面向空间自相关信息的高光谱图像分类方法

廖建尚 王立国

(1.广东交通职业技术学院轨道交通学院, 广州 510650； 2.哈尔滨工程大学信息与通信工程学院, 哈尔滨 150001)

0 引言

通过成像光谱仪获得的高光谱遥感图像能达到几百个波段的光谱，在遥感高光谱分类中，地物(特别是植被)种类丰富且光谱相似[1]，利用高光谱图像可以有效对农作物精准分类与识别，在农业灾害和产量评估方面已有广泛应用[2-3]。有学者将高光谱遥感应用于植被分类[4-7]，例如有一些学者采用光谱特征和模式识别等方法提高植被分类精度[8-12]，对高光谱遥感植被分类进行研究并取得了一定成果，但仅仅关注光谱信息特征挖掘，对于光谱信息接近的植被分类效果并不好；也有一部分学者提出利用空间信息来实现植被分类[13-15]，对空间信息的挖掘进行了初探，但是空间信息的挖掘并不够充分，导致分类性能不高。近年来，越来越多学者利用空间纹理信息结合光谱信息改善高光谱图像地物分类性能，主要有形态滤波特征提取方法[16]、马尔科夫随机场特征提取[17-18]和图像分割特征提取方法[19-20]，其中用滤波器提取图像纹理信息来辅助光谱信息进行有效分类更是一个研究热点，例如不少学者用Gabor滤波器[21]提取纹理信息来辅助高光谱分类[22-23]；还有一些学者用双边滤波器[24-25]来提取高光谱空间纹理信息[26-29]，用于辅助SVM分类。植被分布有较好的统一性，具有较强的空间相关性，以上学者通过挖掘空间纹理信息来提高分类性能有了很大进步，但在提取空间纹理信息的同时，忽略了空间相关性，因此存在一定的局限性。

空间纹理信息提取用于高光谱图像分类的研究中取得了一定成效，但也存在一些不足：①光谱信息接近的植被分类性能有待提高。②过去的高光谱空谱结合分类方法更多关注提取空间纹理信息，忽略了高光谱空间自相关信息的提取。本文通过挖掘高光谱图像的空间自相关信息来提高分类性能，提出用域转换线性插值卷积滤波[30]来提取高光谱图像空间自相关信息，构建基于空间自相关信息的高光谱图像分类算法(Classification of hyperspectral image based on spatial autocorrelation information, CHISCI)，以期有效去除高光谱分类中的椒盐现象，且利用空间自相关信息有效对光谱特性相似的植被实现高精度分类，弥补用光谱信息进行分类的不足。

1 方法

本文实现了基于空间自相关信息的高光谱图像分类算法(CHISCI)，对高光谱全波段和和高光谱数据PCA降维后的前部分主成分进行滤波，获得有效的空间自相关信息，融合后将其交由SVM实现分类。

1.1 空间自相关信息的提取方法与评价指标

1.1.1域转换线性插值卷积滤波提取空间自相关信息

域转换线性插值卷积滤波是2011年由GASTAL等[30]提出的图像特征提取算法，可以将二维的滤波转换为一维的特征提取滤波，有较好的离散噪声去除效果，对有k个波段的高光谱图像，第i个波段的域转换线性插值卷积滤波Ti(u)在高光谱的定义为

(1)

(2)

(3)

式中Gw(x)——通过滤波集Ωw中进行线性插值重建的图像

H(f(u),x)——滤波核，通过一个布尔函数表示，其意义为像元邻域可认为是同种地物，因此该滤波过程中保留了高光谱图像的空间自相关性

将式(2)、(3)代入式(1)，可得

(4)

(5)

(6)

(7)

式中r——滤波半径

σs——空间标准偏差

σr——范围标准偏差

σJt——第t次迭代的偏差

N——总迭代次数

高光谱数据集波段多、数据量大，先对高光谱数据进行归一化，再对每个波段图像进行域转换线性插值卷积滤波提取空间信息，图1为域转换卷积滤波提取高光谱图像空间信息的流程图。

图1 域转换线性插值卷积滤波流程图Fig.1 Flowchart of DTFOIC

图2 σs和σr的分类验证Fig.2 Verification of classification with σs and σr

为了确定空间偏差系数σs、范围偏差系数σr对分类的影响，选用印第安农林图像作为试验数据集，其中8%作为训练样本和92%作为测试样本进行验证，用控制变量的交叉验证法，先取σr=0.3，σs=10～400分别验证分类精度，当σs=30时，总体分类精度OA、平均分类精度AA和Kappa系数综合分类性能较好；然后取σs=30，σr=0.1～1.0，当σr=0.3时，综合分类性能较好，分类折线如图2所示，本文域转换线性插值卷积滤波系数取σs=30和σr=0.3。

1.1.2空间自相关信息的评价指标

引入MORAN[31-32]于1950年提出的莫兰指数(Moran’sI)来衡量高光谱中每个波段图像的空间自相关性，I表达式为

(8)

(9)

式中Xi——高光谱某像元的反射强度

Xj——其他像元的反射强度

wij——空间比重权重，将指数I归一化为[-1,1]，值越大空间相关性越强，值越小空间差异性越大

为了体现域转换线性插值卷积滤波对空间自相关信息的保持特性，先用域转换线性插值卷积滤波对印第安农林和萨里纳斯山谷数据集的每个波段逐个滤波，然后计算每个波段的Moran’sI指数并求均值，如图3所示。由图3可以看出，2个数据集的域转换线性插值卷积滤波提取的空间相关性比原光谱信息好，验证了域转换线性插值卷积滤波有较好的空间自相关性保持特性。

图3 原光谱和域转换线性插值卷积滤波的莫兰指数的均值对比Fig.3 Comparison of Moran’s I for spectral and DTFOIC

1.2 基于空间自相关信息的高光谱分类

首先，本文采用了SVM分类器对高光谱图像进行分类研究，SVM的分类原理：寻找一个分类超平面，使得训练样本中的两类样本点能被分开，并且距离该平面尽可能地远，即间隔最大化；而对线性不可分的问题，通过核函数将低维输入空间的数据映射到高维空间，将原低维空间的线性不可分问题转换为高维空间上的线性可分问题。SVM为映射特征空间上间隔最大的线性分类器，假设对原高光谱图像进行分类，如果地物的光谱相近，容易产生相互误分现象，分类效果差。其次，植被分布有较好的统一性，因此具有较强的空间相关性，因此提取空间自相关性信息将大大有利于SVM对高光谱植被进行分类。

过去高光谱图像空谱结合的分类方法在空间信息中更多关注地物的纹理信息提取，滤波器往往能提取较好的纹理信息，但纹理信息的提取过程往往容易丢失地物的空间相关性信息，从1.1节可以看出，与原光谱信息相比，域转换线性插值卷积滤波后的高光谱图像能保持良好的空间自相关性。

利用域转换线性插值卷积滤波特性，本文设计了一种基于空间自相关信息的高光谱图像植被分类方法，首先用域转换线性插值卷积滤波对高光谱图像的光谱信息提取空间自相关信息，其次为了从多角度获取更丰富的空间自相关信息，用PCA主成分分析方法对光谱数据进行降维，考虑降维后的大部分信息集中在前面的主成分，用域转换线性插值卷积滤波提取前主成分的空间自相关信息，两种信息线性融合后，由对高维数据不敏感的SVM分类器完成分类，构建了基于空间自相关信息的高光谱图像植被分类算法(CHISCI)，实现过程如下：

(1)归一化：高光谱像元的反射强度较大，利用

(10)

对波段数为l的高光谱数据集作归一化处理，Rmin指的是某个波段的最小值，Rmax为最大值，得到信息量重新分布的高光谱图像数据集R。

(2)高光谱PCA降维：对于有l个波段的高光谱数据集R进行PCA降维，为了充分利用PCA成分来进行分类，本文选择前10%的PCA成分组成新的数据集

在油田企业的日常运营中，每天都会产生海量的信息，其中仍然具有利用、保存或借鉴价值的，被整理成档案，由专门的档案管理机构进行管理。信息化数据运行管理的原则之一，就是高效率地完成档案的收集、管理和利用等工作。例如，在档案收集方面，要利用大数据技术，将油田企业各部门产生的数据第一时间收集起来，避免出现珍贵数据丢失等问题。此外，部分档案仍然具有借鉴和利用价值，当油田企业某个部门需要这些档案时，档案管理部门还要尽快地进行档案查找，为各部门工作开展提供帮助。

K=PCA(R)

(11)

其中选择前10%的PCA成分将在3.2节中进行验证分析。

(3)提取空间自相关信息1：用域转换线性插值卷积滤波对全部光谱信息K提取空间信息

(12)

(4)提取空间自相关信息2：用域转换线性插值卷积滤波对数据集K提取空间信息

(13)

(5)空间信息融合：将空间自相关信息Rds和Kds线性融合，形成新的数据集

H=Rds+Kds

(14)

(6)随机从空间信息数据集H以一定比例随机抽取训练集Hs，其余部分作为训练集Ht。

(7)用径向基函数支持的SVM对Hs进行训练，获取训练模型。

(8)获取模型后，用径向基函数支持的SVM对测试集Ht进行分类，得出分类结果。

CHISCI算法流程如图4所示。

图4 CHISCI算法流程图Fig.4 Flowchart of CHISCI

2 试验数据集

(1)印第安农林：来自机载可见光红外成像光谱仪，1992年在印第安纳州西北部印第安农林收集到的高光谱遥感图像，有20 m的空间分辨率，包含145×145个像元，220个波段，其中波长范围在4×10-7～2.5×10-6m，由于噪声和水吸收等因素除去其中的20个波段，包括[104～108]、[150～163]和220，剩余200个波段，包含16类地物，具体地物类别和数量见表1。

(2)萨里斯山谷：来自机载可见光红外成像光谱仪，是1992年在美国加利福利亚州萨里斯山谷收集到的图像，具有3.7 m的空间分辨率，其包含512×217个像元，224个波段，由于噪声和水吸收等因素除去其中的20个波段，包括[108～112]、[154～167]和224，剩余204个波段，包含16类地物，具体地物类别和数量见表2。

3 试验

3.1 试验方法与评价指标

为了验证CHISCI算法在高光谱植被分类的优越性，本文采用6种方法进行比较，分别为：方法1：利用文献[33]提出的SVM；方法2：利用文献[34]提出的高光谱图像PCA降维后用SVM进行分类；方法3：用Gabor滤波器、双边滤波器和导向滤波器[35]分别对高光谱数据用PCA降维后的前20个主成分提取空间信息，并将获取的空间信息和光谱信息线性结合后，用SVM进行分类，形成SGB-SVM、SBL-SVM、SGD-SVM；方法4：采用文献[26]提出的EPF算法对高光谱图像进行分类，有EPF-B-c和EPF-G-c；方法5：采用文献[28]提出的域转换递归滤波的方法IFRF；方法6：本文提出的CHISCI。

为了更好地进行对比，印第安农林数据集图像选取全部16种类别，每类随机选取6%样本组成有标签训练集，其余94%作为测试集；萨里斯山谷数据集图像选取全部16种类别，每类随机选取1%样本组成有标签训练集，其余99%作为测试集。

表1 印第安农林数据集图像分类数据统计Tab.1 Classification statistics of Indian Pines %

表2 萨里斯山谷数据集图像分类数据统计Tab.2 Classification statistics of Salinas Valley %

用总体分类精度(Overall accuracy, OA)、平均分类精度(Average accuracy, AA)以及Kappa统计系数(Kappa statistic, Kappa)来衡量分类算法的精度，为了避免随机偏差，每个方法重复10次试验并统计平均结果，验证平台采用6 GB RAM的试验平台。

3.2 PCA降维和分类试验与分析

提出的CHISCI算法采用了PCA方法，考虑降维后的大部分信息集中在前面的主成分，为了确定分类中使用PCA主成分的数量比例，从而达到较优分类结果，本文对2个数据集进行以下分类验证。

印第安林数据集和萨里斯山谷数据集分别有200和204个波段图像，先对2个数据集进行PCA降维，印第安林分别选择前15%(1～30)主成分进行分类试验，分类结果如图5a所示，从试验结果可以看出，利用前5%(10)主成分进行分类的OA可以达到89%，前8%(16)主成分的OA可以稳定在90%。同理，萨里斯山谷数据集选择前15%(1～31)主成分进行分类试验，分类结果如图5b所示，从试验结果可以得知，利用前4.4%(9)主成分进行分类的OA可以达到95%，前8.3%(17)主成分的OA可以稳定在96%以上。因此为了更充分利用PCA成分来进行分类，本文选择对高光谱数据PCA降维后的前10%作为滤波以及分类成分。

