一种利用多光谱数据进行高光谱分类图空间扩展的灵活框架
《Applied Sciences》:A Flexible Framework for the Spatial Extension of Hyperspectral Classification Maps Using Multispectral Data
【字体:
大
中
小
】
时间:2026年08月29日
来源:Applied Sciences 2.5
编辑推荐:
特色应用 本研究提出了一种灵活框架,利用多光谱影像有效弥合高光谱分类图中的空间覆盖缺口。该框架包含一个支持多种分类器的基础分类组件,以及一个可选的级联分类模块和一个用于空间细化的轻量级重新分类模块。在矿物分类和一般
特色应用
本研究提出了一种灵活框架,利用多光谱影像有效弥合高光谱分类图中的空间覆盖缺口。该框架包含一个支持多种分类器的基础分类组件,以及一个可选的级联分类模块和一个用于空间细化的轻量级重新分类模块。在矿物分类和一般土地利用/土地覆盖(LULC)分类上的评估结果表明,该框架具有实用性和稳健性。
摘要
高光谱(HS)传感器具有较高的光谱分辨能力,但通常空间覆盖范围有限;而多光谱(MS)传感器则提供广泛的覆盖范围,但光谱细节较少。HS-MS互补映射旨在通过在HS-MS重叠区域内训练分类器并将其应用于周边仅含MS数据的区域,来减少HS传感器的覆盖缺口。然而,在该互补映射场景下,跨越不同分类器的综合比较仍然稀缺。此外,轻量级逐像素分类器往往产生空间不一致的预测结果,而空间-光谱深度学习模型则需要大量的计算资源。在本研究中,我们系统评估了13种分类器在矿物和土地利用/土地覆盖(LULC)映射任务中的表现,并提出了一种灵活的HS-MS互补映射框架,同时引入了类别自适应不确定性撤销(CAUR),这是一种轻量级、独立于分类器的后处理模块。性能评估通过HS-MS重叠区域内的空间留出交叉验证进行。当计算资源充足时,3D卷积神经网络(3D-CNN)可达到最高精度。相反,随机森林(RF)和k近邻(kNN)等轻量级模型提供了计算高效且稳健的基线。应用CAUR能持续改善空间一致性和整体分类精度,且无需重新训练模型,其中最显著的改进出现在较粗分辨率的HS参考数据上。这些发现为根据应用需求和传感器特性构建高效的HS-MS互补映射流程提供了实用的设计指南。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号