CN112163458A - 基于CASI高光谱与机载LiDAR融合的地物分类方法 - Google Patents
基于CASI高光谱与机载LiDAR融合的地物分类方法 Download PDFInfo
- Publication number
- CN112163458A CN112163458A CN202010918282.9A CN202010918282A CN112163458A CN 112163458 A CN112163458 A CN 112163458A CN 202010918282 A CN202010918282 A CN 202010918282A CN 112163458 A CN112163458 A CN 112163458A
- Authority
- CN
- China
- Prior art keywords
- hyperspectral
- image
- acquired
- airborne lidar
- classification
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000010354 integration Effects 0.000 title claims abstract description 8
- 230000004927 fusion Effects 0.000 claims abstract description 36
- 239000011159 matrix material Substances 0.000 claims abstract description 36
- 238000007635 classification algorithm Methods 0.000 claims abstract description 22
- 230000009466 transformation Effects 0.000 claims abstract description 13
- 238000000926 separation method Methods 0.000 claims abstract description 11
- 238000001228 spectrum Methods 0.000 claims abstract description 7
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000011426 transformation method Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 230000003595 spectral effect Effects 0.000 abstract description 12
- 238000012549 training Methods 0.000 description 15
- 238000002474 experimental method Methods 0.000 description 10
- 238000012360 testing method Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000000605 extraction Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 235000017166 Bambusa arundinacea Nutrition 0.000 description 2
- 235000017491 Bambusa tulda Nutrition 0.000 description 2
- 244000046052 Phaseolus vulgaris Species 0.000 description 2
- 244000082204 Phyllostachys viridis Species 0.000 description 2
- 235000015334 Phyllostachys viridis Nutrition 0.000 description 2
- 240000008042 Zea mays Species 0.000 description 2
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 2
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 2
- 239000011425 bamboo Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 235000005822 corn Nutrition 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 244000000383 Allium odorum Species 0.000 description 1
- 235000018645 Allium odorum Nutrition 0.000 description 1
- 235000005338 Allium tuberosum Nutrition 0.000 description 1