图6 印第安农林数据集分类Fig.6 Classifications of Indian Pines

图5 PCA成分分类结果Fig.5 Classification results for PCA

3.3 试验与分析

为了验证本文提出方法对分类性能的有效性，用6种方法分别对印第安林和帕维亚大学数据集进行分类对比验证，得到表1(训练数占总数6%，测试数占总数94%)和表2(训练数占总数1%，测试数占总数99%)的分类结果，分类效果如图6和图7所示，对试验分析如下：

图7 萨里斯山谷数据集分类Fig.7 Classifications of Salinas Valley data set

(1)CHISCI实现对两类数据集的较优分类，其中印第安农林数据集的总体分类精度OA为96.16%，萨里斯山谷数据集为98.67%，比SVM和PCA-SVM的总体分类精度高出12～16个百分点，比空谱结合方法SGB-SVM、SBL-SVM、SGD-SVM高出4～16个百分点，比EPF算法高出4～6个百分点，比IFRF算法高出2～3个百分点，另外相对其他方法，CHISCI算法对两类数据集的平均分类精度AA和Kappa系数同样有大幅度的提高，充分验证了CHISCI算法在高光谱图像植被分类的有效性。

(2)从印第安农林数据集分类试验可知，在训练样本仅为6%，总体分类精度 OA达到了96.16%，说明对植被多、分布复杂的高光谱数据有较好的分类效果，有效去除椒盐现象，用方框标注的地方去除效果更为明显；萨里斯山谷数据集分类训练样本仅为1%，CHISCI也能达到较优的分类效果，OA、AA均超98%，Kappa系数也超过98，有效地去除椒盐现象，用方框标注的地方效果较为突出，验证了CHISCI对高光谱图像的植被有较好的分类性能。

(3)从萨里斯山谷试验来看，前面几个方法对未结果实的葡萄和未结果实的葡萄园分类效果比较差，两者间错分的比较多，从地物中选择休耕地、未结果实的葡萄、玉米、长叶莴苣5wk和未结果实的葡萄园5个植被中的一个像元，并画出全波段光谱图，如图8箭头所示，可知葡萄和葡萄园各波段的光谱反射率非常接近，导致分类器用光谱信息来分类的效果比较差，尤其是采用SVM对原光谱数据分类，由表2可知，两者的OA仅为88.49%和59.10%，从图7b可以看出，两者相互误分的情况比较严重(用方框圈出)，而CHISCI对两种植被的OA分别达到了98.38%和99.17%，比其他分类器的分类精度都高，两者相互误分的现象大大改善，验证了CHISCI算法对光谱特性接近的植被有较好的分类性能。

图8 植被光谱图Fig.8 Vegetation spectrum

(4)为了验证监督数据对算法的影响，用不同比例的训练样本来测试算法，如图9所示，印第安农林数据集总体分类精度OA在训练样本为3%时就超过90%，萨里斯山谷数据集总体分类精度OA在训练样本为0.3%就超过了95%，验证了CHISCI算法在高光谱图像分类中的优越性。

图9 不同训练样本比例分类性能Fig.9 Classifications of different training samples

4 结论

(1)CHISCI算法对高光谱像元分类精度高。试验结果表明，CHISCI算法比单纯光谱信息SVM算法、空谱结合分类算法(SGB-SVM、SBL-SVM和SGD-SVM)、边缘保持分类算法(EPF)以及IFRF算法相比，OA、AA和Kappa系数都有较大幅度提高，印第安农林数据集的训练比例为6%，OA、AA和Kappa系数分别达到了96.16%、92.48%和95.62，而萨里斯山谷数据集的训练比例仅为1%，3种分类精度系数分别达到了98.67%、98.23%和98.52，充分说明CHISCI算法有效地用域转换线性插值卷积滤波提取空间自相关信息，并基于自相关信息来提高高光谱图像的分类精度。

(2)CHISCI算法有效去除高光谱图像分类的椒盐现象。域转换线性插值卷积滤波提取高光谱图像

的空间自相关信息，并利用空间自相关信息进行高光谱植被分类，能在有限的训练标签中获得较高的分类精度，且有效去除椒盐现象。

(3)CHISCI算法对光谱特性接近的植被有较好的分类性能。植被具有丰富的光谱特性，且光谱相似，试验结果表明，CHISCI可以利用空间自相关信息有效对光谱特性相似的植被实现高精度分类，弥补了用光谱信息进行分类的不足。

1 童庆禧, 张兵, 张立福. 中国高光谱遥感的前沿进展[J]. 遥感学报, 2016, 20(5): 689-707.

