魏立飛：空-譜融合的條件隨機場高光譜影像分類方法

《測繪學報》

構建與學術的橋樑 拉近與權威的距離

空-譜融合的條件隨機場高光譜影像分類方法

魏立飛¹, 餘銘¹, 鍾燕飛

1. 湖北大學資源環境學院, 湖北 武漢 430062;2. 武漢大學測繪遙感信息工程國家重點實驗室, 湖北 武漢 430079

收稿日期：2019-01-25；修回日期：2019-10-24

基金項目：國家重點研發計劃課題（2017YFB0504202）；國家自然科學基金優秀青年科學基金（41622107）；湖北省技術創新專項重大項目（2018ABA078）；空間數據挖掘與信息共享教育部重點實驗室開放基金（2018LSDMIS05）；農業部農業遙感重點實驗室開放基金（20170007）

第一作者簡介：魏立飛(1983—), 男, 博士, 副教授。研究方向為遙感圖像處理、農業遙感、生態遙感。E-mail:[email protected]

通信作者：餘銘, E-mail:[email protected]

摘要：高光譜遙感數據具有光譜信息豐富、圖譜合一的特點，目前已經廣泛地應用在對地觀測中。傳統的高光譜分類模型大多過分依賴影像光譜信息，沒有充分利用空間特徵信息，這使得分類精度還有很大的提升空間。條件隨機場是一種概率模型，能夠較好地融合空間上下文信息，在高光譜影像分類中已經得到越來越多的關注，但大部分條件隨機場模型存在超平滑的現象，會導致影像細節丟失。針對該問題，本文提出了一種優化融合影像空-譜信息的高分辨率/高光譜影像分類方法，該方法將影像的紋理信息與原始光譜信息進行融合，利用SVM分類器對其進行預分類，並將各類概率定義為一元勢函數，以融合空間特徵信息；然後將空間平滑項和局部類別標籤成本項加入二元勢函數中，以考慮空間背景信息，並保留各類別中的詳細信息。最後，通過兩組的高分辨率/高光譜影像數據進行試驗。結果表明，與SVM算法、傳統的條件隨機場方法和麵向對象的分類方法相比，本文提出的算法在整體分類精度上分別提高了10%、9%和8%以上，同時在保持地物邊緣完整性、避免"同譜異物"與"同物異譜"的現象方面有較明顯的優勢。

關鍵詞：高光譜遙感影像 條件隨機場 空-譜融合 影像分類

Hyperspectral image classification method based on space-spectral fusion conditional random field

WEI Lifei¹, YU Ming¹, ZHONG Yanfei², YUAN Ziran¹, HUANG Can¹

1. Faculty of Resources and Environmental Science, Hubei University, Wuhan 430062, China;2. National Laboratory for Information Engineering in Surveying, Mapping and Remote Sensing, Wuhan University, Wuhan 430079, China

Foundation support: The National Key Research and Development Program of China (No. 2017YFB0504202);The National Natural Science Foundation of China (No. 41622107);The Special Projects for Technological Innovation in Hubei (No. 2018ABA078);The Open Fund of Key Laboratory of Ministry of Education for Spatial Data Mining and Information Sharing (No. 2018LSDMIS05);The Open Fund of Key Laboratory of Agricultural Remote Sensing of the Ministry of Agriculture (No. 20170007)

First author: WEI Lifei (1983—), male, PhD, associate professor, majors in remote sensing image processing, agricultural remote sensing and ecological remote sensing.E-mail:[email protected].

Corresponding author: YU Ming, E-mail:[email protected].

