第34卷，第2期 2014年2月
光谱学与光谱分析 Spectroscopy and Spectral Analysis
Vol.34,No.2.pp526-531 February2014
基于光谱与空间特征结合的改进高光谱数据分类算法
李娜，李咏洁，赵慧洁*，曹扬”
1.北京航空航天大学精密光机电一体化技术教育部重点实验室，北京100191 2航天科工第四研究院指挥自动化技术研发与应用申心，北京100854
摘要针对仅利用光谱信息进行分类未充分利用高光谱数据图谱合一特性的间题，提出了基于马尔可夫随机场的改进分类模型，利用基于最大后验概率的马尔科夫随机场模型进行光谱与空间信息的融合应用，采用基于光谱信息的概率支持量机方法提高马尔科夫随机场模型中光谱能量函数项的类条件概率估计精度，设计基于信息传播策略、信息更新策略、多尺度传播策略的多重加速策略的高效置信传播优化算法，解决了马尔科夫随机场模型中全局能量最小化优化过程中计算复杂度高、计算耗时等回题。利用航空可见-近红外成像光谱仪AVIRIS对美国印第安纳州西北部的农业示范区数据进行应用分析，并与迭代条件模型、模拟退火、置信传播等方法进行性能比较，试验结果表明：该方法能够达到总体分类精度95.78%、Kappa系
数0.9334，优于现有马尔科夫随机场分类算法，并且计算效率比置信传播优化算法提高了3倍以上。关键词高光谱遥感：分类；马尔可夫随机场：概率支持向量机；高效置信传播
中图分类号：TP751
文献标识码：A
引言
D0I; 10, 3964/j. issn.1000-0593(2014 )02-0526-06
型构造中将光谱特征加人，实现了真正意义上算法级光谱与空间信息结合，解决了上述形态学方法存在的间题。Bartels 等提出了一种基于“规则"的改进极大似然分类算法，通过引
高光谱遥感图像不仅包含地物的连续、紧密的光谱信息，且包含地物的空间分布信息门。目前高光谱数据处理方法主要是从光谱匹配或特征空间分析的角度进行研究，仅仅利用高光谱遥感图像提供的单一信息进行消清晰、全面、准确的地表地物解译是非常困难的。因此，为了准确、稳定的进行高光谱遥感图像的分析，综合考虑高光谱数据提供的光谱、空间信息是十分必要的。
自前，能够有效将光谱与空间信息结合的方法主要包含两大类：基于形态学的方法和基于邻域模型的方法。Antonio Pa等提出基于数学形态学的高光谱数据端元提取、数据降维等模型3}，Fauvel等提出了基于光谱特征与形态学空间特征联合应用的高光谱数据分类方法3]。基于形态学的方法通过空间维特征提取的方式挖掘地物空间相关性的信息，实现光谱-空特征联合的高光谱数据应用：然而该类方法是在特征级上将光谱与空间信息相结合，并且形态学中结构元素、多维向量度量算子的设置直接影响数据应用效果。基于邻域模型的方法综合考愿地物空间分布的相关性，并在模
收稿日期：2013-04-10，修订日期：2013-06-28
入地物类别空间依存关系提高分类精度4」，但“规则”的制定依赖人工干预，在应用中需要根据数据实际情况随时修改“规则"；Moura提出了基于马尔可夫随机场（Markovrandom field，MRF)理论的自适应高光谱图像分析方法5]，该方法利用空间信息内在的两个重要性质：非因果性和马尔可夫性来描述数据背景并建立异常检测算法；MRF理论利用地物空间连续分布的特性基于邻域模型建立各个像元的空间相关性模型，并且在像元类条件概率计算中将光谱信息综合考虑，有效地实现了光谱-空间信息联合的地物分类与识别。自前基于MRF的方法中假设数据服从高斯分布进行类条件概率（classconditionalprobability，CCP)的估计]，而高光谱数据具有较长的“拖尾”特性，不能较好地服从高斯分布"」：并且基于MRF的方法中能量最小化优化过程中计算量大、容易陷入局部最优解等问题，使得该方法分类精度下降、计算效率低。针对上述间题，本文提出了基于高效置信传播(efficientbeliefpropagation，EBP）的改进马尔可夫随机场分类算法，实现高精度、高效的高光谱数据地物分类
基金项目：国家自然科学基金项目（61008047），国家（863计划）项目（2012AA12A30801，2012YQ05250），中国地质调查局项目
(1212011120227），长江学者和创新团队发展计划项目(IRT0705)资助
作者简介：李娜，1978年生，北京航空航天大学仪器科学与光电工程学院讲师
*通讯联系人e-mail：hjzhad@buaa.edu.en
e-mail : lina_17@ buaa. edu, cn