作为遥感领域的新兴技术, 高光谱成像为遥感影像处理分析和计算机视觉提供了海量内容。 高光谱图像的优势在于电磁波谱的范围广度与高分辨率, 能够将地物目标的光谱反射特性和差异特征更全面地表现出来, 广泛地应用于地物分类、 目标识别、 异常检测等领域。 但是, 高光谱图像由于数据量繁重、 信息重叠冗杂等问题, 给图像处理、 存储和传输带来一定挑战。 选择合适的光谱波段可以在不改变原图像物理信息的情况下, 达到较好的图像处理成果。 为设计适合数据降维和目标地物分类的波段选择方法, 提出将视觉显著性模型应用到波段选择方法中。 首先引入基于图像空间分布的目标显著性算法进行波段图像处理得到目标显著图; 其次, 利用目标显著图分析地物之间在每一波段图像中的可分离程度定义为波段显著性。 为避免波段信息重叠, 在波段选择之前利用谱聚类算法将波段划分为若干子空间。 然后在子空间内依据波段显著性降序排列, 选择各子空间中目标显著性表现较好的波段组成波段子集; 最后, 在GF-5采集的高光谱图像数据进行方法验证, 筛选有效的目标显著性算法, 与常用的波段选择算法进行分类精度比较。 结果表明, 基于LC目标显著性算法的波段选择子集, 在SVM分类器中具有优异分类结果, 总体分类精度和Kappa系数达87.780 0%和0.805 3, 优于应用全波段和其他三种波段选择方法的结果子集。

为了提高在少标签数据条件下的地物分类精度，提出一种利用高光谱图像（HSI）数据与机载激光雷达（LiDAR）数据进行对比学习的地物分类方法。首先利用不带标签的HSI数据与LiDAR数据进行对比学习，通过对比学习可以建立这两种数据的空间特征之间的联系，实现对这两种数据的空间特征提取；设计了卷积模块与Transformer模块相结合的网络，使模型能够利用提取出的局部特征建立全局交互关系。在Houston 2013数据集和Trento数据集上进行对比实验，所提方法的分类精度高于其他多源数据融合地物分类的对照方法，在Houston 2013数据集上当每类标签样本量为5时，所提方法的分类精度比对照方法提高20.73个百分点，在Trento数据集上当每类标签样本量为2时，所提方法的分类精度比对照方法提高8.35个百分点。

地物精细化分类一直是遥感领域的研究热点之一，也是生物量计算、全球碳循环、能量流动等研究的重要前提。为实现复杂场景下的地物高精度识别分类，本文基于高光谱激光雷达空间-光谱一体化同步获取优势，提出了基于空谱特征优化选择的高光谱激光雷达地物分类流程，构建了多种适用于高光谱激光雷达数据的空谱特征，并通过空谱特征优化选择，确定最优空谱特征组合进而实现高精度地物分类。14类地物分类结果表明，联合多种空谱特征，可优化某些类别因空间结构复杂造成光谱获取准确度不高从而引起的错误分类现象，总体分类精度可达95.57%，平均分类精度为84.37%；基于空谱特征优化选择确定最优空谱特征组合，可有效地消除特征冗余，使得总体分类精度进一步提高1.56%，平均分类精度提高4.36%。基于高空间分辨与高光谱分辨的一体化成像探测优势，高光谱激光雷达技术在地物精细化分类领域极具研究潜力与商业价值。