Abstract: Hyperspectral remote sensing image has the characteristics of rich spectral information and combining image with spectrum, which has been widely applied in the earth observation. Most of traditional hyperspectral image classification models don't make fully use of spatial feature information, rely too much on the spectral imformation, making the classification accuracy still have a lot of room to improve. Conditional random field (CRF) is a kind of probability mode that can better integrate spatial context information. It plays a more and more important role in hyperspectral image classification. However, most CRF models have the problem of excess smoothness, which will result in the loss of detail information. Aiming at this problem, this paper proposed a hyperspectral image classification method based on space-spectral fusion conditional random field. The proposed method designs suitable potential functions in a pairwise conditional random field model, fusing the spectral and spatial features to consider the spatial feature information and retain the details in each class. The experiments on two sets of hyperspectral image showed that, compared with the traditional methods, the proposed classification method can effectively improve the classification accuracy, protect the edges and shapes of the features, and relieve excessive smoothing, while retaining detailed information.

Key words: hyperspectral remote sensing imagery conditional random field space-spectral fusion image classification

隨著空間技術的發展，高光譜遙感技術已經成為遙感領域最重要的研究熱點之一。高光譜遙感技術是指具有高光譜分辨率的遙感數據獲取、處理、分析及應用的過程。除了具有較高的空間分辨率，高光譜數據還有連續且豐富的光譜波段，波段數多達數十甚至上百個，能夠檢測到地物細微差別並鑑別出不同的類別

利用高光譜遙感數據分類是高光譜遙感應用熱點之一，也面臨著許多挑戰，如維數災難、非線性數據結構的挑戰、空間同質性與異質性問題等。目前針對這些問題，許多從事高光譜影像分類研究工作的國內外學者一方面利用機器學習、模式識別等領域的算法進行高光譜遙感分類，如文獻[8]針對高空間分辨率遙感影像的分類問題，提出了基於深度學習的分類方法，利用影像的光譜-紋理特徵有效提高了高分辨率遙感影像的分類精度。文獻[9]利用主動學習結合空間約束對高光譜影像分類，提升了分類算法的精度和自適應程度。另一方面則挖掘高光譜遙感影像隱藏的特徵信息對高光譜分類進行研究，如文獻[10]基於波段分組和分類器集成的方法，根據波段之間的相似性信息對光譜波段進行分類。文獻[11]提出基於譜聚類和稀疏表示的兩級分類算法對高光譜圖像進行分類，減少了噪聲及區域邊界對分類效果的影響。文獻[12]提出了一種基於稀疏性的高光譜圖像分類算法，將上下文信息結合到稀疏恢復優化問題中，其分類性能優於經典的監督分類器支持向量機。文獻[13]使用多尺度自適應稀疏表示有效地利用了空間信息，使得其提出的高光譜分類方法優於眾所周知的幾種分類方法。文獻[14]提出了基於核函數的高光譜圖像分類方法框架，採用光譜信息和空間信息相融合的算法對高光譜影像進行分類。這些方法在一定程度上解決了高光譜遙感影像地物分類的問題，但還存在較大的精度提升空間。

隨著傳感器技術的完善，同時具備高空間分辨率和高光譜分辨率的遙感數據大量產生，與單獨的高光譜分辨率遙感數據相比，這類數據除了具有豐富而連續的光譜波段，還具有較高的空間分辨率，但同時也存在影像上地物出現高度的細節化以及“同物異譜”與“同譜異物”的現象更加明顯的侷限，降低了光譜可分性^[15]，因此單純利用光譜分類無法滿足越來越高的空間分辨率。隱藏在高光譜數據中的空間特徵逐漸被挖掘，融合光譜-空間特徵的方法^[16]越來越多地被應用於高光譜影像分類。條件隨機場(conditional random field, CRF)由於能夠結合空間背景信息而被廣泛地運用於圖像分割、立體視覺和活動分析等領域^[17-19]，條件隨機場分類框架不僅可以考慮標籤圖像的上下文信息，還可以考慮觀察數據的空間相互作用。但是傳統的條件隨機場方法常常會過度平滑，從而導致細節信息的丟失^[20]

