近日，北京理工大学信息与电子学院博士生赵旭东、陶然教授、李伟教授，西南交通大学李恒超教授，美国密西西比州立大学杜谦教授和比利时根特大学Wilfried Philips教授、廖文志研究员共同合作，利用图论中的随机游走理论显著提升了深度卷积神经网络用于高光谱与激光雷达协同分类精度。 研究结果以《Joint Classification of Hyperspectral and LiDAR Data Using Hierarchical Random Walk and Deep CNN Architecture》为题，发表在顶级期刊美国电气和电子工程师协会地学与遥感汇刊[IEEE Transactions on Geoscience and Remote Sensing, 2020](影响因子IF:5.63)。

图1. 高光谱与激光雷达协同分类算法的流程示意图

　　近年来伴随着航空航天观测数据的快速增长，为遥感信息的处理和分析带来了挑战，与此同时，以深度学习为代表的智能化算法的发展，也为高质量的遥感信息提取带来了机遇。高光谱遥感图像蕴含着近乎连续的光谱特征，具有图谱合一、波段多、数据量丰富的特点，在辨别地表地物不同材质特性方面具有得天独厚的优势。由于成像环境复杂，受光照条件、阴影、云层遮盖等影响，高光谱图像中光谱相似的地物往往存在较高的误判，难以实现精细分类。激光雷达则具有对光照不敏感、穿透云层的优势，同时能捕获地物垂直结构和高程信息，但是它缺乏光谱和纹理信息，使得在地物识别方面有所缺陷。由于不同传感器成像原理及获取数据能力的差异，在特定应用下获取目标信息仅利用单一图像源解译具有一定的不可靠性和不准确性，多源遥感图像处理可以弥补单一传感器图像信息系统的诸多不足，开展多模态数据联合特征提取和协同分类成为一个重要趋势。

　　在运用深度学习方法解决复杂场景下高光谱图像和激光雷达图像的联合分类任务时，标签样本往往存在空间不连续的问题，产生分类结果碎片化及解译区域不精细、缺乏边缘细节的现象。该团队利用高光谱图像的高光谱分辨率特性，使用深度学习方法获取高光谱图像中像素点的空间、光谱联合特征作为分类结果的先验分布；结合激光雷达的高程和强度信息，该工作提出用像素相关矩阵反映的像素节点信息来获取更加丰富的边缘信息，并增强分类结果真实地物目标的空间连续性；综合多源数据各自的特点，研究一种新颖的分层随机游走结构策略，充分联合数据的先验分布、像素相关性、局部先验等信息，最大程度上保留特征中有效判别信息，提升协同分类精度。该项工作为实现多源遥感数据准确、高效的协同分类任务提供了新的方法。

　　论文链接：https://doi.org/10.1109/TGRS.2020.2982064