先對(duì)圖像f（x，y）采用高斯濾波函數(shù)進(jìn)行濾波操作。然后，對(duì)梯度幅值進(jìn)行非極大值抑制，確定候選邊緣點(diǎn)。其具體做法為尋找圖像梯度中的局部極大值點(diǎn)，并且設(shè)置非局部極大值點(diǎn)為零，從而使得圖像邊緣得到細(xì)化。最后，采用雙閾值處理，首先設(shè)定高閾值T1和低閾值T2（一般取T1＝0.4T2），然后掃描圖像。若圖像中的點(diǎn)（i，j）的梯度幅值大于高閾值，則該點(diǎn)為邊緣點(diǎn)。若圖像中的點(diǎn)（i，j）的梯度幅值小于低閾值，則該點(diǎn)為一定不為邊緣點(diǎn)。若點(diǎn)（i，j）的梯度幅值在兩閾值之間，則要視其鄰接像素中是否有邊緣點(diǎn)，若有則將其劃歸為邊緣點(diǎn)。

邊緣檢測(cè)的方法一般是通過(guò)邊緣檢測(cè)算子實(shí)現(xiàn)的。為了提高邊緣檢測(cè)的有效性，采用多種邊緣檢測(cè)方法，可以實(shí)現(xiàn)邊緣檢測(cè)的互補(bǔ)。

4 二值形態(tài)學(xué)法

由于基于光譜信息的檢測(cè)結(jié)果并不非常理想，通過(guò)對(duì)目標(biāo)輪廓的邊緣提取，采用對(duì)檢測(cè)結(jié)果和目標(biāo)邊緣互補(bǔ)的形式，借助形態(tài)學(xué)的方法結(jié)合空間信息來(lái)優(yōu)化最終的分類檢測(cè)精度。

形態(tài)學(xué)最基本的研究對(duì)象就是二值圖像，稱為二值形態(tài)學(xué)。圖像二值化后像素1的點(diǎn)即為前景目標(biāo)，像素0的點(diǎn)為背景，通過(guò)利用被稱之為結(jié)構(gòu)元素的探針在圖像內(nèi)不斷平移，考察探針與圖像周圍的相互關(guān)系，對(duì)圖像信息進(jìn)行交、并、差等基本集合運(yùn)算，從而實(shí)現(xiàn)對(duì)圖像的形態(tài)學(xué)處理。最常見(jiàn)的二值形態(tài)學(xué)運(yùn)算方法包括了二值膨脹、二值腐蝕、開(kāi)運(yùn)算、閉運(yùn)算。

（1）膨脹運(yùn)算

膨脹就是在二值圖像處理中使得對(duì)象“加長(zhǎng)”或者“變粗”的操作。膨脹通過(guò)集合的形式定義，若A和B是Z2中的集合，那么A被B膨脹可定義為：

上式可等價(jià)為：

其中，A稱為輸入圖像；B稱為結(jié)構(gòu)元素。膨脹實(shí)際上是通過(guò)輸入圖像的所有點(diǎn)通過(guò)對(duì)結(jié)構(gòu)元素的平移z，然后將所標(biāo)記的點(diǎn)取并集得到的。

膨脹是對(duì)二值圖像的目標(biāo)邊界點(diǎn)進(jìn)行擴(kuò)充，具有填補(bǔ)圖像目標(biāo)中大于結(jié)構(gòu)元素的空洞的作用。

（2）腐蝕運(yùn)算

腐蝕運(yùn)算是對(duì)二值圖像的目標(biāo)邊界點(diǎn)的進(jìn)行收縮或細(xì)化，具有去除小于結(jié)構(gòu)元素的目標(biāo)的作用。

若A和B是Z2中的集合，那么B對(duì)A進(jìn)行腐蝕的定義為：

上式表征了開(kāi)運(yùn)算可以通過(guò)計(jì)算所以能夠填入圖像內(nèi)部的結(jié)構(gòu)元素平移的并集來(lái)求得。

開(kāi)運(yùn)算作用于圖像能夠過(guò)濾那些無(wú)法包含結(jié)構(gòu)元素的對(duì)象區(qū)域，可以很好地平滑圖像的輪廓，切斷細(xì)長(zhǎng)的連接起到分離作用。

（4）閉運(yùn)算

閉運(yùn)算是開(kāi)運(yùn)算的對(duì)偶運(yùn)算。若集合A為輸入圖像，集合B為結(jié)構(gòu)元素，那么結(jié)構(gòu)元素對(duì)集合A的閉運(yùn)算操作定義為

