背景
精確的土地覆蓋分類與制圖對于土地資源規劃與管理、環境保護、自然災害防治等具有重要意義。然而，現有無人機載HSI數據集的場景覆蓋范圍相對簡單，這在一定程度上限制了分類方法的泛化能力評估。在同一傳感器下構建包含復雜且具有挑戰性的場景的無人機載 HSI 數據集是值得的。
最近，奇異譜分析（SSA）由于其對全局的局部建模而在HSI特征提取和分類中受到了相當大的關注。由于HSI的三維立方結構，基于SSA的方法在內在特征表示方面仍然一些缺陷。其次，目前還沒有用于HSI聯合光譜空間特征提取的SSA的3D版本，這有望緩解無人機載HSI的光譜變異性和空間異質性。因此，探索新的3D SSA值得研究。此外，如何將高分辨率HSI的優勢與基于SSA的方法結合起來，在精確的土地覆蓋分類中具有挑戰性。
本文基于構建的無人機載HSI數據集，提出了一種新穎的3DSSA方法來緩解嚴重的光譜變異性和空間異質性問題。在3DSSA中，我們定義了一個新的3D嵌入窗口來構造與整個HSI相對應的低秩軌跡張量，并引入t-SVD進行特征提取和重建。此外，為了減輕尺度多樣性并提高分類精度，提出了擴展區域聚類（RC）3DSSA（RC-3DSSA）框架用于精確的土地覆蓋分類。在RC-3DSSA中，首先針對異構區域分割執行基于光譜和空間測量的RC。然后，每個不規則異質區域填充平均像素或原始像素，并使用快速 3DSSA 版本實現進一步高效的對象級處理，以獲得RC-3DSSA的兩個變體（即RC-3DSSA-m和RC-3DSSA-n）。提取的光譜空間特征最終輸入有效的分類器SVM以獲得精確的分類結果。
試驗設計
中國石油大學孫根云教授團隊選取了位于中國山東省青島市西海岸新區的三個研究區（圖1）。在此研究中構建了具有高分類挑戰的QUH數據集。QUH數據集包含三個子數據集，即QUH-唐島灣、QUH-青云和QUH-平安，均由安裝在無人機平臺上的高光譜傳感器Gaiasky mini2-VN成像光譜儀（江蘇雙利合譜科技有限公司）獲取，規格如圖2所示。三個數據集的詳細飛行參數信息如表1所示。QUH-唐島灣、QUH-青云、QUH-平安數據集詳細的土地覆蓋分布及相應的光譜曲線分別如圖3和圖4、圖5和圖6、圖8和圖9所示。然而，QUH-青云數據集的某些區域被建筑物陰影遮擋，包括樹木、汽車和瀝青道路等類別（圖7）。
圖 1：研究地點
圖2：無人機機載高光譜觀測系統及Gaiasky mini2-VN成像光譜儀參數
表 1：三個數據集參數。
圖 3.：QUH-唐島灣數據集。(a) 圖像立方體，(b) 地面實況圖像，(c) 土地覆蓋類別
圖 4.：18 個土地覆蓋類別的平均光譜曲線。
圖 5：QUH-青云數據集。(a) 圖像立方體，(b) 地面實況圖像，(c) 土地覆蓋類別
圖 6：6 個土地覆蓋類別的平均光譜曲線
圖7：土地覆蓋和影子土地覆蓋的光譜曲線。
圖 8：QUH-平安數據集。(a) 圖像立方體，(b) 地面實況圖像，(c) 土地覆蓋類別
圖 9：10 個土地覆蓋類別的平均光譜曲線
所提出的3DSSA方法用于提取HSI中的3D光譜空間特征，并進一步設計了基于區域聚類的改進RC-3DSSA框架，用于大規模HSI的精確土地覆蓋分類。 3DSSA和RC-3DSSA的流程圖分別如圖10和圖11所示。
圖 10：用于 3D 特征提取的 3DSSA 流程圖
圖 11：用于 HSI 分類的 RC-3DSSA 流程圖，包括三個步驟：(a) 基于 RC 的 HSI 分割，(b) 每個區域的 3DSSA，以及 (c) 基于 SVM 的分類
所提出的 3DSSA 使用局部 3D 窗口對整個 HSI 的全局低秩張量進行建模，探索光譜和空間依賴性并提取 3D 上下文特征。它由三個主要步驟組成：（1）3D 嵌入，（2）低秩張量 SVD，（3）重建。
盡管3DSSA可以有效地提取HSI的內在空間光譜特征，但由于軌跡張量的構造，對于較大的HSI數據存在內存不足的風險。為了解決這個問題，RC3DSSA被提出用于大規模HSI特征提取和分類，它具有三個主要步驟，如圖11所示。首先，對原始HSI應用RC預處理以實現同質區域的分割。然后，將3DSSA應用于每個聚類區域進行特征提取，產生光譜空間聯合特征。最后利用經典的SVM分類器實現土地覆蓋的精確區分。
結論
