近日，北京理工大學光電學院許廷發(fā)教授科研團隊在高光譜遙感圖像處理領域取得新進展，研究成果以“Content-driven Magnitude-Derivative Spectrum Complementary Learning for Hyperspectral Image Classification”為題發(fā)表在遙感領域的國際頂級期刊《IEEE Transactions on Geoscience and Remote Sensing》（IEEE TGRS）上。該工作第一作者為北京理工大學碩士研究生白薈琰，通訊作者為北京理工大學許廷發(fā)教授和李佳男特別副研究員。

針對高光譜遙感圖像分類中存在的光譜冗余和混疊難題。許廷發(fā)教授科研團隊提出了一種內容驅動的幅度導數(shù)光譜互補學習高光譜圖像分類方法。通過引入能夠放大微小光譜特征，提取了隱藏信息光譜導數(shù)特征，創(chuàng)新的構建了光譜互補網(wǎng)絡。通過構建內容感知的逐點模塊，實現(xiàn)了光譜互補特征的充分利用。網(wǎng)絡結構圖如圖1所示。

圖片:f490b1dc203c441483050a94a8c87f3b.png

圖1.內容感知的光譜互補網(wǎng)絡結構圖

圖片:9e0024dc188a40629346cb2961435a05.png

圖2.展示了該方法在遙感圖像上更全面分類邊界的效果，體現(xiàn)了更充分的光譜宏觀結構和微觀細節(jié)

該研究解決了高光譜遙感圖像分類中存在的光譜冗余和混疊帶來的分類性能降低難題。在光譜幅度混淆的情況下，增強了單個光譜下混淆特征的區(qū)分度，實現(xiàn)了光譜信息的充分利用，為高光譜解混和分類研究提供了理論和方法支撐,。

論文詳情：H. Bai, T. Xu, H. Chen, P. Liu and J. Li, "Content-driven Magnitude-Derivative Spectrum Complementary Learning for Hyperspectral Image Classification," in IEEE Transactions on Geoscience and Remote Sensing, doi: 10.1109/TGRS.2024.3435079.

論文鏈接：https://ieeexplore.ieee.org/document/10613611