B對(duì)A進(jìn)行閉運(yùn)算的實(shí)質(zhì)就是結(jié)構(gòu)元素B對(duì)圖像集合A先作膨脹運(yùn)算，然后對(duì)結(jié)果進(jìn)行腐蝕運(yùn)算。形態(tài)學(xué)閉運(yùn)算實(shí)現(xiàn)對(duì)圖像外表進(jìn)行濾波處理，能夠抹除圖像的尖角，改善圖像中存在的細(xì)長(zhǎng)彎角，除去原圖像中的小孔洞。

5 實(shí)驗(yàn)與分析

（1）數(shù)據(jù)概述

實(shí)驗(yàn)數(shù)據(jù)由中國(guó)科學(xué)院長(zhǎng)春光學(xué)精密機(jī)械與物

其中，“Θ”是數(shù)學(xué)形態(tài)學(xué)的腐蝕算子；A為輸入圖像；B為結(jié)構(gòu)元素。在二維空間下，z為某向量，集合B平移z得到（B）z。腐蝕的理解就是將結(jié)構(gòu)元素平移某個(gè)向量后仍包含在輸入圖像空間中的所有點(diǎn)的集合。

（3）開(kāi)運(yùn)算

若集合A為輸入圖像，集合B為結(jié)構(gòu)元素，那么結(jié)構(gòu)元素對(duì)集合A的開(kāi)運(yùn)算操作定義為：

可見(jiàn)，膨脹腐蝕運(yùn)算的組合運(yùn)算構(gòu)成了開(kāi)運(yùn)算。集合的結(jié)構(gòu)元素B對(duì)圖像集合A先作一次腐蝕，然后對(duì)結(jié)果作一次膨脹。開(kāi)運(yùn)算另外一種等價(jià)表達(dá)形式為：理研究所提供，由可見(jiàn)近紅外和短波紅外兩個(gè)波段組成。其中的可見(jiàn)近紅外區(qū)域共80個(gè)波段，空間大小為226×500像素。圖2所示的是第55波段的灰度圖。

圖2 數(shù)據(jù)第55波段灰度圖Fig.2 gray level image of the 55th band

通過(guò)灰度圖，可以觀察到在兩個(gè)通道高光譜圖像中，遙感數(shù)據(jù)地物包括了以大量植被（林木和莊稼地）為背景下的一輛廂式貨車、兩輛半掛車和多個(gè)靶標(biāo)（不同材質(zhì)且覆有不同涂料）。實(shí)驗(yàn)中，靶標(biāo)為目標(biāo)區(qū)域。為了便于后期處理，將半掛車上的5個(gè)靶標(biāo)，自左向右依次標(biāo)記為靶標(biāo)1至靶標(biāo)5，莊稼地上的矩形靶標(biāo)自左向右依次標(biāo)記為靶標(biāo)6至靶標(biāo)10。

本次試驗(yàn)還提供了8組（每組200個(gè)樣本點(diǎn)）不同目標(biāo)的室內(nèi)光譜響應(yīng)曲線，記為sig1到sig8。

（2）空域分類

實(shí)驗(yàn)?zāi)康臑橐?組室內(nèi)光譜指紋（sig1-sig8）作為目標(biāo)先驗(yàn)信息，從外場(chǎng)實(shí)測(cè)高光譜圖像數(shù)據(jù)中，檢測(cè)出與光譜指紋相近的8組目標(biāo)。

采用基于支持向量機(jī)的分類方法，8組光譜指紋為SVM的目標(biāo)訓(xùn)練數(shù)據(jù)，分別設(shè)為模式1至模式8；數(shù)據(jù)集按2%的比例選取背景訓(xùn)練點(diǎn)，背景點(diǎn)設(shè)為訓(xùn)練模式9。選取高斯徑向基函數(shù)為支持向量機(jī)核函數(shù)，以網(wǎng)格搜索法為參數(shù)尋優(yōu)方法，各模式類兩兩訓(xùn)練得到36組二分類器。根據(jù)投票法則，每個(gè)點(diǎn)得票最多的模式類作為該點(diǎn)的最終預(yù)測(cè)類別。全部預(yù)測(cè)結(jié)果如圖3所示，sig2-sig7為非目標(biāo)點(diǎn)，sig1為目標(biāo)1的點(diǎn)，sig8為目標(biāo)2的點(diǎn)。

（3）空域邊緣檢測(cè)

