高光谱和LiDAR数据协同分类算法研究

作     者：邢爽 

作者单位：哈尔滨理工大学 

学位级别：硕士

导师姓名：王爱丽

授予年度：2023年

学科分类：0810[工学-信息与通信工程] 080904[工学-电磁场与微波技术] 0809[工学-电子科学与技术（可授工学、理学学位）] 08[工学] 081002[工学-信号与信息处理] 

主      题：高光谱 LiDAR 协同分类 耦合共享 跨模态 

摘      要：高光谱和激光雷达遥感技术是获取地表信息的主要技术。随着对地探测技术以及航空航天技术的飞速发展,人们已经能够实时获取关于同一环境的多源数据集,也就为高光谱和LiDAR数据的协同分类创造了良好的技术基础。高光谱图像可以较好地反映地物的光谱信息,表现出其结构、质地等特征,而通过LiDAR可以高效、准确地得到地面的高程信息。根据多源遥感的差异特点,结合数据信息的多样性,利用多源遥感数据对地物进行分类,成为遥感数据分类研究的新趋势。利用协同分类可以有效的结合数据的互补信息,也为解决地物分类问题提供了新的解决办法和有效手段。本文为了结合两种遥感数据的特点及优势,提高地物分类精度,提出了两种高光谱和LiDAR数据协同分类方法,主要研究内容包括以下几部分:首先,对高光谱和LiDAR数据的特点进行分析,对深度可分离卷积,空洞卷积以及多头自注意力机制的理论部分进行深入分析,为本文的后续章节奠定基础。其次,为了充分挖掘高光谱与LiDAR数据的特征,设计了一种基于空洞空间金字塔池化和多头注意力机制的高光谱与LiDAR数据协同分类方法。两个支路使用对称的特征提取模块,利用空洞空间金字塔池化,以增强学习特征的辨别能力。改进可分离卷积共享机制,在分别提取高光谱与LiDAR特征的同时,使特征之间相互交流,相互共享。将提取的特征送入多头自注意力机制中,通过特征融合机制进一步增强学习特征的辨别能力,充分利用数据的上下文信息和高光谱与LiDAR数据之间的特征信息,得到信息更全面的特征图,提高了地物分类精度。最后,为了促进多模态特征融合之前的信息交互,改进分类模型的优化过程,设计了一种高光谱与LiDAR数据跨模态协同分类方法,该方法使用非对称的双支路网络对高光谱和LiDAR特征进行提取,然后利用跨模态的空间增强模块和光谱增强模块,使不同模态之间的互补属性相互增强。分别在Houston2013和Trento数据集上进行分类实验,与最新的对比实验方法相比,该方法有更好的分类效果,提高了地物分类精度。