1 武汉大学中国南极测绘研究中心，湖北 武汉 430079
2 武汉大学测绘遥感信息工程国家重点实验室，湖北 武汉 430079
3 武汉大学电子信息学院，湖北 武汉 430079
4 地球空间信息技术协同创新中心，湖北 武汉 430079
5 上海无线电设备研究所，上海 201109
地物精细化分类一直是遥感领域的研究热点之一，也是生物量计算、全球碳循环、能量流动等研究的重要前提。为实现复杂场景下的地物高精度识别分类，本文基于高光谱激光雷达空间-光谱一体化同步获取优势，提出了基于空谱特征优化选择的高光谱激光雷达地物分类流程，构建了多种适用于高光谱激光雷达数据的空谱特征，并通过空谱特征优化选择，确定最优空谱特征组合进而实现高精度地物分类。14类地物分类结果表明，联合多种空谱特征，可优化某些类别因空间结构复杂造成光谱获取准确度不高从而引起的错误分类现象，总体分类精度可达95.57%，平均分类精度为84.37%；基于空谱特征优化选择确定最优空谱特征组合，可有效地消除特征冗余，使得总体分类精度进一步提高1.56%，平均分类精度提高4.36%。基于高空间分辨与高光谱分辨的一体化成像探测优势，高光谱激光雷达技术在地物精细化分类领域极具研究潜力与商业价值。
遥感与传感器 激光雷达 高光谱成像 空谱特征 地物分类 光学学报
2023, 43(12): 1228008
1 中央民族大学信息工程学院, 北京 100081
2 哈尔滨工程大学信息与通信工程学院, 黑龙江 哈尔滨 150001
高光谱图像分类问题是高光谱遥感图像处理问题中的研究基础,它的主要目的是根据高光谱遥感图像中的光谱信息和空间信息将图像中的每个像元划分为不同的地物类别[1]。高光谱图像分类技术被广泛应用于环境监测、矿产勘探、**目标识别等领域,然而高光谱图像的高维特性、波段间的高度相关性、光谱混合等使得高光谱图像分类面临着巨大的挑战。因此,高光谱图像分类问题越来越受到学者们的广泛关注[2-4]。
光学学报
2019, 39(10): 1028002
火箭军工程大学 信息工程系, 陕西 西安 710025
高光谱遥感图像具有特征(波段)数多、冗余度高等特点, 因此特征选择成为高光谱分类的研究热点。针对此问题, 提出了空间结构与光谱结构同时保持的高光谱数据分类算法。考虑高光谱图像的物理特性, 首先对图像进行加权空谱重构, 使图像的空间结构信息自动融入光谱特征, 形成空谱特征集; 对利用最小二乘回归模型保存数据集的全局相似性结构的基础上, 加入局部流形结构正则项, 使挑选的特征子集更好地保存数据集的内在本质结构; 讨论了窗口大小和正则参数对分类精度的影响。对Indian Pines、PaviaU和Salinas数据集的实验表明, 该算法得到的特征子集的总体分类精度达到93.22%、96.01%和95.90%。该算法不仅充分利用了高光谱图像的空间结构信息, 而且深入挖掘了数据集的内在本质结构, 从而得到更有鉴别性的特征子集, 相比传统方法明显提高了分类精度。
高光谱遥感图像分类 特征选择 空谱特征 结构保持 hypersepctral remote sensing image classification feature selection spatial-spectral features 红外与激光工程
2017, 46(12): 1228001
