伴随着光学传感器和遥感数据获取平台的发展，高光谱遥感图像在农业领域的应用呈逐年增加的趋势。相对于传统多光谱图像，高光谱图像的分辨率更高，可以更精细地捕捉不同光谱之间的差异，在植被分类、作物种植区域提取、作物表型、作物育种等研究应用上有显著优势[1-3]。植物分类法是开展作物长势监测、作物估产、病虫害监测等研究的基础，以高光谱遥感图像为基础，利用高光谱遥感图像对植物分类进行分类或提取是一种特殊的应用。

在高光谱图像分类中，通常有两大类特征是光谱特征和空间特征[4]。获得光谱学特征的方法主要包括特征选择和特征提取。属性选择就是从原始特征集合中挑选出一个特征集，它保留了原特征空间的物理意义，并有很好的可解释性，但选择的特征间往往有一定的冗余性[5]。最常用的特征选择方法是筛选式特征选择，这种方法构造的特征选择准则完全脱离于分类算法，而只被选为分类前的一种预处理操作[6]。付元元[7]对两个典型的基于互信息的过滤式特征选择方法的性能进行了比较分析，结果表明，双输入对称关联算法(DoubleInputSymmetricalRelevance，DISR算法在分类精度和算法稳定性方面都优于其他方法。利用分散矩阵构造了一种新的过滤式特征选择方法，并将该方法应用于高光谱图像植被分类。结果表明，该方法与传统的基于互信息的特征选取算法相比，能够提高植被分类的准确率。提出了一种基于特征空间的特殊变换，把图像从原始特征空间转换为新的特征空间，使经过变换的特征在不保留原始波段物理意义的情况下得到最优的特征。

[5]主元分析(PCA)(PrincipalComponentAnalysis)属于这种方法。当使用PCA进行高光谱遥感图像分类时，由于前面的几个主元(PrincipalComponents,PCs)包含了原始图像的大部分信息，所以通常先使用PCA作为高光谱图像分类的特征[9,10]。而PCA作为一种非监督的特征提取方法，尽管前几个PCs中的信息量很大，但是并不能保证高的类别可分离性，针对这个问题，本文提出一种混合特征提取方法，把主元分析法与改进的分散矩阵特征选取方法相结合，以选出具有高类别可分离性的PCs在后续分类中使用。改进分类的正确率。

从光谱维中提取了光谱特征，空间特征主要是从空间维中提取。常见的空间维特征有基于灰度共生矩阵(GrayLevelCo-occurrenceMatrix,GLCM)特征[11]、Gabor特征[12]以及形态特征[13]。王增茂等[14]结合GLCM的纹理特征和形态特征，对高光谱图像进行分类具有较高的分类精度。Jia等[15]通过设置一系列滤光器来提取高光谱图像的空间特征，并将其与光谱特征结合，使之具有16种地物(包括植被和非植被)的IndianPines高光谱图像，对于每一类只选择3个训练样本，其总分类正确率为75.45%。

本文以AVIRIS高光谱图像为例，在高光谱图像的植被分类法的基础上，对光谱分析法与空间特征提取方法的性能进行了比较，对其在植被分类中的特性进行分析，为后续对其进行改进和有效结合提供参考。这一结果对实际的高光谱植被分类有一定的指导意义。