1 算法模型

本文針對傳統條件隨機場存在過度平滑的問題，提出了一種空-譜融合的條件隨機場高光譜遙感影像分類方法。該方法將由灰度共生矩陣(gray level co-occurrence matrix, GLCM)獲得的紋理特徵與原始光譜特徵組成空-譜融合特徵，將利用SVM分類器獲得的各類別概率定義為條件隨機場的一元勢函數，將空間平滑項與局部類別標籤項的線性組合定義為二元勢函數，從而達到在結合空間上下文信息的同時保留細節信息的分類效果。

1.1 CRF模型

CRF用統一的概率框架模擬隨機變量之間的局部鄰域相互作用，它直接模擬標籤的後驗概率，給出觀察圖像數據為吉布斯(Gibbs)分佈

(1)

式中，y為輸入圖像的觀察數據；x是整個圖像的相應類別標籤；Z是分區函數；ψc(xc,y)是勢函數，它根據圖像中的鄰域系統和派系對隨機變量的空間交互進行局部建模。根據觀測數據中的派系類別及其相應的標籤，勢函數可以分為一元勢函數、二元勢函數和高階勢函數。雖然高階勢函數可以模擬更廣泛的上下文信息，但是這類勢函數的推理過程一般較困難，因此在分類問題中常常選擇二階條件隨機場進行研究，其中包括一階勢函數與二階勢函數^[20]。

作為判別分類框架，如式(1)所示，CRF直接模擬標籤x的後驗分佈，給定觀察值y

(2)

相應的，分類影像通過貝葉斯最大後驗規則(MAP)找到使後驗概率P(x|y)最大化的標籤圖像y。所以隨機場的MAP標記x_MAP由式(3)給出

因此，當後驗概率P(x|y)最大時，能量函數E(x|y)最小。遙感分類問題可以通過設計合適的勢函數來描述

(4)

式中，ψi(xi,y)和ψij(xi,xj,y)是分別定義在點i局部領域Ni上的一元勢函數和二元勢函數。

1.2 G-CRF模型

1.2.1 G-CRF方法技術流程

本文提出一種空-譜融合的條件隨機場高光譜影像分類方法。該算法的步驟如下：

(1) 通過灰度共生矩陣(GLCM)提取待分類影像的紋理特徵，聯合每個像素的光譜信息，形成紋理-光譜融合特徵。

(2) 將融合特徵輸入SVM分類器，對標籤和融合特徵的關係進行建模，並根據給出的標籤基於特徵向量獨立的計算每個像素的概率估計，得到概率影像。

(3) 將待分類影像與概率影像輸入G-CRF模型中，在空間平滑項與局部類別成本項的作用下，通過標記場和觀測場模擬每個像素與其相應鄰域的空間上下文信息，考慮空間相關性並保留相鄰區域之間的邊界和細節信息，得到更優分類結果。

本方法技術流程如圖 1所示。

圖 1 本文方法流程 Fig. 1 The flow chart of our method

圖選項

1.2.2 一元勢函數

一元勢函數ψi(xi,y)對標籤和觀察圖像數據之間的關係進行建模，通過特徵向量來計算採用特定類別標籤的單個像素的成本。因此，可以用能夠給出標籤xi的概率估計的判別式分類器單獨計算每個像元，給出特徵向量。它在分類過程中起主導作用，一般為某監督分類器的後驗概率。通常被定義為

(5)

式中，f是一個特徵映射函數，它將圖像中任意一個像元映射到一個特徵向量；fi(y)表示位置i處的特徵向量，本文在像素原有光譜信息的基礎上加入了空間紋理信息，考慮了影像灰度空間中像元點對之間的相關性和空間結構特性，因此，該特徵向量在本文中為空間-光譜特徵向量。P[xi=lk|fi(y)]是基於特徵向量的像素i取的標籤lk的概率。由於SVM分類器在遙感圖像分類的小訓練集中表現良好，本文選取SVM分類器從空間-光譜特徵中獲取各類別概率作為一元勢能。