- 235000011299 Brassica oleracea var botrytis Nutrition 0.000 description 1
- 240000003259 Brassica oleracea var. botrytis Species 0.000 description 1
- 235000002566 Capsicum Nutrition 0.000 description 1
- 244000241235 Citrullus lanatus Species 0.000 description 1
- 235000012828 Citrullus lanatus var citroides Nutrition 0.000 description 1
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 241000183024 Populus tremula Species 0.000 description 1
- 244000061456 Solanum tuberosum Species 0.000 description 1
- 235000002595 Solanum tuberosum Nutrition 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009435 building construction Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 235000021332 kidney beans Nutrition 0.000 description 1
- 230000031700 light absorption Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Remote Sensing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Astronomy & Astrophysics (AREA)
- Multimedia (AREA)
- Electromagnetism (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于CASI高光谱与机载LiDAR融合的地物分类方法,首先采用最小噪声分离变换对获取的高光谱影像进行降维,得到包含主要光谱信息的有效影像波段;然后通过计算所述高光谱影像的归一化植被指数和灰度共生矩阵,获取其空间光谱和几何纹理特征,与机载LiDAR的冠层高度特征组成多源特征库;最后,采用分层融合的残差网络分类算法将所述高光谱影像和获取的机载LiDAR数据进行融合,提取影像特征,提高地物分类精度。
Description
技术领域
本发明涉及地物分类技术领域,尤其涉及一种基于CASI高光谱与机载LiDAR融合的地物分类方法。
背景技术
随着遥感技术的不断发展,卫星和拍摄的航空影像中的地物目标越来越清晰,结构细节越来越明显,逐步成为遥感应用的重要数据源,许多学者将其应用于地物信息提取中。高光谱影像数据具有几十甚至上百个光谱波段,能够提供丰富的光谱信息,在地物分类任务中应用最广泛;机载LiDAR测量能快速获取地表三维数据,生成三维坐标、数字表面模型和数字高程模型(CHM)等特征数据,且抗干扰能力、穿透能力和时效性较强,为地物调查提供了新的数据源。因此,将高光谱数据与机载LiDAR点云数据进行融合是地物分类的有效手段;但是目前高光谱与机载LiDAR的融合数据具有丰富且复杂的光谱、纹理和高程信息,特征选择与提取十分困难,导致地物分类的精度不高。
发明内容
本发明的目的在于提供一种基于CASI高光谱与机载LiDAR融合的地物分类方法,提高地物分类精度。
为实现上述目的,本发明提供了一种基于CASI高光谱与机载LiDAR融合的地物分类方法,包括:
利用最小噪声分离变换法对获取的高光谱影像进行降维,得到需要的影像波段;
根据所述高光谱影像的归一化植被指数和灰度共生矩阵,得到对应的空间光谱和几何纹理特征;
采用分层融合的残差网络分类算法将所述高光谱影像和获取的机载LiDAR数据进行融合,完成地物分类。
其中,利用最小噪声分离变换法对获取的高光谱影像进行降维,得到需要的影像波段,包括:
对获取的高光谱影像进行滤波,并将得到的噪声协方差矩阵对角化为第一矩阵和转换矩阵。
其中,利用最小噪声分离变换法对获取的高光谱影像进行降维,得到需要的影像波段,还包括:
利用所述转换矩阵对高光谱数据的总协方差矩阵进行标准PCA变换,并依次经过噪声处理和对角化后,得到对应的第二矩阵和需要的影像波段。
其中,采用分层融合的残差网络分类算法将所述高光谱影像和获取的机载LiDAR数据进行融合,完成地物分类,包括:
将得到的需要的所述影像波段、所述归一化植被指数、所述灰度共生矩阵中的参数和获取的机载LiDAR数据输入残差网络分类算法的第一模块中进行维度匹配,其中,所述残差网络分类算法包括第一模块、第二模块和第三模块。
其中,采用分层融合的残差网络分类算法将所述高光谱影像和获取的机载LiDAR数据进行融合,完成地物分类,还包括:
将所述第一模块、所述第二模块和所述第三模块的输出相加融合,并经过ReLU函数激活和全局平均池化后,将通过全连接层输出特征向量在分类器中进行地物分类。
