苗则朗，史文中

(1.中国矿业大学环境与测绘学院，江苏徐州221008;2.江苏省资源环境信息工程重点实验室，江苏徐州221008;3.香港理工大学土地测量与资讯学系，香港)

基于形态学梯度的高光谱图像分类研究

苗则朗1，2，史文中3

(1.中国矿业大学环境与测绘学院，江苏徐州221008;2.江苏省资源环境信息工程重点实验室，江苏徐州221008;3.香港理工大学土地测量与资讯学系，香港)

基于传统的SVM理论，首先获取像素的形态学梯度信息，考虑周围邻域的影响，对原始的梯度进行中值滤波，然后基于滤波后的梯度进行SVM分类。分类结果表明，基于空间相关性的、梯度的SVM分类精度高于基于像素灰度值的SVM分类精度。

形态学梯度;空间相关性;高光谱遥感;支持向量机

传统的分类器都属于点类型分类器，逐像素分类时仅依据像素的光谱特征，未考虑周围像素的影响。然而在实际的图像中，相邻像素之间一定存在相关性，互相影响，因此传统的分类器并没有考虑这种相关性。像素的空间相关性可以为分类器提供重要信息，可以纠正或剔除噪声影响或错分的孤立像素，从而提高分类精度。文献［1］利用空间上下文的方法，建立了“结构信息”波段，对分类结果进行了调整;文献［2］采用ECHO方法，合并小区域;文献［3］对滤波窗口大小进行了研究。分水岭技术(watershed method)［4］、概率标记松弛法［5］、马尔科夫随机场［6］等也在遥感图像基于空间上下文分类中得到了应用。

本文研究了基于梯度信息并考虑周围邻域的影响，建立了一种基于梯度信息并考虑邻域影响的SVM分类器模型。……