TONG Qingxi, ZHANG Bing, ZHANG Lifu. Current progress of hyperspectral remote sensing in China[J]. Journal of Remote Sensing, 2016,20(5): 689-707.(in Chinese)

2 王俊淑, 江南, 张国明,等. 高光谱遥感图像DE-self-training半监督分类算法[J/OL]. 农业机械学报, 2015, 46(5):239-244. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20150534&journal_id=jcsam.DOI：10.6041/j.issn.1000-1298.2015.05.034.

WANG Junshu, JIANG Nan, ZHANG Guoming, et al. Semi-supervised classification algorithm for hyperspectral remote sensing image based on DE-self-training [J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(5):239-244. (in Chinese)

3 IMANI M, GHASSEMIAN H. Edge patch image-based morphological profiles for classification of multispectral and hyperspectral data[J]. IET Image Processing, 2017, 11(3):164-172.

4 邵军勇,潘泉. 高光谱遥感在植被精细分类中的应用[J]. 微电子学与计算机, 2005(10):12-13,19.

SHAO Junyong, PAN Quan. The application of hyperspectral remote-sense to plant fine-classification [J]. Microelectronics & Computer, 2005(10):12-13, 19. (in Chinese)

5 陶秋香,张连蓬,李红梅.植被高光谱遥感分类中训练样本的选择方法[J].国土资源遥感, 2005,17(2):33-35, 81.

TAO Qiuxiang, ZHANG Lianpeng, LI Hongmei. The methods for selecting training samples in vegetation classification based on hyperspectral remote sensing [J]. Remote Sensing for Land & Resources, 2005,17(2):33-35, 81.(in Chinese)

6 陶秋香. 植被高光谱遥感分类方法研究[J]. 山东科技大学学报：自然科学版,2007,26(5):61-65.

TAO Qiuxiang. Vegetation classification methods based on hyperspectral remote sensing [J]. Journal of Shandong University of Science and Technology: Natural Science,2007,26(5):61-65.(in Chinese)

7 HU B, FREEMANTLE J, MILLER J, et al. Vegetation classification using hyperspectral and multi-angular remote sensing data[C]∥2007 IEEE International Geoscience and Remote Sensing Symposium, 2007: 1749-1750.

8 董连英, 邢立新, 潘军,等. 高光谱图像植被类型的CART决策树分类[J]. 吉林大学学报：信息科学版, 2013, 31(1):83-89.

DONG L Y, XING L X, PAN J, et al. Vegetation classification in hyperspectral image with CART decision tree [J]. Journal of Jilin University: Information Science Edition,2013,31(1):83-89.(in Chinese)

9 马心璐,任志远,王永丽.支持向量机在高光谱遥感图像植被分类中的应用[J].农业系统科学与综合研究,2009(2):204-207.

MA Xinlu, REN Zhiyuan, WANG Yongli. Research on hyperspectral remote sensing image classification based on SAM [J]. System Sciences and Comprehensive Studies in Agriculture,2009(2):204-207.(in Chinese)

10 FILIPPI A M, JENSEN J R. Effect of continuum removal on hyperspectral coastal vegetation classification using a fuzzy learning vector quantizer[J]. IEEE Transactions on Geoscience and Remote Sensing, 2007, 45(6): 1857-1869.

11 WANG M, ZHANG L, CHEN S, et al. The analysis about factors influencing the supervised classification accuracy for vegetation hyperspectral remote sensing imagery[C]∥2011 4th International Congress on Image and Signal Processing (CISP), 2011, 3: 1685-1689.

12 ZHANG X, SUN Y, SHANG K, et al. Crop classification based on feature band set construction and object-oriented approach using hyperspectral images[J]. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing, 2016, 9(9):4117-4128.

13 吴见,彭道黎.基于空间信息的高光谱遥感植被分类技术[J].农业工程学报,2012,28(5):150-153.

WU Jian, PENG Daoli. Vegetation classification technology of hyperspectral remote sensing based on spatial information[J]. Transactions of CSAE, 2012, 28(5): 150-153. (in Chinese)

14 CUI M, PRASAD S, BRUCE L M, et al. Robust spatial-spectral hyperspectral image classification for vegetation stress detection[C]∥2012 IEEE International Geoscience and Remote Sensing Symposium, 2012: 5486-5489.

