有监督的邻域保留嵌入的高光谱遥感影像特征提取算法

超光谱遥感图像特征提取对于图像分类具有重要意义,本文提出一种名为判别监督邻域保留嵌入的新型特征提取算法(discriminative supervised neighborhood preserving embedding, DSNPE)。在高维超光谱遥感图像特征提取过程中, DSNPE不但能保留图像的局部流形结构和邻域信息,而且采用像素点由邻域同类像素点线性表示,将邻域中同类和非同类像素点分开处理,利用判别分式求解最优投影矩阵,使高维像素点投影到低维空间时,同类点离得尽可能近,非同类点离得尽可能远,有利于图像的分类。对三幅超光谱遥感图像的特征提取及分类的实验说明：与主成分分析（PCA）、非参数权重特征提取（NWFE）、局部保留投影 (LPP)、邻域保留嵌入（NPE）等相比,具有一定的优越性和可判别性。     

基于多源数据和深度学习的城市边缘区判定

城市边缘区的定量分析及判定,对城市发展评价和规划,或是城市空间结构研究都具有重要意义。然而现有研究的边缘区判定指标选择过于单一,判定结果过于破碎,城市预设边界、水体及城市绿地对边缘区判定结果干扰大。针对上述问题,从自然、人口、社会经济的视角出发,以遥感影像、人口数据、POI大数据为数据基础,结合深度学习技术,构建基于多源数据和深度学习的城市边缘区判定方法,进行广州市城市边缘区判定及城市结构空间分布特征分析。结果表明：① 此方法能将城市划分为核心区-边缘区-外缘区,判定结果不会受到预设边界范围的影响,且消除了城市内部水体和城市绿地所造成的破碎化;② 城市边缘区与路网耦合良好;③ 广州市的城市核心区空间分布合理。综上所述,此方法能有效检测城市边缘地带,且结果符合实际情况,能为城市规划、政府决策提供参考。