面向高空间分辨率遥感影像分类的自适应尺度空-谱特征提取研究

Land cover classification is a prevailing hot topic in the remote sensing field. Given that most of existing feature extraction methods directly extract spatial-spectral features without accounting for the intrinsic factors of various ground targets, such as heterogeneity and scale difference, these methods exhibit poor classification performance when applied to high spatial-resolution remote sensing images. Therefore, this project proposes to develop an “object distance metrics-->adaptive scale solution-->typical feature extraction” framework that considers a multi-scale object as the analytical unit. The proposed framework concentrates on adaptive scale spatial-spectral feature extraction and land cover classification. First, to provide a reliable foundation for adaptive scale searching, metrics learning is introduced for measuring the similarity between neighboring objects. Second, to more accurately describe spatial–spectral features, a neighboring object searching strategy is promoted for constructing the adaptive scale that considers the variability of scale and heterogeneity of different targets. Finally, typical feature extraction and spatial feature description approaches are developed to build a classification framework that is based on a scale-driven spatial–spectral feature. This project has important significance for academic development and practical applications. Furthermore, this project will advance the automated information processing of remote sensing images and will improve the accuracy of land cover classification.

地表覆盖分类一直是遥感领域的研究热点。针对高空间分辨率遥感影像，当前大多方法因未考虑地表异质性、地物尺度差异和地物随机分布等因素，直接求解空-谱特征用于分类，而导致效果欠佳。为此，本项目以多尺度分割对象为分析单元，提出“对象距离度量-->自适应尺度求解-->典型特征提取”的研究思路，围绕自适应尺度开展空-谱特征提取及其分类研究。主要内容包括：1）对象距离度量学习，即以度量学习为工具实现对象相似度有效度量，为尺度搜索提供可靠保障；2）自适应尺度求解，即为适应影像地物尺度多变和随机分布的特性，建立邻域尺度搜索机制，实现邻域尺度的自适应构建，以提高特征观测的准确性；3）典型特征提取，即针对自适应尺度区域，提出其典型特征及空间特征描述方法，建立尺度驱动的空-谱特征联合分类框架。本项目研究成果有助于推进遥感影像信息处理的自动化水平、提升地表覆盖分类精度，具有重要的学术价值和应用前景。

分类是高空间分辨率遥感影像应用研究热点。当前流行的空-谱特征联合分类方法，因未考虑地物内部异质性和地物固有尺度差异的不确定性，直接求解空-谱特征用于分类，而导致效果欠佳。本项目以多尺度分割后的影像对象为分析单元，开展同源地物对象特征空间变异规律研究，实现邻域尺度的自适应提取，以期准确描述高分影像地物空-谱特征，改善地表覆盖分类效果与精度。项目主要研究内容如下：1）对象相似度度量学习，具体包括对象像素集的稀疏表示、对象凸包正则化度量学习模型，以及度量学习模型分析与优化；2）邻域尺度自适应求解策略，主要包括邻域尺度构建原则、对象邻域尺度自适应搜索策略、邻域尺度自适应求解模型；3）针对自适应邻域尺度，提出其典型特征的自适应提取策略及其空间特征描述方法，建立空-谱特征联合分类框架。本项目研究成果有助于推进高分影像信息处理的智能化与自动化水平、提升高分影像分类精度，具有重要的学术价值和应用前景。