15 SHANG K, ZHANG X, SUN Y, et al. Sophisticated vegetation classification based on feature band set using hyperspectral image[J]. Spectroscopy and Spectral Analysis, 2015, 35(6):1669-1676.

16 MURA M D, BENEDIKTSSON J A, WASKE B, et al. Morphological attribute profiles for the analysis of very high resolution images[J]. IEEE Transactions on Geoscience & Remote Sensing, 2010, 48(10):3747-3762.

17 GHAMISI P, BENEDIKTSSON J A, ULFARSSON M O. Spectral-spatial classification of hyperspectral images based on hidden Markov random fields[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(5): 2565-2574.

18 TARABALKA Y, FAUVEL M, CHANUSSOT J, et al. SVM-and MRF-based method for accurate classification of hyperspectral images[J]. IEEE Geoscience and Remote Sensing Letters, 2010, 7(4): 736-740.

19 LI J, BIOUCAS-DIAS J M, PLAZA A. Spectral-spatial hyperspectral image segmentation using subspace multinomial logistic regression and Markov random fields[J]. IEEE Transactions on Geoscience and Remote Sensing, 2012, 50(3): 809-823.

20 SONG H, WANG Y. A spectral-spatial classification of hyperspectral images based on the algebraic multigrid method and hierarchical segmentation algorithm[J]. Remote Sensing, 2016, 8(4): 296.

21 SHEN L, BAI L. Mutual boost learning for selecting Gabor features for face recognition[J]. Pattern Recognition Letters, 2006, 27(15): 1758-1767.

22 WANG L, HAO S, WANG Y, et al. Spatial-spectral information-based semisupervised classification algorithm for hyperspectral imagery[J]. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing, 2014, 7(8):3577-3585.

23 RAJADELL O, GARCA-SEVILLA P, PLA F. Spectral-spatial pixel characterization using Gabor filters for hyperspectral image classification[J]. IEEE Geoscience and Remote Sensing Letters, 2013, 10(4): 860-864.

24 TOMASI C, MANDUCHI R. Bilateral filtering for gray and color images[C]∥1998 Sixth International Conference on Computer Vision, 1998: 839-846.

25 KOTWAL K, CHAUDHURI S. Visualization of hyperspectral images using bilateral filtering[J]. IEEE Transactions on Geoscience and Remote Sensing, 2010, 48(5): 2308-2316.

26 WANG K, HUANG R, SONG Q. Spectral-spatial hyperspectral image classification using extended multi attribute profiles and guided bilateral filter[C]∥2015 International Conference on Computer Science and Mechanical Automation (CSMA), 2015: 235-239.

27 KANG X, LI S, BENEDIKTSSON J A. Spectral-spatial hyperspectral image classification with edge-preserving filtering[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(5): 2666-2677.

28 廖建尚,王立国,郝思媛.基于双边滤波和空间邻域信息的高光谱图像分类方法[J/OL].农业机械学报,2017,48(8):140-146，211. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20170815&journal_id=jcsam.DOI：10.6041/j.issn.1000-1298.2017.08.015.

LIAO Jianshang,WANG Liguo,HAO Siyuan.Hyperspectral image classification method combined with bilateral filtering and pixel neighborhood information[J/OL].Transactions of the Chinese Society for Agricultural Machinery,2017,48(8):140-146，211.(in Chinese)

29 KANG X, LI S, BENEDIKTSSON J A. Feature extraction of hyperspectral images with image fusion and recursive filtering[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(6): 3742-3752.

30 GASTAL E S L, OLIVEIRA M M. Domain transform for edge-aware image and video processing[J].ACM Transactions on Graphics (TOG), 2011, 30(4): 69.

31 MORAN P A P. The interpretation of statistical maps[J]. Journal of the Royal Statistical Society. Series B (Methodological), 1948, 10(2): 243-251.

32 MORAN P A P. Notes on continuous stochastic phenomena[J]. Biometrika, 1950, 37(1-2): 17-23.

33 MELGANI F, BRUZZONE L. Classification of hyperspectral remote sensing images with support vector machines[J]. IEEE Transactions on Geoscience and Remote Sensing, 2004, 42(8): 1778-1790.

34 CAI S, DU Q, MOORHEAD R, et al. Noise-adjusted principal component analysis for hyperspectral remotely sensed imagery visualization[C]∥16th IEEE Visualization Conference(Vis2005),2005:119-120.

35 HE K, SUN J, TANG X. Guided image filtering[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2013， 35(6):1397-1409.