本发明的一种基于CASI高光谱与机载LiDAR融合的地物分类方法,首先采用最小噪声分离变换对获取的高光谱影像进行降维,得到包含主要光谱信息的有效影像波段;然后通过计算所述高光谱影像的归一化植被指数和灰度共生矩阵,获取其空间光谱和几何纹理特征,与机载LiDAR的冠层高度特征组成多源特征库;最后,采用分层融合的残差网络分类算法将所述高光谱影像和获取的机载LiDAR数据进行融合,提取影像特征,提高地物分类精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的一种基于CASI高光谱与机载LiDAR融合的地物分类方法的步骤示意图。
图2是本发明提供的基于残差网络多层融合分类算法流程图。
图3是本发明提供的五种融合方式得到的OA值。
图4是本发明提供的样本块大小为25×25,网络深度为32时,准确率变化曲线图。
图5是本发明提供的样本块大小为25×25,网络深度为32时,损失函数变化曲线图。
图6是本发明提供的样本快大小对分类精度的影响曲线。
图7的本发明提供的网络深度对分类精度的影响曲线。
图8是本发明提供的4种网络结构的训练时间对比图。
图9是本发明提供的4种网络结构的测试时间对比图
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
请参阅图1,本发明提供一种基于CASI高光谱与机载LiDAR融合的地物分类方法,包括:
S101、利用最小噪声分离变换法对获取的高光谱影像进行降维,得到需要的影像波段。
具体的,CASI高光谱数据和机载LiDAR数据通过不同传感器进行采集,飞机的运行轨道的不同,以及成像原理的差异,导致影像间的空间属性存在差异。这就要求数据融合之前,先进行配准,解决两种数据因坐标系统不一致,无法统一到同一基准空间的问题。
利用完整的遥感图像处理平台(ENVI,The Environment for VisualizingImages)中的图像配准(Image RegistrationWorkflow)工具,手动选择10个种子点进行配准,基准图像文件(Base Image File)选择基准影像为CHM(编译的HTML帮助文件)点云数据图,待矫正图像文件(Warp Image File)选择待配准影像为CASI高光谱影像。连接点(TiePoints Generation)面板中的参数选择如表1所示。
表1 ENVI影像配准的参数选择
选项 | 参数 |
匹配算法 | Mutual Information |
最小Tie点匹配阈值 | 0.01 |
几何模型 | Fitting Global Transform |
基准影像配准波段 | 1 |
待配准影像配准波段 | 20 |
搜索窗口大小 | 128×128 |
匹配窗口大小 | 61×61 |
在图像配准后,对图像进行降维,最小噪声分离变换(MNF)可以降低由传感器等硬件设备和图像分析等软件处理对原始图像所造成的影响,使大部分信息集中在几个波段中,减少计算量。其本质上是两个串联的PCA变换,第一步用于分离和重新调节图像中的噪声,该操作将转换后的噪声方差最小化,降低了波段之间的相关性;第二次PCA操作将波段按照信噪比的大小降序排列,随波段的增加噪声增大,图像所含的信息量越少。
MNF处理步骤如下所示:
第一步、对获取的高光谱影像进行滤波处理,得到噪声协方差矩阵CN,然后将其对角化为第一矩阵DN,即:
DN=UTCNU
式中,DN为CN的特征值按照降序排列的对角矩阵;U为由对应特征向量组成的正交矩阵。由第一矩阵可知PTCNP=I,因此转换矩阵P=UDN -1/2,I为单位矩阵。设高光谱数据为X,利用Y=PX变换可以将X变换到一个新的空间中去,Y中的噪声不仅具有单位方差而且波段间不相关。
第二步、利用第一步中构造的转换矩阵P对X的总协方差矩阵CD进行标准PCA变换,经过噪声处理后的矩阵为CD-adj=PTCDP。进一步将其对角化为第二矩阵DD-adj:
DD-adj=VTCD-adjV
式中,V是由特征向量组成的正交矩阵。
通过以上步骤可以得到MNF的变换矩阵TMNF=PV和需要的影像波段或者是有效影像波段。
S102、根据所述高光谱影像的归一化植被指数和灰度共生矩阵,得到对应的空间光谱和几何纹理特征。
具体的,地物特殊的形态学特征对近红外和红外区域内表现出不同的特性,对红外波段的光吸收性强,而对近红外波段的光反射性和投射性强,通常从这两个波段出发,建立关系,计算植被指数。
在遥感影像分类中,归一化植被指数(NDVI)是使用较为广泛的植被指数。NDVI反映了植被覆盖度和生长状况,与植被覆盖度呈正相关,同时可有效降低地形因素的影响。NDVI指数计算简单,稳定性好,因此选取此指数来描述植被光谱特征:
NDVI=(DNNIR-DNR)/(DNNIR+DNR)
式中,DNNIR、DNR分别为近红外和红光波段的灰度值。NDVI的范围为[-1,1],小于零值的范围表示覆盖在地面的可能是云、水等,大于零的范围表示覆盖在地面的是植被,并且值越大,说明覆盖的植被越密,等于零的NDVI值意为覆盖在地面的可能是岩石等。NDVI值虽然能表示地面植被覆盖数目的多少,但是对于高密度植被灵敏度较低。此外根据波段范围,在这里选择第1波段为红光波段,第32波段为近红外波段,得到对应的归一化植被指数。
