论文地址:https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=7325695
贡献:提出了一个使用半监督的方式融合多个传感器数据的框架。该框架将光谱信息、空间信息和高度信息映射到低维空间来获得一个融合特征。
方法
形态学特征:通过使用预定义尺寸的结构元素(SE)对图像进行morphological openings and closings来生成。例如,disk结构元素的形态学轮廓携带了物体最小尺寸的信息,而方位形态学特征表示物体的最大尺寸。与周围物体相比,opening部分作用在明亮区域(对LiDAR而言,表示高海拔区域,如屋顶);closing部分作用在较暗区域(LiDAR指低海拔区域,如地面)。通过增加结构元素的尺寸并重复先前的操作,可建立完整的形态学轮廓(携带图像中对象的尺寸和形状信息)。
本文,形态学特征通过应用形态学开和闭来生成;形态学开和闭由LiDAR数据和降维后的HSI部分重构。对于盘状结构元素,由LiDAR和HSI(PCA降维后)重构的形态学特征有15个。对于线性结构元素,形态学特征有20个(5到100的逐步增加,每步增加5).
半监督基于图的特征融合方法
令X = {x1, x2, …, xN} = [X(spe); X(Spa); X(Ele)]。xi(Spe)——光谱特征;xi(Spa)——空间特征;xi(Ele)——高度特征。线性数据融合的目的可被概括为找出一个映射矩阵W,使得将高维数据X转换到低维特征空间Z:Z = W^T^ X。
本文所提的半监督基于图的融合方法(SSGF):通过考虑带标签和不带标签的样本来融合多个特征源。设带标签数据X(labeled) = {(x1, y1),(x2, y2), …, (xn, yn)},我们用线性判别分析(LDA)中的带标签数据去最大化类判别;设不带标签的样本X(unlabeled) = {(xn+1, yn+1), …, (xN, yN)}在无监督的融合图(UGF)中去保留多传感数据的邻域信息。对于LDA,两种不同的特征值分解方法:
对于UGF:
对应的SSGF: