摘要：针对高光谱遥感影像的高维性、不确定性及作物光谱变异性问题,传统信息提取方法不适用于高光谱遥感影像作物分类,该文基于一种调节学习方法,引入模糊统计学相关理论,提出模糊判别成分分析(fuzzy-statistics-based discriminative component analysis, FS-DCA)用于提取利于作物分类的高光谱遥感特征空间。首先定义模糊统计学数字特征,利用分块统计建立模糊可分特征子空间,抑制噪声像元造成的不确定性。将主成分分析(principal component analysis,PCA)及判别成分分析(discriminativecomponentanalysis,DCA)与FS-DCA所提取特征和原始全部波段分别应用于AVIRIS Indian Pines 92AV3C高光谱遥感影像中进行分类。结果表明,利用FS-DCA的7个特征进行作物分类获得的平均总体精度比采用全部波段、PCA和DCA分别高出6.88、3.28和0.5个百分点,种植作物的生产者精度与用户精度比传统方法提高1.37~18.47个百分点。该方法有效减少了高光谱影像维数,可为作物信息提取与分类提供参考。

关键词：高光谱 作物 分类 特征提取 模糊统计学 

单位：吉林大学地球科学学院; 长春130061; 吉林大学计算机科学与技术学院; 长春130021; 吉林大学生物与农业工程学院; 工程仿生教育部重点实验室; 长春130022; 吉林大学油页岩地下原位转化与钻采技术国家地方联合工程实验室; 长春130021