摘要：目的 高光谱影像(hyperspectral image, HSI)分类是众多应用的基础。然而，地物形状和大小复杂多样、“同物异谱，同谱异物”现象等，造成了地物识别与分类中的错误分类，严重降低了分类精度。除了光谱信息外，地物空间特征的有效提取和利用可以提升同类地物的光谱一致性，可提高地物的区分和鉴别能力。然而，大部分方法使用固定的、规则形状的窗口进行处理，这与实际地物的空间结构不符。方法 为此，我们提出了两种空间自适应方法：①增强型二维奇异谱分析方法，基于局部区域的光谱相似性，构建自适应处理窗口，构建低秩轨迹矩阵，并结合奇异值分解进行主成分提取和噪声剔除，得到空间特征增强、无噪声的影像；②超像素奇异谱分析方法，利用超像素的分割能力进行均质区域的初步划分，根据区域大小选择二维奇异谱分析或传统奇异谱分析进行处理，在二维奇异谱分析方法中还设置了与区域相适应的参数。两种方法均充分考虑了地物的不规则分布，旨在提高地物的类间相似性，增强类间差异，提升地物的分类精度。结果 实验在公开的高光谱数据及无人机高光谱数据上进行，结果证明：①增强型二维奇异谱分析方法在空间特征表达以及分类精度上，均优于已有的空间处理方法，结合特征优选方法进一步降低维度，可以取得与深度学习方法媲美的精度；②超像素奇异谱分析方法优于单一的奇异谱分析方法，并且在无人机高光谱-高空间分辨率的影像上，地物分类效果明显。结论 提出了两种新型空间特征提取方法，可以有效提高地物的分类精度。未来的工作将集中于方法在多光谱影像、SAR影像以及多源融合中的应用。
 

高光谱影像；特征提取；空间自适应