廖金雷， 张 磊， 周湘山， 陈洪刚*， 熊淑华， 卿粼波

(1.四川大学电子信息学院， 成都 610065； 2.中国电建集团成都勘测设计研究院有限公司， 成都 611130)

植被覆盖分类是反映生态系统的重要信息，对碳循环、栖息地和生物多样性以及公共卫生研究具有重要意义。高光谱图像具有图谱合一的特性，能够比较准确地从光谱中捕获物体间的细微差别，因而被引入到植被精准分类与识别的研究[1-2]中。

中外对基于高光谱图像的植被分类的方法进行了大量的研究。较为直接的方法是将图像数据视为一组像素与光谱特征相对应的离散信号，进一步利用神经网络[3]、支持向量机[4]或多项式逻辑回归[5]等研究方法进行分类。这些方法剥离了像素间的空间相关性，只利用光谱特征对植被进行分类。但同物异谱、同谱异物现象的存在，限制了的这类方法在分类精度上的进一步提升。

相较上述方法，采用空间信息和光谱信息相结合的特征提取显然更有利于植被分类[6]。典型代表包括基于结构滤波分类方法，如利用方形邻域内的样本均值或者方差表征目标像素点空间特征[7]；基于形态学轮廓分析方法，比如文献[8]首先采取主成分分析进行降维，再采用一系列不同的滤波模板进行空间特征提取；以及基于二维卷积神经网络对高光谱图像进行处理[9]。整体而言，空谱结合的思路使得植被分类的研究取得了明显的进展。但由于空谱特征分别提取再融合的多过程设计思路，使得网络模型十分复杂。……