研究目的
通过引入新型空间特征提取器(SPMPs和SPMPsM)并评估新决策森林算法ForestPA,克服高分辨率遥感影像分类中传统基于像素的上下文信息提取方法的局限性。
研究成果
所提出的SPMPs和SPMPsM方法对超高分辨率遥感图像分类有效,其中SPMPsM在某些场景中表现更优。ForestPA仅优于装袋法,但在处理高维数据时计算效率低下且精度低于ExtraTrees和随机森林等其他集成方法。未来工作包括自适应参数选择及采用高性能计算加速处理。
研究不足
ForestPA的训练效率较低,尤其在高维数据情况下,且在大样本量或高波段相关性时可能表现不佳。超像素数量和尺度步长需要根据图像及目标特性进行调参。
1:实验设计与方法选择:
本研究采用比较研究法,使用三个甚高分辨率多/高光谱遥感影像数据集。方法包括形态学剖面(MPs)、部分重建形态学剖面(MPPR)以及提出的超像素引导形态学剖面(SPMPs和SPMPsM)。分类器选用SVM、装袋法、AdaBoost、MultiBoost、ExtraTrees、随机森林、旋转森林和ForestPA。
2:样本选择与数据来源:
使用三个数据集:ROSIS帕维亚大学高光谱影像(610×340像素,103个波段)、GRSS-DFC2013高光谱影像(340×1350像素,144个波段)和苏黎世QuickBird多光谱影像(1295×1364像素,4个波段)。每个数据集的训练和测试样本均为预定义。
3:实验设备与材料清单:
来自ROSIS传感器、美国国家科学基金会资助的机载激光测绘中心及QuickBird卫星的遥感影像。图像处理与分类软件,包括超像素生成算法(SLIC)和分类器算法。
4:实验流程与操作步骤:
使用尺寸1至10的圆形结构元素生成MPs和MPPR。通过SLIC算法生成不同数量和尺度步长的超像素。提取特征(MPs、MPPR、SPMPs、SPMPsM)并应用PCA降维。使用归一化数据训练和测试分类器,通过总体精度、kappa统计量和CPU时间评估。
5:数据分析方法:
对分类精度(OA、kappa)、计算效率(CPU时间)进行统计评估,并对分类图进行视觉解译。SVM参数通过交叉验证调优。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容