1.2.2.1 光譜特徵

最小噪聲分離法(minimum noise fraction, MNF)是一種常用的光譜特徵提取方法，其簡便，易於實施。MNF變換後各分量按照信噪比大小排列，信息主要集中在第1分量，隨著分量增加，影像質量逐漸降低。有研究表明，與原始高維影像數據和PCA變換得到的特徵影像相比，MNF變換得到的低維特徵影像能夠更加有效地提取影像中的光譜信息^[21]，因此本文選擇該方法提取高分辨率高光譜影像的光譜信息。

1.2.2.2 紋理特徵

為了進一步提高分類精度，本文選取穩定性較好、貢獻度較大的6種紋理信息進行輔助分類。紋理特徵是一種不依賴於亮度和顏色的反映影像中相鄰像元相似信息的視覺特徵，它是所有物體表面共有的內在特性，包含了物體表面結構組織規律的重要信息以及它們與周圍環境的關係^[22-23]。灰度共生矩陣是常用的具有較好鑑別能力的提取紋理信息的方法^[24-25]

設f(x,y)是一幅大小為M×N，灰度級別為Ng的二維數字圖像，那麼滿足一定空間關係的灰度共生矩陣為

(6)

式中，#(x)為集合x中的元素個數；P為Ng×Ng的矩陣，若(x₁,y₁)與(x₂,y₂)之間的距離為d，二者與橫座標軸的夾角為θ，那麼各種間距及角度的灰度共生矩陣P(i,j,d,θ)為

(7)

本文使用到以下幾種紋理統計度量指標。

(1) 同質性(homogeneity)：反映影像灰度的均勻性

(8)

(2) 角二階距(angular second moment)：反映影像灰度分佈的均勻程度和紋理的粗細度

(9)

(3) 對比度(contrast)：反映影像的灰度變化量

(10)

(4) 不相似性(dissimilarity)：衡量影像中灰度值不相似的程度

(11)

(5) 均值(mean)：表示紋理的規則程度

(12)

(6) 熵(entropy)：反映影像紋理的複雜程度或者非均勻度

(13)

1.2.3 二元勢函數

二元勢函數通過考慮標記場和觀測場來模擬每個像素與其鄰域之間的空間上下文信息。雖然由於光譜變化和噪聲的影響，均勻影像上的相鄰像素的光譜值可能看起來不相同，但是由於空間相關性的影響，它們很有可能是相同的類別。二元勢函數模擬了這種光滑性並且考慮了標籤約束，這有利於分佈均勻的區域中具有相同地物的像元的分類以及保留兩個相鄰的區域的邊緣。在本文中二元勢函數定義為空間平滑項和局部類別標籤成本項的線性組合。基於光譜和空間的相關性，空間平滑項和局部類別標籤成本項傾向於使相鄰像素具有相同的標籤，同時局部類別標籤成本項在分類過程中考慮了相鄰像素的不同類別標籤，有利於考慮上下文信息的同時保留大量地物特徵的細節信息。

本文二元勢函數定義如下

(14)

式中，gij(y)表示與數據y有關的平滑項；ΘL(xi,xj|y)是大小為|L|×|L|的局部類標籤成本項，它表示鄰域內的標籤xi和xj之間的成本。參數θ是控制二元勢函數中標籤成本項的程度的相互作用係數。函數gij(

(15)

式中，(i,j)是相鄰像素的空間位置；函數dist(i,j

局部類標籤成本項

(16)

式中，P[xi|fi(y)]是特徵向量fi(y)的標籤概率。局部類別標籤成本項考慮了相鄰像素的當前類別標籤xi，通過xi來衡量圖像中相鄰元素i和j處標籤之間的相互關係，當特徵空間中的類存在較強的相似性或者重疊時，它會通過鄰域空間標籤信息來改變像元的標籤。因此，與當前專題標籤相關的局部類別標籤成本項通過專題類標籤的概率分佈的估計形式來考慮光譜信息，以在考慮空間上下文信息的同時進行適當的平滑。

