基于形态变换与空间逻辑聚合的高光谱森林树种分类

基于机载及卫星平台面向地面实施反射率光谱信息采集，高光谱图像可捕获数十个甚至数百个相邻窄带，为土地利用提供丰富的判别性信息。因此，同可见光及多光谱图像相比，高光谱图像可以揭示更为精细的光谱特性，有助于实现更为准确的材质及地类识别。然而，现有分析方法大多过度关注其光谱特性，忽略了高光谱输入源的形态及空间性信息利用。在复杂对象分类任务中，针对细粒度类别(如森林树种)的类边界挖掘，形态结构差异性的捕获是极为重要的。本文分析了形态结构利用的重要性，设计了不同类型的特征提取器。在此基础上，针对细粒度树种分类提出了一种由粗到细的空间信息聚合网络MS-NET。本文方法将形态学算子与可训练的结构元素有效结合，有助于获取输入数据的特异性形态表征，提升最终分类精度。将本文方法在两组树种分类数据集中开展分类效果验证，相关结果表明本文方法相较其他类型分类器具有更好的性能。