纹理反映了图像中像素点及其周围空间邻域的灰度分布情况,利用纹理特征可以很好地描述图像景物的表面特性。为了能够以共生矩阵更为生动地讨论纹理的展示情形,从共生矩阵计算出一些反映图像表面性质的参数,能够反映图像的清晰度、区域的对比度、灰度均匀性、颗粒度等纹理信息。
本文计算的参数有:对比度(Contrast)、相似性(Dissimilarity)、同质度(Homogeneity)、熵(Entropy)、相关性(Correlation)、ASM角二阶矩,且确定窗口大小为3×3,从而得到高光谱数据的纹理特征参数。
S103、采用分层融合的残差网络分类算法将所述高光谱影像和获取的机载LiDAR数据进行融合,完成地物分类。
具体的,本文提取了CASI高光谱影像的主要光谱波段,计算了影像的归一化植被指数(NDVI)和灰度共生矩阵(GLCM),将得到的高光谱特征数据与机载LiDAR的CHM数据组合,合成具有MNF(3)+NDVI(1)+GLCM(6)+CHM(1)的输入向量,融合后的数据包含了来自两种数据源的光谱、空间几何、纹理和冠层高度特征。
在图像分类的过程中,残差网络可以包含较深的网络层,很好地解决了可能出现的退化问题,由于深浅不同网络层可以学习到不同的特征,浅的网络层提取的是图像的细节信息,而深的网络层可以提取更多的抽象信息。为了充分利用浅层和深层的特征信息,本文采用残差网络进行多源遥感影像的特征提取,并且将提取的浅层特征与深层特征进行融合,以增强模型对复杂图像的表现能力。
图2为分层融合的残差网络设计结构,根据卷积核的数量将残差网络分为3个模块,其中OL、OM和OH分别表示3个模块(第一模块、第二模块和第三模块)的输出;在3个模块中分别具有16、32、64个卷积核,输出不同维度的特征图,实现特征信息的逐层提取。为确保特征融合前具有相同的维度,首先经过第一模块的数量为64、大小为1×1的卷积核进行卷积,完成维度匹配,将3个模块的输出相加融合。融合后的特征经过ReLU函数激活然后进行全局平均池化(GAP),输入到全连接层(FC),生成最终的特征向量。最后,将融合的特征图经过全连接网络(softmax)转换成输出的特征向量,输入到分类器进行分类提高地物分类精度。
所述发发发还包括:
将获取的所述高光谱影像和机载LiDAR的冠层高度特征组成多源特征库。
具体的,将将获取的所述高光谱影像和机载LiDAR的冠层高度特征在对应时间节点和对应的地理位置进行对比融合,建立多源特征数据库,便于对数据的分析和保存,也方便后续的资料查找和对比。
采用本发明方法进行的试验及获取的数据结果如下:
特征融合实验
实验选取各地物70%的样本作为训练集,30%作为测试集,设置批次训练样本为100,样本块大小为25×25,网络训练的学习率为0.01,动量为0.9,权重延迟设为0.0001,最大迭代次数为100,如表2所示。
表2各地物的训练和验证样本个数
序号 | 类型 | 训练/测试像素 | 总像素 |
1 | 玉米 | 426495/182784 | 609279 |
2 | 韭菜 | 17468/7487 | 24955 |
3 | 白杨 | 75211/32233 | 107444 |
4 | 菜花 | 50467/21628 | 72095 |
5 | 菜椒 | 107099/45900 | 152999 |
6 | 土豆 | 18309/7847 | 26156 |
7 | 青笋 | 3618/1550 | 5168 |
8 | 西瓜 | 28318/12136 | 40454 |
9 | 四季豆 | 1830/785 | 2615 |
10 | 建筑物 | 172774/31189 | 203963 |
为验证CASI高光谱与机载LiDAR数据融合的有效性,本文设计了5个特征组合方式,分别选择不同的特征数据进行融合,如表3所示。
表3不同特征波段融合的分类试验
试验 | 特征波段 | 波段数 |
组合1 | 单波段 | 1 |
组合2 | MNF | 3 |
组合3 | MNF+NDVI | 4 |
组合4 | MNF+NDVI+GLCM | 10 |
组合5 | MNF+NDVI+GLCM+CHM | 11 |
五种融合方式得到的OA值如图3所示。由图可以看出,与单波段分类结果相比,MNF降维后影像分类的OA值大大提高,说明MNF基于信噪比提取CASI高光谱影像主要光谱波段的方式,能够获取更有效的光谱信息;在组合2的基础上,组合3和4中依次增加了CASI高光谱影像的空间几何和纹理信息,分类精度有明显提高,说明NDVI和GLCM能够为地物分类提供更具区分性的特征;在组合4的基础上增加了地物的冠层高度信息,CHM数据对于区分不同高度的地物具有更明显的效果,因此融合数据能够充分发挥LiDAR数据的特点,为地物分类提供互补性的特征信息。
本次实验结果表明,在基于遥感影像的地物分类过程中,单一遥感数据获取的信息具有一定的局限性和不完全性,在目标解译中存在一定的误差和信息冗余,应用范围有限。数据融合能够让CASI高光谱影像的多波段信息和机载LiDAR数据的冠层高度信息加以综合利用,实现信息互补,减少单一数据源在地物分类中的不确定性,扩大了数据的应用范围,提高了分类精度。
分层融合残差网络分类实验
实验将CASI高光谱影像与机载LiDAR点云提取的MNF、NDVI、GLCM和CHM融合特征数据作为输入样本,利用分层融合残差网络分类算法进行实验验证。实验基于Linux操作系统和caffe框架运行。图4和图5为实验过程中输入的样本块大小为25×25,网络深度为32时,准确率和损失函数值随迭代次数增加而变化的曲线图。
