基于高光谱和激光雷达数据的信息提取与分类研究

高光谱遥感提供的地物精确光谱特性描述是地物分类识别的重要依据，但不是唯一依据。综合地物包括光谱、形状、纹理、空间方位等在内的多种特性进行遥感信息智能提取和目标自动识别是遥感智能解译的必然发展趋势，已成为该领域当前的热点问题。本项目的研究内容和研究目标正是针对实际分类应用中标记样本有限的问题，结合高光谱数据的光谱空间、图像空间信息与激光雷达数据的强度、三维位置空间信息，研究多源信息的半监督提取与地物的半监督分类方法。重点探讨在这种多特征的组合方式下，基于类别协方差矩阵的半监督正则化进行特征提取与特征选择的方法；以及在不同源特征构成的新特征空间，基于tri-training思想扩充标记样本的半监督分类器集成方法。

高光谱与激光雷达（Light Detection and Ranging，LIDAR）数据的融合是两种传感方式的优势互补，从不同视角获取地物目标特征，对典型地物的精细分类影响深远。两种数据源的融合与应用已成为当前遥感领域的研究热点之一。本课题围绕两种数据源的信息提取与融合展开，提出了联合高光谱与LIDAR数据的地物分类框架，在特征选择、多特征的融合以及样本约简等方面取得主要研究成果：1）在光谱、高程、纹理、NDVI等构成的新特征空间，采用Wrapper模式，提出基于Adaboost和随机森林的特征重要度评价方法；2）利用协同训练思想，提出基于Tri-training的多特征融合与半监督地物分类方法，在实现不同特征融合的同时，还借助非标记样本进一步提高了分类精度。3）将标记样本信息引入图Laplacian的构建，提出基于图Laplacian的半监督特征选择方法，能更好地利用标记样本的类别信息和大量非标记样本中的局部结构信息；4）结合自学习思想，进一步提出基于图Laplacian和自训练策略的半监督特征选择方法，通过自训练迭代更新特征子集，优化子集质量；5）提出一种基于分水岭算法的样本约简方法，与基于图的特征选择方法结合，不但能降低算法运算量，也能使其性能得到一定程度的提升；6）提出一种混合随机搜索与启发式搜索的子集生成方法，在随机搜索中嵌入启发式搜索，提高了随机搜索的精度，同时保证了优化算法解的有效性。