2 試驗與分析2.1 試驗數據

本文使用兩組試驗以驗證本文方法。第1組試驗數據為2017年11月利用M600PRO無人機在湖北省洪湖市獲取的高分辨率高光譜數據集(WHU-Hi-Farmland-HH UAV dataset)，該數據可用於精準農業製圖，由武漢大學智能數據提取與遙感分析組(RSIDEA組)提供。其原始影像如圖 2(a)所示，空間分辨率為0.04 m，大小為400×400像素，共有274個波段，包含屋頂、道路、棉花、棉花柴、油菜、白菜、包菜、菜薹、白蘿蔔、小青菜、青菜、蠶豆、柿子樹等13種地物類型，對應的地面真實分佈圖為圖 2(b)。

圖 2 洪湖數據集 Fig. 2 The Honghu dataset

圖選項

第2組試驗數據是由AVIRIS傳感器採集的美國加利福尼亞州薩利納斯山谷數據，其原始影像如圖 3(a)所示，該數據共224個波段，其中去除了20個吸水帶，具有3.7 m的空間分辨率，大小為512×217像素，共包含蔬菜、裸地、葡萄園等16類地物類型，對應的地面真實分佈圖為圖 3(b)。

圖 3 Salinas數據集 Fig. 3 The Salinas dataset

圖選項

2.2 試驗描述

本文使用中國洪湖市與美國加利福尼亞州薩利納斯山谷高光譜數據集來驗證提出的G-CRF方法。同時對比算法包括傳統的像素分類法、面向對象分類方法和隨機場分類法。像素分類法採用傳統的SVM算法。面向對象方法採用均值漂移分割法(mean shift, MS)

在試驗中，每種算法分別隨機選擇3%、5%、10%的訓練樣本進行分類，利用剩餘97%、95%、90%的樣本進行精度驗證。使用各類別精度、總體精度(OA)、Kappa係數^[28]3種指標定量評價分類結果。

2.3 結果與分析

本文中各組試驗分別隨機選取參考樣本的3%、5%、10%作為訓練數據集，剩餘97%、95%、90%樣本作為測試樣本。

2.3.1 洪湖數據試驗結果及分析

在第1組洪湖市的試驗中，通過MNF變換將原始影像從270個波段降至17波段，根據影像特徵經試驗提取同質性、不相似性、均值、熵4類紋理特徵。參數θ和β在3%、5%、10%的情況下分別設置為3/1.6、2/0.8、1.5/1。試驗結果如下。

從圖 4的分類效果對比圖可以看出，在訓練樣本分別為3%、5%、10%時，SVM算法分類效果均較差，整體具有較多的“椒鹽”噪聲，各部分無法避免分類混淆現象。如圖 4(a)、(e)、(i)右上角產生了大片噪聲，該區域的部分棉花柴被錯分為棉花；中部的柿子樹、青菜、油菜、小青菜分類混淆現象嚴重。圖 4(b)、(f)、(j)為CRF的分類圖，可以明顯看到噪聲減少，但總體看來錯分現象仍然嚴重，如中間的棉花柴部分錯分為棉花，小青菜錯分為菜薹，包菜和蠶豆分類後邊界不清晰，同時由於CRF方法過平滑的作用，部分分佈零散的作物被當作噪聲處理，因此分類效果較SVM算法有一定優化，但仍然有較大的提升空間。MS算法較前兩種方法噪聲也減少了，但是對於個別作物無法識別，如圖 4(c)(g)(k)所示，小青菜完全被錯分為菜薹和包菜。圖 4(d)、(h)、(l)為G-CRF算法的分類效果圖，可以看到“椒鹽”噪聲現象被優化，各類地物錯分現象減少，同時較好地保持了各類地物的界限，尤其是在前兩種方法中分類效果較差的青菜、菜薹、油菜等作物有較大的改善。