由图4和图5可以看出,当迭代次数达到20时,准确率达到最大,之后稳定在98%左右,损失函数也下降到最小值。实验结果证明由于残差块的学习,将输入直接传到输出,保护了信息的完整性,没有出现可能的退化问题。
表4基于M-DRN的地物分类精度评价
基于M-DRN的各地物分类精度如表4所示,由表可以看出,各地物的UA值都可以达到97%以上,对于样本数量较少的青笋和四季豆、光谱特征较为复杂的建筑物都具有非常好的分类效果。分类精度中,OA和Kappa系数分别达到97.89%和0.976,证明了对不同网络层级的输出特征进行融合的有效性。
样本块大小和网络层数是重要的网络参数。样本块大小会影响分类精度,样本块过大,会忽视一些细节信息;样本块过小,也会放大冗余信息,降低分类精度。增加网络深度在某种程度上能够提高分类精度;但是,网络层数过多可能会使网络产生过拟合、梯度消失或梯度爆炸等问题。在此,通过交替迭代实验对这两个参数的确定进行分析。实验过程中,样本块大小设置范围为17×17到31×31,网络深度设置在12-40之间。
图6为训练过程中,网络层的深度设为32时,分类精度随样本块增大而变化的曲线图。由图可以看出,随着样本块的增大,分类精度先增大后减小,在样本块大小为25×25时,分类精度达到最大。说明在基于分层融合的残差网络分类过程中,输入的样本块大小对分类精度有一定的影响,为保证得到最好的分类效果,应选择合适的样本块。
图7为训练过程中,样本块大小设为25×25时,分类精度随网络深度增加而变化的曲线图。由图可以看出,随着网络深度的增加,分类精度不稳定地增大,当网络深度达到32时分类精度最高,之后出现一定的下降。M-DRN能够解决网络随深度增加带来的退化问题,但是当网络深度超过训练样本最合适的深度时,由于网络的过度学习,会出现过拟合问题,导致分类精度出现一定程度的下降。因此,M-DRN可以通过加深网络来提高分类精度,但是不能无限制地加深。
分类比较实验
为验证基于M-DRN分类算法具有更好的性能,将该算法与SVM、CNN和DRN分类算法进行比较。其中,SVM算法利用CASI高光谱与机载LiDAR的融合数据特征作为输入,使用RBF作为分类器的核函数,各算法的分类结果如表5所示。
表5基于SVM,CNN、DRN和M-DRN的融合数据分类精度
精度 | SVM | CNN | DRN | M-DRN |
OA(%) | 80.32 | 87.76 | 92.21 | 97.89 |
AA(%) | 80.76 | 87.97 | 92.53 | 98.40 |
Kappa | 0.797 | 0.872 | 0.918 | 0.976 |
由表5可以看出,与传统的机器学习算法SVM相比,CNN通过卷积层获取的融合影像的特征,减少了人工提取特征的经验性误差,OA值提高了7.44%;DRN分类算法解决了网络层数增加带来的负担,同时提取到融合影像更深层次的特征,具有比CNN更好的分类效果;通过比较DRN和M-DRN分类算法可以看出,分层融合机制融合了不同卷积层输出的互补与相关信息,学习到更有利于分类的特征,OA和AA值与DRN相比分别提高了5.68%和5.87%,Kappa系数提高了0.058。证明了该算法在实际的地物信息提取或数据统计中具有很大的潜力。
不同网络结构的训练和测试时间如图8和图9所示。SVM和层数较浅的CNN训练时间较短;DRN拥有较深的网络层数,因此训练时间明显增加;M-DRN是在DRN基础上进行的改进,提高了地物分类精度同时,训练时间并没有明显增加,该算法在解决实际问题中具有实用性。由图可知,采用不同的网络结构能够明显改变训练时间,但是对测试时间的影响较小。其中,网络深度是使训练时间增加的重要因素。
实验结果表明,融合CASI高光谱与机载LiDAR数据进行地物分类,与仅利用CASI高光谱数据相比,各地物的分类精度和总体分类精度都有很大的提高;CASI高光谱影像的空间光谱特征、纹理特征与机载LiDAR的冠层高度特征能够优势互补,为地物分类提供更丰富、准确的特征信息,解决了单一遥感数据特征不充分的问题;融合数据基于分层融合残差网络的总体分类精度(OA)达到97.89%,与CNN分类算法相比增加了10.13%,比DRN分类的OA值提高了5.68%,分层融合残差网络为地物分类算法研究提供了可行性方向。
本发明的一种基于CASI高光谱与机载LiDAR融合的地物分类方法,首先采用最小噪声分离变换对获取的高光谱影像进行降维,得到包含主要光谱信息的有效影像波段;然后通过计算所述高光谱影像的归一化植被指数和灰度共生矩阵,获取其空间光谱和几何纹理特征,与机载LiDAR的冠层高度特征组成多源特征库;最后,采用分层融合的残差网络分类算法将所述高光谱影像和获取的机载LiDAR数据进行融合,提取影像特征,提高地物分类精度。
以上所揭露的仅为本发明一种较佳实施例而已,当然不能以此来限定本发明之权利范围,本领域普通技术人员可以理解实现上述实施例的全部或部分流程,并依本发明权利要求所作的等同变化,仍属于发明所涵盖的范围。
Claims (5)
1.一种基于CASI高光谱与机载LiDAR融合的地物分类方法,其特征在于,包括:
利用最小噪声分离变换法对获取的高光谱影像进行降维,得到需要的影像波段;
根据所述高光谱影像的归一化植被指数和灰度共生矩阵,得到对应的空间光谱和几何纹理特征;
