高光谱影像和LiDAR数据的特征融合分类方法.pdf

高光谱影像和LiDAR 数据的特征融合分类方法 摘 要 作为当下最具有挖掘潜力的遥感数据，高光谱影像得到了广泛的关注，被应用 在农业、环境、海洋、资源、军事等诸多领域。地物的类别信息是开展各领域应用 的重要基础，高光谱影像分类结果的优劣直接决定了它在这些领域所能发挥到的作 用。传统的高光谱影像分类集中于对高光谱影像自身的挖掘。特征提取、波段选择、 支持向量机分类器和在此基础上的各种组合方法的成功应用，标志着高光谱影像分 类取得了重大成就。然而，高光谱影像分类仍然面临诸多挑战。一方面，高光谱遥 感传感器容易受到云层影响，使得采集的高光谱影像产生阴影区域，给分类增加了 困难；另一方面，有限的训练样本和影像自身的高维度使得分类出现性能瓶颈。 为了更好地解决这些问题，引入其它类型的遥感数据来辅助高光谱影像分类是 有必要的。在遥感数据融合理论的基础上，本文研究将高光谱影像与LiDAR 数据融 合来提高地物分类的精度，并提出了两种不同的方法以实现异质数据的有效融合和 分类。具体来说，基于多维度Gabor 滤波器的特征融合方法使用二维Gabor 滤波器 和三维Gabor 滤波器分别提取LiDAR 数据与高光谱影像的纹理特征进行融合，然后 在超像素指导下进行分类；基于多模态特征融合方法，进一步使用了扩展多属性剖 面、方向梯度直方图分别提取LiDAR 数据与高光谱影像的形态学特征和HOG 特征 进行决策融合分类。 实验证明，本文提出的两种方法对高光谱影像和LiDAR 数据起到了较好的融合 作用。对比几种典型的高光谱影像分类方法，本文的MGabor-HL 和MML-HL 方法 有效提高了小样本情况下地物识别的精度。 关键词：高光谱影像分类；LiDAR 数据；特征融合；超像素 I The Feature Fusion Method of Hyperspectral Imagery and LiDAR Data for Classification Abstract As the best remote sensing data with potential for mining at present, hyperspectral imagery attracted wide attention and been applied in many fields such as agriculture, environment, ocean, resources, military and so on. Classification information of terrain features is an important basis for application in various fields. The quality of hyperspectral image classification results directly determines its role in these fields. Traditional hyperspectral image classification focuses on the mining of hyperspectral images themselves. Feature extraction, band selection and various fusion methods based on these indicate that the classification of hyperspectral images has made great achievements. However, hyperspectral image classification still faces many challenges. On the one hand, hyperspectral remote sensing sensors are susceptible