(a)、(b)、(c)、(d)當訓練樣本為3%時，SVM、CRF、MS、G-CRF分類效果；(e)、(f)、(g)、(h)當訓練樣本為5%時，SVM、CRF、MS、G-CRF分類效果；(i)、(j)、(k)、(l)當訓練樣本為10%時，SVM、CRF、MS、G-CRF分類效果圖 4 洪湖分類效果對比 Fig. 4 The classification results of different algorithm on Honghu

圖選項

從表 1對精度的定量分析可以看到，當訓練樣本分別為3%、5%、10%時，傳統的SVM算法的整體精度分別為88.80%、89.88%、90.92%，Kappa係數分別為0.748 3、0.775 0、0.800 2。青菜的精度無論是在訓練樣本為3%、5%、10%時均較低，分別為1.4%、1.43%、6.02%，分類效果較差。CRF算法的整體精度分別為89.05%、90.98%、92.01%，Kappa係數分別為0.753 3、0.798 6、0.823 5，較SVM算法精度約提高了1%，但由於其過度平滑作用，部分作物分類精度有所下降，尤其是在訓練樣本為3%時，包菜和青菜的分類精度僅為0.8%與0.84%。面向對象的MS算法的整體精度分別為90.25%、91.74%、93.01%，Kappa係數分別為0.777 9、0.815 5、0.844 7。該方法對於面積較小的包菜和青菜分類效果較差，在訓練樣本為3%時，精度均為0。G-CRF算法在同時考慮了空間特徵信息與光譜信息之後整體分類精度分別達到了98.87%、99.17%、99.34%，Kappa係數分別為0.975 9、0.982 2、0.986 0，與前3種算法相比，精度分別提高約了10%、9%和8%，各類地物的分類精度均有較大的提高，尤其是在前幾種算法中分類效果差的包菜、青菜、小青菜，在訓練樣本為3%的情況下，分類精度分別達到了97.39%、89.64%和92.19%，因此可以看出該方法的分類效果較好。

表 1 洪湖數據不同算法精度對比Tab. 1 The results comparison on Honghu

表選項

2.3.2 Salinas數據試驗結果及分析

在第2組Salinas的試驗中，通過MNF變換將原始影像從224個波段降至29波段，根據影像特徵經試驗提取角二階距、對比度、均值、熵4類紋理特徵，參數θ和β在3%、5%、10%的情況下分別設置為2.5/0.4、0.8/0.4、2.8/1.2。試驗結果如下：

圖 5為Salinas數據在訓練樣本分別為3%、5%、10%時的分類效果對比圖，從圖 5(a)、(e)、(i)可以看出SVM算法分類圖中整體噪聲非常嚴重，尤其是C8和C15兩類地物分類後產生“椒鹽”噪聲以及分類混淆。圖 5(b)、(f)、(j)為CRF的分類圖，整體分類效果較SVM有一定改進，但是C8類和C16類仍有錯分情況。圖 5(c)、(g)、(k)為MS的分類圖，C8類和C16類分類效果依然較差，並且各類之間的邊緣模糊不清，如C4和C5、C11和C12。從圖 5(d)、(h)、(l)G-CRF算法的分類效果圖可以看到分類後的噪聲在考慮空間信息與光譜信息後得到了優化，各類地物錯分現象得到了改善，並且較好地保持了各類地物的界限，尤其是在其他方法中表現較差的C8類和C15類，在該方法中錯分現象減少，分類效果較前3種方法有較高的提升。

(a)、(b)、(c)、(d)當訓練樣本為3%時，SVM、CRF、MS、G-CRF分類效果；(e)、(f)、(g)、(h)當訓練樣本為5%時，SVM、CRF、MS、G-CRF分類效果；(i)、(j)、(k)、(l)當訓練樣本為10%時，SVM、CRF、MS、G-CRF分類效果圖 5 Salinas數據分類效果對比 Fig. 5 The classification results of different algorithm on Salinas