對(duì)高光譜數(shù)據(jù)中各個(gè)波段做灰度成像，選擇目標(biāo)點(diǎn)清晰、亮度合適的波段（第12波段與第49波段），由于單波段灰度圖無(wú)法確定目標(biāo)輪廓，實(shí)驗(yàn)采取了兩個(gè)波段目標(biāo)輪廓圖疊加的方法。應(yīng)用不同的邊緣檢測(cè)算子對(duì)其進(jìn)行邊緣檢測(cè)（第12波段采用Canny算子、第49波段采用LoG算子），得到目標(biāo)1、目標(biāo)2區(qū)域邊緣的輪廓結(jié)果圖。同時(shí)根據(jù)先驗(yàn)知識(shí)，知道目標(biāo)區(qū)域存在于靶標(biāo)上成塊狀聚集分布，所以確定了如圖4區(qū)域的目標(biāo)邊緣圖。

圖3 檢測(cè)到的為sig1至sig8同一物質(zhì)的像素點(diǎn)（白色部分）Fig.3 detected results taken sig1 to sig8 as target signature（white region）

圖4 目標(biāo)邊緣區(qū)域Fig.4 target edge

（4）區(qū)域生長(zhǎng)法修正

確定相應(yīng)的區(qū)域生長(zhǎng)準(zhǔn)則。由于基于先驗(yàn)知識(shí)，知道目標(biāo)點(diǎn)具有聚集特性。對(duì)種子點(diǎn)周圍的四鄰域內(nèi)，進(jìn)行搜索，檢測(cè)是否有未分類的像素點(diǎn)（即非目標(biāo)像素點(diǎn)）。若有則對(duì)該點(diǎn)做生長(zhǎng)操作，判定其為種子點(diǎn)的模式類別。分類修正結(jié)果如圖5所示。

圖5 區(qū)域生長(zhǎng)法結(jié)果

Fig.5 results of the region growingmethod

（5）二值形態(tài)學(xué)法修正

將空域目標(biāo)邊緣信息與譜域基于光譜指紋的檢測(cè)結(jié)果相結(jié)合，對(duì)兩者的結(jié)果矩陣做或運(yùn)算。選擇結(jié)構(gòu)元素ones（3）對(duì)結(jié)合矩陣做組合的腐蝕膨脹運(yùn)算，按照如下次序進(jìn)行形態(tài)學(xué)操作：

Step 1：膨脹運(yùn)算1次；

Step 2：閉運(yùn)算1次；

Step 3：腐蝕運(yùn)算1次；

Step 4：開(kāi)運(yùn)算1次。

分類修正結(jié)果如圖6所示。

圖6 二值形態(tài)學(xué)法結(jié)果Fig.6 results of the binarymorphologymethod

（6）結(jié)果與分析

譜域分類結(jié)果以及通過(guò)區(qū)域生長(zhǎng)法和形態(tài)學(xué)法對(duì)譜域分類結(jié)果進(jìn)行修正后的分類結(jié)果統(tǒng)計(jì)如表1所示。

表1 各方法目標(biāo)檢出率（%）Tab.1 target detection rateswith differentmethods

譜域分類結(jié)果顯示，對(duì)于目標(biāo)1的分類精度只有23.44%，對(duì)于目標(biāo)2的分類精度只有30.17%。結(jié)合空域信息，進(jìn)行優(yōu)化修正，采用區(qū)域生長(zhǎng)法時(shí)，目標(biāo)1的檢測(cè)精度達(dá)到了83.68%，目標(biāo)2的檢測(cè)精度達(dá)到了96.31%，分別比譜域分類結(jié)果提高了60.24%和66.14%，同時(shí)誤分類并沒(méi)有顯著提高。而當(dāng)采用二值形態(tài)學(xué)優(yōu)化方法時(shí)，目標(biāo)1的檢測(cè)精度達(dá)到了64.34%，目標(biāo)2的檢測(cè)精度達(dá)到了48.79%，分別比譜域分類結(jié)果提高了40.87%和18.62%，同時(shí)虛警率并沒(méi)有顯著提高。

