空间细节保持的高光谱遥感影像条件随机场分类方法研究

Hyperspectral remote sensing images contain detailed spectra and abundant spatial information, and have the unique advantage for the synchronous acquisition of both images and spectra of objects. Therefore, spectral-spatial classification is research hotspot of hyperspectral remote sensing image processing by using the complementarity of the spectral and spatial information of the imagery. However, the existing spectral-spatial classification methods are difficult to maintain spatial details of land-cover types in hyperspectral scenes with complex object distribution and variable spectrum. There are some problems, such as the lack of key spectral information learning mechanism and insufficient utilization of spatial information. Therefore, this project will combine the powerful feature learning ability of deep learning and flexible spatial information modeling ability of conditional random fields, to conduct detail-preserving conditional random field classification for hyperspectral remote sensing image. The main research line is from deep spectral feature learning and spatial detail-preserving modeling to model solving based on feedback mechanism of spatial-spatial interaction. To improve the spectral discrimination and spatial description capabilities of the algorithm, this study builds a deep learning model of the key spectral features in spectral potential, and detail-preserving spatial potential. The model inference based on feedback mechanism of spatial-spatial interaction is used to obtain detail-preserving classification results. This project can significantly enhance the potential applications of hyperspectral remote sensing imagery, therefore have important theoretical and applied significance.

高光谱遥感影像包含精细化光谱和丰富的空间信息，具有图谱合一的独特优势，因此，如何综合利用影像的光谱和空间信息的互补性，开展高光谱遥感影像的空谱联合分类，是高光谱遥感影像处理的前沿和研究热点。然而，现有空谱联合分类方法，在地物分布复杂、光谱多变的高光谱场景中仍难以保持地物空间细节，存在地物关键光谱信息学习机制缺乏、空间信息利用不足等问题。因此，本项目拟在条件随机场统一的概率框架下建模光谱和空间信息的交互，综合深度学习强大的特征学习能力，开展空间细节保持的高光谱遥感影像条件随机场分类方法研究，以“深度光谱特征学习—空间细节保持建模—空谱交互反馈推理”为研究主线，在条件随机场中构建融合地物深度特征学习的光谱势能以及具有自适应邻域结构的细节保持空间势能，基于空谱交互反馈的条件随机场推理，实现高光谱遥感影像的空间细节保持分类，提升高光谱遥感影像的应用潜力，具有重要的理论与应用意义。

随着高光谱技术的飞速发展，具有高空间分辨率的高光谱遥感影像开始不断涌现，例如无人机等纳米级高光谱影像的空间分辨率已达米级，甚至亚米级。这种具有高空间分辨率的高光谱影像同时包含精细化光谱和丰富的空间信息，可以从光谱和几何空间维度清晰表达地物，为精细地物分类提供了可能。因此，如何有效利用影像的光谱和空间信息互补性，开展高光谱影像的空谱联合分类，是高光谱遥感影像处理的研究热点。条件随机场模型使用无向图结构表达高光谱遥感影像，可以在统一的概率框架下建模光谱和空间信息的交互，具有灵活的特征表达能力和强大的空间建模能力。因此，本项目在条件随机场统一框架下，开展空间细节保持的高光谱遥感影像条件随机场分类方法研究，以“光谱特征学习—空间细节保持建模—空谱交互反馈推理”为研究主线，在条件随机场中构建融合地物类别敏感的光谱势能以及具有自适应邻域结构的细节保持空间势能，基于空谱交互反馈的条件随机场推理，实现高光谱遥感影像的空间细节保持分类。基于项目研究思路，课题组提出了一系列高光谱条件随机场分类方法，提升高光谱遥感影像的应用潜力。此外，课题组用无人机采集了高空间分辨率的高光谱遥感农业数据，可以用作高光谱分类算法以及精细农业分类的基准数据。