采用分层融合的残差网络分类算法将所述高光谱影像和获取的机载LiDAR数据进行融合,完成地物分类。
2.如权利要求1所述的基于CASI高光谱与机载LiDAR融合的地物分类方法,其特征在于,利用最小噪声分离变换法对获取的高光谱影像进行降维,得到需要的影像波段,包括:
对获取的高光谱影像进行滤波,并将得到的噪声协方差矩阵对角化为第一矩阵和转换矩阵。
3.如权利要求2所述的基于CASI高光谱与机载LiDAR融合的地物分类方法,其特征在于,利用最小噪声分离变换法对获取的高光谱影像进行降维,得到需要的影像波段,还包括:
利用所述转换矩阵对高光谱数据的总协方差矩阵进行标准PCA变换,并依次经过噪声处理和对角化后,得到对应的第二矩阵和需要的影像波段。
4.如权利要求1所述的基于CASI高光谱与机载LiDAR融合的地物分类方法,其特征在于,采用分层融合的残差网络分类算法将所述高光谱影像和获取的机载LiDAR数据进行融合,完成地物分类,包括:
将得到的需要的所述影像波段、所述归一化植被指数、所述灰度共生矩阵中的参数和获取的机载LiDAR数据输入残差网络分类算法的第一模块中进行维度匹配,其中,所述残差网络分类算法包括第一模块、第二模块和第三模块。
5.如权利要求4所述的基于CASI高光谱与机载LiDAR融合的地物分类方法,其特征在于,采用分层融合的残差网络分类算法将所述高光谱影像和获取的机载LiDAR数据进行融合,完成地物分类,还包括:
将所述第一模块、所述第二模块和所述第三模块的输出相加融合,并经过ReLU函数激活和全局平均池化后,将通过全连接层输出特征向量在分类器中进行地物分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010918282.9A CN112163458A (zh) | 2020-09-04 | 2020-09-04 | 基于CASI高光谱与机载LiDAR融合的地物分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010918282.9A CN112163458A (zh) | 2020-09-04 | 2020-09-04 | 基于CASI高光谱与机载LiDAR融合的地物分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112163458A true CN112163458A (zh) | 2021-01-01 |
Family
ID=73858664
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010918282.9A Withdrawn CN112163458A (zh) | 2020-09-04 | 2020-09-04 | 基于CASI高光谱与机载LiDAR融合的地物分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112163458A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113222917A (zh) * | 2021-04-29 | 2021-08-06 | 桂林理工大学 | 机载激光雷达点云数据chm的dbi树顶点探测方法 |
CN113591766A (zh) * | 2021-08-09 | 2021-11-02 | 中国林业科学研究院资源信息研究所 | 一种无人机多源遥感的树种识别方法 |
CN114743009A (zh) * | 2022-06-10 | 2022-07-12 | 中国地质大学(武汉) | 一种高光谱影像波段选择方法、系统及电子设备 |
CN116030355B (zh) * | 2023-03-30 | 2023-08-11 | 武汉城市职业学院 | 一种地物分类方法及系统 |
CN117809193A (zh) * | 2024-03-01 | 2024-04-02 | 江西省林业科学院 | 一种无人机高光谱影像与地物高光谱数据融合方法 |
-
2020
- 2020-09-04 CN CN202010918282.9A patent/CN112163458A/zh not_active Withdrawn
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113222917A (zh) * | 2021-04-29 | 2021-08-06 | 桂林理工大学 | 机载激光雷达点云数据chm的dbi树顶点探测方法 |
CN113591766A (zh) * | 2021-08-09 | 2021-11-02 | 中国林业科学研究院资源信息研究所 | 一种无人机多源遥感的树种识别方法 |
CN114743009A (zh) * | 2022-06-10 | 2022-07-12 | 中国地质大学(武汉) | 一种高光谱影像波段选择方法、系统及电子设备 |
CN114743009B (zh) * | 2022-06-10 | 2022-09-02 | 中国地质大学(武汉) | 一种高光谱影像波段选择方法、系统及电子设备 |
CN116030355B (zh) * | 2023-03-30 | 2023-08-11 | 武汉城市职业学院 | 一种地物分类方法及系统 |