圖選項

從表 2的精度評價對比可以看出本文方法具有一定的優越性。在訓練樣本為3%、5%、10%時，SVM算法和CRF算法的整體精度分別達到87.18%、87.68%、88.86%和88.55%、89.74%、91.00%，Kappa係數分別為0.856 5、0.862 4、0.875 5和0.871 7、0.885 3、0.899 4，但個別地物的分類精度仍然較低，如在訓練樣本為3%時，地物C15：Vinyard_untrained在SVM方法下精度僅為44.15%。並且在CRF方法下某些地物分類精度低於SVM方法，如C15：Vinyard_untrained在訓練樣本為3%和5%時，CRF方法的分類精度均低於SVM。這是由於傳統的CRF方法將零散分佈的地物當作噪聲過度平滑從而導致精度降低。MS算法的整體精度分別為86.57%、86.12%、87.58%，Kappa係數分別為0.849 4、0.844 5、0.860 9，對於C15：Vinyard_untrained分類效果依然較差，分別為25.57、27.70、32.92。G-CRF方法在考慮了空間特徵信息與空間背景信息後，整體精度分別達到了98.47%、98.57%、99.04%，Kappa係數分別為0.983 0、0.984 1、0.989 3，較前3種方法分別提高了約11%、10%和12%，各類地物的分類精度也有較大提升，尤其是地物C15：Vinyard_untrained的分類精度在融入了空間信息之後分別達到了99.60%、99.00%、99.27%，比SVM算法提高了約45%，分類效果較好。

表 2 Salinas數據不同算法精度對比Tab. 2 The results comparison on Salinas

表選項

3 結論

由於高分辨率高光譜影像空間分辨率的提高、波段數增加，遙感影像包含的信息更加豐富，地物呈現出高度的細節化，這使得相同地物的光譜信息可能會產生差別，不同地物的光譜信息可能會產生重疊，導致“同譜異物”與“同物異譜”的現象。同時遙感影像不再僅僅反映地物的光譜信息，也包含了大量不同地物的組織結構信息。

因此，本文提出了一種應用於高分辨率高光譜影像分類的G-CRF方法，通過對條件隨機場模型中的一元勢函數使用SVM分類器對局部鄰域和有限的訓練樣本獲得概率估計，在二元勢函數中使用空間平滑項和局部類別標籤成本項來平滑局部鄰域空間以及考慮空間上下文信息。同時利用GLCM提取高分辨率高光譜影像的紋理信息，並融合到原始影像中進行分類。該方法在無人機獲取的數據以及公共數據集上的試驗表明，融合了紋理信息的條件隨機場方法能夠有效地減少噪聲，保持地物邊緣的完整性，減少錯分的概率，同時緩解了傳統的條件隨機場過度平滑的現象，大大地提高了分類精度。

【引文格式】魏立飛, 餘銘, 鍾燕飛, 等. 空-譜融合的條件隨機場高光譜影像分類方法. 測繪學報，2020，49(3)：343-354. DOI: 10.11947/j.AGCS.2020.20190042

姚宜斌 l《測繪學報（英文版）》（JGGS）精選論文

論文推薦 | 施闖：北斗廣域高精度時間服務原型系統

PPT | 劉先林院士：新時代 新測繪

資訊 | 工程碩博培養模式將迎新變化，工程博士被特別關注

SCI論文經典詞和常用句型

重溫經典 | 寧津生：基於衛星加速度恢復地球重力場的去相關濾波法

權威 | 專業 | 學術 | 前沿

歡迎加入《測繪學報》作者QQ群： 751717395

進群請備註：姓名+單位+稿件編號

閱讀更多 測繪學報 的文章

關鍵字: 魏立 武漢 黃燦