利用光谱和超像素引导的形态学剖面对ForestPA在高分辨率遥感影像分类中的评估

摘要： 在甚高分辨率（VHR）遥感（RS）分类任务中，传统的基于像素的上下文信息提取方法（如形态学剖面（MPs）、扩展形态学剖面（EMPs）以及具有有限数量、尺寸和形状结构元素（SEs）的部分重构形态学剖面（MPPR））无法完美匹配图像中所有目标的大小和形状。为克服这一局限，我们引入了新颖的空间特征提取器——超像素引导的形态学剖面（SPMPs），其中超像素被用作重构开运算和重构闭运算中的结构元素。此外，为避免超像素内异常最大值和最小值可能带来的副作用，采用了超像素的平均像素值（SPMPsM）。同时，提出了一种新的基于惩罚先前树属性的决策森林方法ForestPA，并通过在三项VHR多/高光谱遥感图像分类任务上的对比研究进行评估。实验采用支持向量机及基准集成分类器（包括装袋法、AdaBoost、MultiBoost、ExtraTrees、随机森林和旋转森林）。实验结果证实，相较于MPs和MPPR，所提出的SPMPs和SPMPsM具有有效性和更优的性能。此外，从计算效率和分类精度角度看，ForestPA仅优于装袋法，且不适用于从高维海量样本中学习。