雲影混合リモートセンシングシーンの分類のためのハイパースペクトルおよびLiDARデータの統合

センサー設計の最近の進歩により、地球表面に関するより有用な情報を収集できるようになりました。例としてハイパースペクトル（HS）センサーおよび光検出と距離測定（LiDAR）センサーがあります。しかし、これらには限界があります。HSデータは、類似の材料からできた異なるオブジェクトを区別できず、雲影領域で大きく影響を受けます。一方、LiDARは同一高度にある異なるオブジェクトを分離できません。分類性能の向上のために、HSとLiDARデータの融合が最近注目されていますが、依然として課題です。特に、これらの手法は、影のない地域との対応が欠如しており、十分なトレーニングデータがないため、雲影領域でのパフォーマンスが劣ります。本論文では、雲影と影のないリモートセンシングシーンの分類のために、HSとLiDARデータを融合する新しいフレームワークを提案します。雲影と影のない領域を別々に処理し、本研究の主な貢献は、雲影領域で信頼できるトレーニングサンプルを生成する新しい方法の開発です。分類は、影のない（利用可能なトレーニングサンプルでトレーニングされた分類器）および雲影領域（我々が生成したトレーニングサンプルでトレーニングされた分類器）で別々に行われ、スペクトル（すなわち、元のHS画像）、空間（HS画像上で計算された形態的特徴）、および標高（LiDAR上で計算された形態的特徴）特徴を統合します。最終的な分類マップは、影のない領域と雲影領域の結果を融合することによって得られます。実際のHSおよびLiDARデータセットに対する実験結果は、提案手法の有効性を示しており、提案されたフレームワークは全体のシーンに対して4%、影のない領域に対して10%の分類精度を向上させます。他の手法に対して。