高光谱图像多尺度属性表示及红树林树种精细分类

As different classes exhibit very different attribute characteristics, which can greatly improve the separation of the various ground objects this proposal aims at establishing and developing completely innovative methods for the extraction of multi-scale and multi-attribute structural features for hyperspectral image, with purposes for the classification of mangrove fields. Specifically, a multi-attribute component analysis (MACA) framework is developed to learn the multi-attribute components via sparse coding techniques. Furthermore, attribute oriented active dictionary and adaptive dictionary are used to improve the learning of the multi-attribute. Finally, as the mangrove species are located in the swamp area, which brings difficulties for field labeling, a cost-sensitive active learning strategy based on Markov random fields is also developed to balance the cost and information carried out by the training samples for the field survey. For the classification, a subspace-based sparse regression approach is developed for classification of mangrove species using very limited training samples. The proposal therefore addresses several important limitations in the characterization of mangrove fields that will bring significant benefits from a socio-economical perspective related to the exploitation of these areas.

高光谱成像技术具有光谱分辨率高、图谱合一的独特优势，是成像遥感技术的重要突破之一，在农业和林业等许多领域都体现出重大的应用价值。本项目拟开展高光谱图像多尺度属性表示研究，并将其应用于红树林树种精细分类：1)深入研究高光谱图像中各类地物的结构、形状和分布等固有性质，提出基于多属性表示的特征提取框架并进行多尺度延拓分析；2)构建面向属性的主动字典和自适应字典学习方案，基于稀疏约束回归技术进行高光谱图像多尺度属性特征的优化；3) 基于红树林高光谱图像多尺度属性特征，研究基于采样敏感主动学习的类别独立子空间分类方法。本项目研究旨在通过挖掘地物内在的多尺度下的多重属性来提升高光谱图像精细化的探测能力，以期解决红树林树种分类中存在的同物异谱、异物同谱、小样本等关键科学问题。

高光谱成像技术具有光谱分辨率高、图谱合一的独特优势，为地物的精确分类和识别提供了重要的数据基础，在农业和林业等许多领域都体现出重大的应用价值。同时高光谱图像精细的光谱分辨率所带来的相邻波段高度相关和数据冗余等问题，以及空间分辨率限制所带来的像元光谱混叠问题，给高光谱遥感数据处理技术提出了新的挑战。.本项目系统深入地研究了高光谱图像多尺度属性表示及红树林树种精细分类理论与方法，主要的创新成果包括：1)提出了地物模型与观测数据联合驱动的高光谱图像多属性成分分析空谱分类模型，定量刻画了地物模型与观测图像统计特征之间的深层映射机理，突破同物异谱/异物同谱导致的低精度分类问题，实现了大场景红树林高光谱图像的分类。2)提出了基于稀疏成分分离技术来构建亚像元级空谱特征表达，突破因像元混叠所带来的地物类别难以准确区分、以及解混误差导致的亚像元特征图像信噪比低等困难，从提高特征图像的信噪比以及增强地物空间分布细节等方面来促进地物类别的模式可分性，实现了亚像元级的空谱特征提取，增强了高光谱遥感空谱特征的表达能力，提高了红树林树种类别的可分性。3)基于多源遥感数据，开展了多源遥感图像特征融合与分类新方法的研究工作，定量刻画多源传感器和位置的观测特性，耦合光谱、空间、时间分辨率，及观测特性四要素，解释多源数据的融合机理，突破由于观测特性差异带来的融合畸变问题，降低了融合结果的空间细节畸变、光谱反射率畸变、及位置畸变，实现了红树林高光谱图像的高精度分类。.本项目形成了一套基于多尺度属性表示的高光谱图像红树林分类新方法，并利用实际应用验证了项目研究成果的有效性。在IEEE TGRS、PIEEE、RSE等国际高水平学术刊物上共发表论文48篇，其中SCI检索37篇，包括SCI检索JCR1区论文24篇，申请国家发明专利3项(1项已授权)，培养研究生25人。项目相关成果在对地观测、海洋探测等领域具有广阔的应用前景。