课题组付航博士近期在遥感领域国际顶级期刊ISPRS Journal of Photogrammetry and Remote Sensing发表论文“Three-dimensional singular spectrum analysis for precise land cover classification from UAV-borne hyperspectral benchmark datasets”。期刊最新影响因子12.7，JCR-1区，中科院1区，TOP期刊。
论文针对无人机高光谱精细地物识别的需求，构建了一个覆盖场景丰富、分类挑战性强的无人机高光谱基准数据集，并提出了一种新型的三维奇异谱分析方法来应对高空间分辨率所带来的严重类内光谱变化和空间异质性问题，该方法在地物识别方面表现出优异的性能，并可推广应用于多种高光谱传感器数据的处理和应用领域。
研究背景
无人机技术和小型化传感器的迅速发展将高光谱影像的空间分辨率提升至厘米级。利用搭载在无人机上的高光谱传感器，可以实现对地物目标更加全面、精细的信息提取。
数据层面，以青岛西海岸海滨城市为研究区域，构建了一个覆盖滨海湿地、城区和海港的无人机高光谱基准数据集（QUH数据集）。该数据集包含了多种场景和地物类型，包括光谱相似或混淆、受到环境干扰（如阴影），以及复杂地物形状和尺寸等实际应用挑战，可作为重新评估现有分类方法和新型精细地物识别方法的新基准。
方法层面，针对无人机高光谱影像地物识别面临的挑战，以及高空间分辨率所带来的严重类内光谱变化和空间异质性问题，提出了一种新型的三维奇异谱分析（3DSSA）方法，通过获取光谱趋势特征和空间上下文特征成分并消除干扰或噪声成分。进一步将3DSSA与区域聚类相结合（regional clustering 3DSSA，RC-3DSSA），可以缓解地物尺度多样性，并提高对复杂形态地物和区域的识别能力。
研究数据
本研究期望建立场景丰富，涵盖多种复杂区域，包含场景干扰/影响下的地物(如阴影)，并且覆盖形态、大小、分布多样的地物的数据集。为此，选取快速发展的青岛西海岸海滨城市中的多种典型区域，构建了一个覆盖滨海湿地、城区和海港的无人机高光谱基准数据集（QUH数据集）。数据集的具体信息如下。
图1 研究区
图2 数据集基本信息及特点
研究方法
为了同时在空谱域降低光谱和空间变异性，结合三维数据中光谱和空间的局部依赖性和全局相似性，提出了新型的三维特征提取方法3DSSA，如图3所示。该方法主要包括三个步骤：(1)三维信息嵌入；(2)低秩张量奇异值分解t-SVD；(3)重构。
图3 3DSSA的基本流程
方法的主要核心：三维空谱信息嵌入——通过三维滑动块将空谱信息拉伸为轨迹张量的向量，hankel型的数据分布增强了原有数据的秩一特性；张量奇异值分解——保留了主要的空谱趋势特征，剔除了噪声等其他干扰成分。
为进一步缓解地物尺度多样性，并提高3DSSA在大尺寸数据中的应用，进一步提出了RC-3DSSA，提高对复杂形态地物和区域的识别能力，如图4所示。具体来讲，首先结合光谱和空间度量，经过多次空间聚类迭代，得到不同的地物同质区域；然后每个区域进行平均或相邻像素填充（可记为RC-3DSSA_m和RC-3DSSA_n），得到局部图像块，并采用加速的3DSSA处理；最后对得到的特征进行像素级分类。
图4 RC-3DSSA的基本框架
研究结果
（1）分类结果-以QUH-Tangdaowan数据为例
采用10%的空间不相交样本作为训练数据，剩余样本作为测试数据，对RC-3DSSA的分类性能进行了评估。在QUH-Tangdaowan数据集上，提出的方法对相似地物的区分精度最高，优于多种深度学习方法，分类图框线中表示，提出方法能有效提取地物的完整形状，并保留边界。
表1 QUH-Tangdaowan数据集的分类精度
图5 QUH-Tangdaowan数据集不同方法的分类图。(a) 真彩色图. (b) Ground truth. (c) SVM. (d) 2DSSA. (e) 3DGW. (f) 3DWT. (g) SuperPCA. (h) SpaSSA. (i) HybridSN. (j) MorphCNN. (k) SpectralFormer. (l) SSTN. 提出的(m) RC-3DSSA-n and (n) RC-3DSSA-m。
（2）训练样本数量分析
验证了不同训练样本数量下，提出方法与对比方法的精度变化。可以看到，所有方法的精度会随训练样本数量的增加而提高，并且提出的方法在不同数量样本下均有最高的精度。提出的RC-3DSSA_m的精度要优于RC-3DSSA_n，说明平均像素的填补方式更加有利于地物识别。
图6 不同数量训练样本下的精度对比
（3）统计显著性分析
为了进一步评估实验结果的统计意义，我们采用了 McNemar 检验来评估 RC-3DSSA 与另一种比较方法之间的精度改进。可以看到，与其他方法相比，RC-3DSSA 的精度提高在统计学上非常显著。
表2 RC-3DSSA 与其他方法之间 McNemar 检验z值
（4）消融学习
验证了RC-3DSSA方法的三个步骤中不同分割方法，3DSSA的不同嵌入方式和不同分解方式，以及不同分类器的效果。根据柱状图可知，3DSSA中的三维嵌入与t-SVD的组合能实现最好的特征提取效果，RC聚类和SVM分类器能够与3DSSA组合实现最佳的分类性能。
图7 在三个数据集上对 RC-3DSSA 的三个阶段进行的消融研究。(a) 分割阶段。(b) 3DSSA 阶段。(c) 分类阶段。
（5）适用性评估
将提出的方法应用于其他高光谱传感器影像，验证提出方法的普适性。以Indian Pines数据集为例，展示了不同方法的分类结果。实验结果证明，该方法在不同高光谱传感器数据上均具有较好的分类性能，证明了其普适性。
表3 Indian Pines数据集上的分类精度
图8 Indian Pines数据集不同方法的分类图。(a) 真彩色图. (b) Ground truth. (c) SVM. (d) 2DSSA. (e) 3DGW. (f) 3DWT. (g) SuperPCA. (h) SpaSSA. (i) HybridSN. (j) MorphCNN. (k) SpectralFormer. (l) SSTN. 提出的(m) RC-3DSSA-n and (n) RC-3DSSA-m
文章链接：https://doi.org/10.1016/j.isprsjprs.2023.07.013
数据链接：https://github.com/RsAI-lab/QUH-classification-dataset