不同方法在QUH-唐島灣數據集上的定量分類結果如表4所示。具體而言，所提出的RC-3DSSA-n在更多類別上取得了出色的準確性，RC-3DSSA-m在OA、AA和kappa方面獲得了最高值。深度學習方法通??常比機器學習方法取得了更高的分類精度，并且在某些類別上取得了最高的分類精度（例如C1-Rubber track和C14-Buxus sinica的MorphCNN，C2-Flagging和C17-Ulmus pumila L的SSTN） 。而機器學習方法，尤其是 SuperPCA，效率更高。提出的 RC-3DSSA 以比深度學習更低的運行成本實現了分類性能。
圖16顯示了所有方法的分類圖，并標記了三個典型區域以進行比較。對于區域 I（黑盒），所提出的方法能夠有效地區分海水、沙地和巖石淺灘并保留其形態，而 3DGW、3DWT、SuperPCA、SpaSSA 和 HybridSN 等方法的錯誤分類較大。對于區域 II（紅框），所提出的方法準確識別了兩種相似的植被，針葉松和榆樹，但深度學習方法識別不足（(i)-(l)），而深度學習方法識別過度SpaSSA 方法。大多數機器學習方法（（c）-（g））由于分類性能較差而遭受更多的識別錯誤。對于區域III（白盒），RC-3DSSA有效地保留了以碎石路和橡膠跑道為主的不規則形狀和道路連續性，而SVM、2DSSA、3DGW、3DWT、SuperPCA、HybridSN和SpectralFormer的結果并不令人滿意。總的來說，RC-3DSSA方法在復雜特征分布和相似目標混淆的情況下提供了優異的分類性能。
QUH-Qingyun數據集面臨陰影遮擋和小目標識別的挑戰，表5列出了所有方法的定量分類結果。特別是，RC-3DSSA-n 在 C3-Car 小目標類別上實現了最高的準確率和 AA (76.23%)，而 RC-3DSSA-m 在所有其余類別上實現了超過 85% 的準確率，并且具有最高的 OA 和卡帕。 SpaSSA、HybridSN、MorphCNN 和 SSTN 分別在 C2-混凝土建筑、C1-樹木、C4-鐵皮建筑和 C5-塑料游樂場類別上具有最高的準確率。所提出的 RC-3DSSA 的運行時間比大多數深度學習方法更快，但比機器學習方法慢，其中 SuperPCA 運行速度最快。
所有方法的分類圖和三個標記的典型區域如圖17所示。區域I和II分別是陰影遮擋下的植被和道路，區域III是小目標（汽車）的區域。對于區域I（黑盒），RC-3DSSA-n和RC-3DSSA-m均準確提取了陰影下的植被區域，2DSSA、SpaSSA、SpectralFormer和SSTN僅提取了部分植被，而其余方法未能識別。對于區域 II（紅框），RC-3DSSA-n 準確地識別并保留了瀝青路的主要形狀，而 SSTN 和 SpaSSA 存在一些識別錯誤。然而，SSTN 和 SpaSSA 有大片區域的瀝青路被錯誤分類為汽車。對于區域 III（白盒），RC-3DSSA-m 提取汽車小目標的精度最高，RC-3DSSA-n 和 SSTN 次之。其余方法在小目標的識別和提取方面表現不佳。此外，所提出的RC-3DSSA-n和RC-3DSSA-m對于不同場景（陰影干擾或小目標）的性能有所不同，實際中可以根據場景特征選擇兩種方法中更合適的方法應用程序。
QUH-Pingan數據集在小、中、大尺度上都具有挑戰性的場景，不同方法的分類精度總結在表6中。具體來說，所提出的RC3DSSA-n在小尺度和大尺度場景分類方面具有優勢。中規模（例如C1-船舶、C3-樹木和C4-混凝土結構建筑），而RC-3DSSA-m更適合大規模場景（例如C2-海水和C5-浮動碼頭）。同樣，RC-3DSSA-m和RC-3DSSA-m分別獲得了最高和第二高的OA、AA和kappa，計算效率比深度學習方法更快。請注意，SuperPCA 在五個類別上以*高效的方式實現了最高的分類精度，但由于 C2-海水和 C10-Road 上的精度較低，OA 和 kappa 較差。
圖 18 顯示了所有方法和三個典型區域的分類圖。從圖 18 可以看出，本文提出的方法對于大規模場景（主要是海水和道路）的分類結果平滑度高且無噪聲，三種深度學習方法 MorphCNN、SpectralFormer 和 SSTN 也有不錯的效果，而其余的方法存在不同程度的分類錯誤。從區域I和區域II，擬議的RC-3DSSA可以識別和提取完整的小規模目標——汽車和船舶；從區域III來看，RC-3DSSA 可以準確地區分出中等規模的復雜小型建筑。總體而言，所提出的方法對于多尺度場景分類更適用且更準確，并且這種優勢將在 5.5 節中在不同數據集上進一步得到證明。
© 2019 版權所有：江蘇雙利合譜科技有限公司 備案號：蘇ICP備2021046114號-3 技術支持：化工儀器網 GoogleSitemap 管理登陸
在線客服