三维联合网络特征学习的高光谱遥感图像分类方法研究

Hyperspectral (HS) image classification occupies an important place in the earth observation technology of HS remote sensing, and it has been widely used in both military and civil fields. In recent years, with the rapid development of deep learning techniques, a large number of deep learning methods have been applied to the HS image classification. However, there are still several problems in the existing methods, including the structural defects of the deep network models, the limited number of labeled samples, and the susceptibility of the classification process to the image data, which restrict the further improvement of the classification accuracy. To solve these problems, this project intends to research in three aspects: (1) study the noise-robust frequency spectrum similarity, and propose a neighbor information extraction method based on the multi-feature layer fusion; (2) study the expression of the spectral-spatial features, and propose a method to construct the three-dimensional samples and increase the number of the samples; (3) study the fusion manner between the image structure features and the neighborhood features, and propose a HS image classification method based on the feature learning of multi-networks. In conclusion, this study can increase the accuracy of the HS image classification and improve the application performance of the HS images.

高光谱图像分类是高光谱遥感对地观测技术的一项重要内容，在军事及民用领域都有广泛的应用。近年来，随着深度学习技术的迅速发展，大量深度学习的方法被应用于高光谱遥感图像地物目标分类，将图像分类研究推向了一个新的高度。然而，现有的基于深度学习的方法依然存在诸多问题，包括深度网络模型结构单一、标记样本数量有限、分类过程容易受到图像数据自身缺陷的影响等，严重制约了分类精度的进一步提升。针对上述问题，本项目拟从三个方面展开研究：（1）研究随机噪声鲁邦的频谱相似表征，实现基于多特征层融合的空间邻域信息提取；（2）研究空谱特征的异质表达，实现融入图像局部特征的三维样本构建及扩充；（3）研究图像结构特征与邻域异质特征有机融合的方式，实现基于三维联合网络特征学习的高光谱遥感图像分类。本项目的研究对于提升高光谱图像的分类精度，拓宽高光谱图像的应用范围具有重要的理论意义和实际应用价值。

本项目针对高光谱遥感图像分类方法中的关键问题进行研究，主要研究内容包括：（1）如何在噪声污染严重的高光谱遥感图像中更加准确、高效地进行图像空间邻域特征提取；（2）如果更加科学、准确地表征高光谱遥感图像的空-谱异质特征，并在此基础上采用传统的分类技术进行高光谱遥感图像的分类；（3）如何有效结合高光谱遥感图像的特性，构建更加有效的深度网络模型，提升高光谱遥感图像分类的精度、速度及鲁棒性。针对上述研究内容，本项目研究成员开展了深入的研究，取得了一系列重要的研究成果，共发表相关学术论文18篇，申请专利1件，参加国际学术会议4次。针对研究内容（1），提出了多种适用于包含噪声的高光谱遥感图像的超像素分割方法，可以更加准确地提取图像空间邻域特征。所提方法之一可以在图像信噪比为15dB时，达到96%以上的边界召回率。针对研究内容（2），提出了高光谱遥感图像的空谱特征表达方法，可以有效应用于多种高光谱遥感图像的分类模型中。针对研究内容（3），提出了多种不同的深度网络模型，可以在小样本、高噪声的情况下准确地进行高光谱遥感图像分类。所提方法之一在图像噪声极端严重时（信噪比=5dB），实现70%左右的分类精度；另一方法可在训练样本为1%时，达到99.5%的分类精度。本项目的研究结果可以提高高光谱遥感图像分类的准确性和鲁棒性，对于提升高光谱遥感图像的应用效果具有重要的理论意义和实际应用价值。