高光谱成像是一种先进的图像获取技术, 其在获得地物空间信息的同时还可以获得地物的光谱信息, 得到“图谱合一”的三维图像数据。 其光谱分辨率高, 光谱曲线近似连续, 可以有效探测用多光谱成像技术中无法探测的地物, 在目标检测、 地物分类与图像压缩等领域取得了广泛的应用。 地物分类的分类结果是专题制图的基础数据, 在**、 农业、 地质等领域有重要地位了良好的效果。 地物分类是指将图像中的像元赋予类别标签, 即将同类地物赋予相同标签, 不同类地物赋予不同标签。 根据分类前是否已经获取目标的光谱信息, 地物分类分为监督分类、 半监督分类和无监督分类。 然而, 地物光谱受成像条件的影响较大, 特别是陆基成像, 不同成像条件的地物光谱会发生一定的改变, 不再具有严格的唯一性, 因此无法根据未知成像条件下的地物光谱数据进行准确分类。 但是同种地物的散射系数(由特定算法获得的散射占比)具有唯一性, 与成像条件或探测方向无关, 不受二向反射特性的影响, 只与地物类型及波长有关, 是一种反映地物本质属性的物理量, 因此可以作为地物的分类依据。 基于陆基成像条件下测量了多种地物的散射系数, 详细描述了散射系数的测量过程并且验证了核驱动模型的拟合能力。 通过对比发现不同地物的散射系数具有较大的差异, 进而提出了利用散射系数进行地物分类的方法。 采用两组数据对该分类方法进行验证, 并分别用投影、 距离、 信息量三种相似性度量指标定量地衡量了分类结果。 实验表明, 同种地物的散射系数几乎一致, 与成像条件无关, 只与地物类型有关, 不同种地物的散射系数各不相同, 利用散射系数可以有效地实现地物分类, 取得了良好的效果。

针对激光雷达测量技术现有数据特征单一、地物辨识能力粗糙、类别划分区间模糊导致地物分类精度低的问题，提出了一种基于复合衍生特征和模糊Dempster-Shafer（DS）证据合成理论的地物分类方法。首先，确定 LiDAR数据分类特征对不同类型地物的可识别性，选择特征空间中关联性强且区分度大的源特征与衍生特征；然后，比较归一化差值植被指数与绿色归一化差值植被指数对地物反应属性的差异性，提出并构造具有高辨识能力的复合衍生特征复合归一化差值植被指数；最后，结合使用岭型信任分配函数进行模糊DS证据合成与决策，最终实现对地物的精确分类。实验结果表明，总分类精度由85.78%提高到了89.20%，证明了本文方法的有效性。

目前的光谱相似度评价方法主要基于光谱形状和幅值两种信息, 但这两种信息仅仅能体现出光谱的轮廓, 并不能很好的反应地物光谱的吸收峰等“指纹”特征, 为了更好的体现出光谱特征在评价中的作用, 提出了基于一阶梯度信息的光谱相似度评价方法。 首先对传统光谱角度匹配度评价方法SAM进行了改进, 提出MSAM评价方法, 进而提出了调整的梯度光谱角度匹配(MGSAM)法。 MGSAM比较了两条光谱曲线的梯度角匹配度, 光谱曲线的梯度信息可以突出光谱吸收峰等“指纹”特性的存在, 因此MGSAM可以充分体现出两条对比曲线的光谱特征相似度。 分析了偏置信息和光谱深度对于MSAM和MGSAM的影响, 指出MGSAM对于偏置信息具有更强的鲁棒性, 且可以客观地反映出光谱深度差异, 进而直观地反映出光电系统或相关算法的光谱特征保真能力。 将MGSAM作为评价方法应用到压缩感知光谱成像系统评价中, 仿真结果表明, 随着采样率的变化, MSAM的值在 0.998~1之间, 而MGSAM的值在0.72~1之间, 具有明显的变化并具有较大的差异性, 可以客观地反映出压缩感知系统对于光谱特征的保真能力, 并具有更强的差异化分辨力, 为该类系统提供了一个更客观的评价方法。 将MGSAM应用到了基于光谱相似度的地物分类中, 测试数据选择了Salinas, Pavia和Indian Pines三个公开数据, 结果显示基于MSAM的平均分类精度为0.86, 基于MGSAM的平均分类精度0.93, 由此说明MGSAM可以突出光谱特征在分类中的作用, 大大提高了分类精度。

为了提高城区机载激光雷达点云数据地物分类的分类精度,提出了一种基于Point-Net网络的多源融合点云地物分类方法。点云在地物三维特征表示上具有优势,而遥感影像包含丰富的光谱信息,因此设计了一种点云与遥感影像的配准融合方法,综合利用两种数据的优势。针对Point-Net网络存在缺少邻域信息的问题,提出一种针对融合点云数据的多尺度Point-Net分类模型,实现对融合点云数据的有效分类。利用城区点云数据验证本文算法,通过分析分类精度和分类时间对分类效果进行评价。结果证明:相比其他算法,本文算法有效提高了点云数据分类效果,实现了对城区点云数据的有效分类。