结合分水岭分割的合成核SVM高光谱分类*

赵振凯 杨 明

(南京师范大学计算机学院，南京，210000)

引 言

高光谱遥感图像(Hyperspectral image，HSI)通常是指光谱分辨率在 10-2λ(λ代表波长)数量级范围内的一组光谱图像，一般包括几十个甚至数百个光谱波段。与传统遥感成像(可见光、多光谱等)相比，高光谱遥感能够获得更加丰富的地物光谱信息，对于更加详细的地物分析[1]，如目标检测[2]、地物分类、污染防治，以及军事侦查领域都具有重要应用。高光谱图像分类，作为许多高光谱数据应用的基础任务，受到人们越来越多的重视。

早期遥感图像的分类主要以光谱特征为主，分类精度较低。近年来，人们逐渐认识到结合空间信息能够改善分类结果，因此吸引了越来越多的关注。高光谱像素点数据之间并不是相互独立无序的光谱特征向量，空间位置相邻的像素点往往属于同一类别，即地物分布的空间平滑特性[3]，因此高光谱的分类通常是光谱信息和空间信息相结合的分类，主要有以下3种：空间预处理方式、结合空间信息直接分类方式、空间后处理方式。空间预处理，首先提取空间特征，然后联合光谱特征，训练分类器进行图像分类。像Camps-Valls和Bruzzone等提出使用基于固定窗提取的空间均值/方差作为空间特征，通过合成核训练支持向量机(Support vector machine，SVM)，高光谱分类往往面临特征维数高，训练样本少等问题，即Hughes现象[4]，核技巧较好地解决高维小样本问题[5]。而Fauvel等[6]把图像的拓展形态学特征作为空间特征，结合光谱特征进行图像分类。Gurram等[7]通过在映射后的核空间取平均引入空间信息，提出了核空间嵌入的SVM分类方法。……