多尺度超像素纹理特征保持与融合的高光谱图像分类

高光谱图像的低空间分辨率特性往往导致全局纹理提取技术难以获取地物要素的精准纹理信息,同时,单一尺度的局部纹理提取技术难以达到有效识别地物的目的。基于此,该文设计了一种多尺度超像素纹理保持与融合(MSuTPF)的高光谱图像分类方法,主要架构如下:首先,利用2D Gabor滤波器对高光谱图像进行多方向与尺度的全局纹理提取,并通过融合各尺度的纹理特征,增强纹理结构表征能力;其次,融合纹理与光谱主成分特征以形成光谱-纹理联合判别特征;再次,采用形状自适应的超分割方法,作用至光谱-纹理联合特征进行局部纹理信息保持与融合,尤其是,为克服超像素邻域像元的隐性不相关问题,该文定义了基于密度最近邻相似性评价准则,使超像素纹理进一步趋于一致性;最后,将各更新的光谱-纹理联合特征输入像素级分类器获取其对应的类标签,并采用多数表决的决策融合机制取得最终分类结果。Indian Pines和Pavia University真实数据集的实验表明,该方法在小样本条件下的分类精度优于基准分类器(SVM)、深度学习方法(GFDN)以及最新的空-谱分类方法(S3-PCA)等8个对比方法,充分证明了该文所提方法的实用性和有效性。

光谱—频域属性模式融合的高光谱遥感图像变化检测

高光谱作为“图谱合一”的遥感技术,具有精细光谱和空间影像的地面覆盖观测与识别优势。然而,高光谱遥感数据的光谱信息表征以及空间信息的利用给双时相高光谱遥感图像变化检测任务带来了巨大的挑战。为此,本文探讨了一种光谱—频域属性模式融合的高光谱遥感图像变化检测方法 SFDAPF(Spectral-Frequency Domain Attribute Pattern Fusion)。首先,设计一种基于梯度相关性的光谱绝对距离,使双时相高光谱遥感图像像元对的属性模式从光谱信息表征方面得到了逐级量化;其次,基于傅里叶变换理论提出一种变化像元属性模式显著性增强策略,从全局空间信息利用方面改善了变化与非变化属性像元对的可分性;再次,将全图属性模式显著性水平与梯度相关性的光谱绝对距离进行融合,得到变化检测的综合界定值;最后,依据虚警阈值确定双时相高光谱遥感图像变化检测的二值化结果。将本文提出的SFDAPF方法在开源的双时相高光谱遥感图像河流和农场数据集上进行了变化检测性能验证,结果表明SFDAPF方法能够优于传统的和最新的变化检测方法,变化检测的总体精度在河流和农场数据集上分别达到了0.96508和0.97287 (最高精度为1.00000)。证实了本文SFDAPF方法的有效性。

基于微博文本和深度学习的台风灾情识别方法研究——以2010—2019年广东省过境台风为例

结合台风属性数据和多标签分类方法,以BERT-BiLSTM(Bidirectional Encoder Representations from Transformers-Bidirectional Long Short-Term Memory)为分类模型,提出基于微博文本与深度学习的台风灾情识别方法,对2010—2019年登陆广东省的强台风/超强台风灾情进行识别,在粗分类获取台风灾情相关微博文本的基础上,进一步细分类为交通影响、社会影响、电力影响、林业影响和内涝积水等5类灾情。结果表明:1)提出的台风灾情识别方法粗分类和细分类精度分别达到0.907和0.814;2)强台风/超强台风的灾情占比受台风强度、路径和受灾地区发展水平等因素影响而存在差异;3)台风登陆前,灾情主要为台风预防措施导致的交通影响和社会影响。台风登陆后,灾情表现出单峰和双峰特征,反映台风灾情的变化趋势和特点。