CN117809193A (zh) * | 2024-03-01 | 2024-04-02 | 江西省林业科学院 | 一种无人机高光谱影像与地物高光谱数据融合方法 |
CN117809193B (zh) * | 2024-03-01 | 2024-05-17 | 江西省林业科学院 | 一种无人机高光谱影像与地物高光谱数据融合方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112163458A (zh) | 基于CASI高光谱与机载LiDAR融合的地物分类方法 | |
CN110472627B (zh) | 一种端到端的sar图像识别方法、装置及存储介质 | |
CN112288008B (zh) | 一种基于深度学习的马赛克多光谱图像伪装目标检测方法 | |
CN109726748B (zh) | 一种基于频带特征融合的gl-cnn遥感图像场景分类方法 | |
CN111626267B (zh) | 一种利用空洞卷积的高光谱遥感图像分类方法 | |
CN113344103B (zh) | 基于超图卷积神经网络的高光谱遥感图像地物分类方法 | |
CN107609571A (zh) | 一种基于lark特征的自适应目标跟踪方法 | |
Moghaddam et al. | A statistical variable selection solution for RFM ill-posedness and overparameterization problems | |
CN114067075A (zh) | 基于生成对抗网络的点云补全方法及装置 | |
Park et al. | Active-passive data fusion algorithms for seafloor imaging and classification from CZMIL data | |
Sjahputera et al. | Clustering of detected changes in high-resolution satellite imagery using a stabilized competitive agglomeration algorithm | |
Kwak et al. | Semi-supervised land cover classification of remote sensing imagery using CycleGAN and EfficientNet | |
Fırat et al. | Hybrid 3D convolution and 2D depthwise separable convolution neural network for hyperspectral image classification | |
Yang et al. | Cirrus detection based on tensor multi-mode expansion sum nuclear norm in infrared imagery | |
CN114511735A (zh) | 级联空谱特征融合与核极限学习机的高光谱图像分类方法及系统 | |
CN117115669B (zh) | 双条件质量约束的对象级地物样本自适应生成方法及系统 | |
Tao et al. | Deep Learning for Hyperspectral Image Analysis and Classification | |
CN107423771B (zh) | 一种两时相遥感图像变化检测方法 | |
Nyasaka et al. | Learning hyperspectral feature extraction and classification with resnext network | |
Hamouda et al. | Modified convolutional neural network based on adaptive patch extraction for hyperspectral image classification | |
Chen et al. | Automatic spectral representation with improved stacked spectral feature space patch (ISSFSP) for CNN-based hyperspectral image classification | |
Albanwan et al. | Spatiotemporal fusion in remote sensing | |
CN111460943A (zh) | 一种遥感影像地物分类方法及系统 | |
CN116994029A (zh) | 一种用于多源数据的融合分类方法及系统 | |
CN116681927A (zh) | 结合深度学习模型和传统分类器的用于PolSAR数据的分类方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210101 |
|
WW01 | Invention patent application withdrawn after publication |