實(shí)驗(yàn)證明了結(jié)合空域信息與譜域信息的一體化的高光譜分類技術(shù)有利于對(duì)傳統(tǒng)光譜分類方法的精度的提升。

6 結(jié) 論

本文針對(duì)傳統(tǒng)高光譜圖像分類技術(shù)僅僅局限于光譜域信息的特點(diǎn)，提出了基于空譜一體化的分類技術(shù)。通過(guò)對(duì)數(shù)據(jù)本身光譜特征分類的同時(shí)，采用空間領(lǐng)域法、區(qū)域生長(zhǎng)法和二值形態(tài)學(xué)法結(jié)合空間域的有效信息對(duì)光譜分類結(jié)果進(jìn)行補(bǔ)充，實(shí)驗(yàn)結(jié)果表明，識(shí)別分類精度都得到了顯著的提升，顯示了空譜一體化處理比傳統(tǒng)的譜域處理有更好的分類性能。

［1］ Lin Ying，Xu Weiming，Yuan Liyin，et al.Signal component analysis and process for thermal infrared hyperspectral system［J］.Laser＆Infrared，2010，40（12）：1324－1329.（in Chinese）林穎，徐衛(wèi)明，袁立銀，等.熱紅外高光譜系統(tǒng)信號(hào)成分分析及處理［J］.激光與紅外，2010，40（12）：1324－1329.

［2］ JM Bioucas-Dias，JM PNascimento.Hyperspectral subspace identification［J］.Geoscience and Remote Sensing，2008，46（8）：2435－2445.

［3］ Peng Yanying，Sun Xudong，Liu Yande.Research progress of hyperspectral imaging in nondestructive detection of fruits and vegetables quality［J］.Laser＆Infrared，2010，40（6）：586－592.（in Chinese）彭彥穎，孫旭東，劉燕德.果蔬品質(zhì)高光譜成像無(wú)損檢測(cè)研究進(jìn)展［J］.激光與紅外，2010，40（6）：586－592.

［4］ F Dell’Acqua，PGamba，A Ferrari，et al.Exploiting spectral and spatial information in hyperspectral urban data with high resolution［J］.Geoscience and Remote Sensing Letters，2004，1（4）：322－326.

［5］ Fang Fang.Advanced natural color image segmentation based on region growing and clustering algorithm［D］. Yanshan University，2006.（in Chinese）方芳.基于區(qū)域生長(zhǎng)與聚類的彩色圖像分割方法的改進(jìn)［D］.秦皇島：燕山大學(xué)，2006.

［6］ Fu Yingjie.Hippocampal contour extraction based on region growing and level set and three dimensional reconstruction［J］.Southwest Jiaotong University，2012.（in Chinese）付英杰.結(jié)合區(qū)域生長(zhǎng)和水平集的海馬輪廓提取和三維重建［D］.成都：西南交通大學(xué)，2009.

［7］ Lin Yuchi，Cui Yanping，Huangyinguo.Study on edge detection and target recognition in complex background［J］. Optics and Precision Engineering，2006，14（3）：509－514.（in Chinese）林玉池，崔彥平，黃銀國(guó).復(fù)雜背景下邊緣提取與目標(biāo)識(shí)別方法研究［J］.光學(xué)精密工程，2006，14（3）：509－514.

［8］ Xi Jing，Zhang Jizhong.Edge detection from remote sensing images based on canny operator and hough transform［C］.International Conference on Remote Sensing，2010：272－274.

Classification of hyperspectral remote sensing image based on spatial-spectral integration

GAO Xiao-jian1，GUO Bao-feng1，YU Ping2
（1.Institute of Information and Control Technology，Hangzhou Dianzi University，Hangzhou 310018，China；2.Changchun Institute of Optics，F(xiàn)ine Mechanics and Physics，Chinese Academy of Sciences，Changchun 130000，China）

Hyperspectral image classification is an important research area in remote sensing data processing，and extensive research has been carried out to obtain higher classification accuracy.The traditional hyperspectral image classification techniques usually concentrate on the information drawn from the spectral domain，while the information of spatial domain is ignored.In this paper，a hyperspectral classification method based on the combination of spectral and spatial information is proposed.Spatial domainmethods，such as the region growingmethod and the binarymorphologymethod，are applied to complement the classification result from the spectral domain information.Experimental results based on a hyperspectral data set show that the proposed method has the capability to increase the classification accuracy.

image processing；hyperspectral remote sensing classification；spatial-spectral integration；spatial information

TP751.1

A

10.3969／j.issn.1001-5078.2013.11.21

1001-5078（2013）11-1296-05

國(guó)防基礎(chǔ)科研計(jì)劃（No.B3920110001）資助。

高曉?。?987－），男，碩士研究生，研究方向?yàn)閳D像處理與目標(biāo)識(shí)別。E-mail：gao－xiaojian＠foxmail.com

2013-01-23；

2013-04-11