《基於高光譜和雷射雷達數據的信息提取與分類研究》是依託上海大學，由黃睿擔任項目負責人的青年科學基金項目。
基本介紹
- 中文名：基於高光譜和雷射雷達數據的信息提取與分類研究
- 項目類別：青年科學基金項目
- 項目負責人：黃睿
- 依託單位：上海大學
中文摘要,結題摘要,
中文摘要
高光譜遙感提供的地物精確光譜特性描述是地物分類識別的重要依據，但不是唯一依據。綜合地物包括光譜、形狀、紋理、空間方位等在內的多種特性進行遙感信息智慧型提取和目標自動識別是遙感智慧型解譯的必然發展趨勢，已成為該領域當前的熱點問題。本項目的研究內容和研究目標正是針對實際分類套用中標記樣本有限的問題，結合高光譜數據的光譜空間、圖像空間信息與雷射雷達數據的強度、三維位置空間信息，研究多源信息的半監督提取與地物的半監督分類方法。重點探討在這種多特徵的組合方式下，基於類別協方差矩陣的半監督正則化進行特徵提取與特徵選擇的方法；以及在不同源特徵構成的新特徵空間，基於tri-training思想擴充標記樣本的半監督分類器集成方法。
結題摘要
高光譜與雷射雷達（Light Detection and Ranging，LIDAR）數據的融合是兩種感測方式的優勢互補，從不同視角獲取地物目標特徵，對典型地物的精細分類影響深遠。兩種數據源的融合與套用已成為當前遙感領域的研究熱點之一。本課題圍繞兩種數據源的信息提取與融合展開，提出了聯合高光譜與LIDAR數據的地物分類框架，在特徵選擇、多特徵的融合以及樣本約簡等方面取得主要研究成果：（1）在光譜、高程、紋理、NDVI等構成的新特徵空間，採用Wrapper模式，提出基於Adaboost和隨機森林的特徵重要度評價方法；（2）利用協同訓練思想，提出基於Tri-training的多特徵融合與半監督地物分類方法，在實現不同特徵融合的同時，還藉助非標記樣本進一步提高了分類精度。（3）將標記樣本信息引入圖Laplacian的構建，提出基於圖Laplacian的半監督特徵選擇方法，能更好地利用標記樣本的類別信息和大量非標記樣本中的局部結構信息；（4）結合自學習思想，進一步提出基於圖Laplacian和自訓練策略的半監督特徵選擇方法，通過自訓練疊代更新特徵子集，最佳化子集質量；（5）提出一種基於分水嶺算法的樣本約簡方法，與基於圖的特徵選擇方法結合，不但能降低算法運算量，也能使其性能得到一定程度的提升；（6）提出一種混合隨機搜尋與啟發式搜尋的子集生成方法，在隨機搜尋中嵌入啟發式搜尋，提高了隨機搜尋的精度，同時保證了最佳化算法解的有效性。
