基于注意力孪生网络与多模态融合特征的地物分类方法

1.本发明属于多源数据融合分类技术领域，特别是涉及一种基于注意力孪生网络与多模态数据特征融合的地物分类方法。

背景技术：

2.由于城市区域地物类型越来越丰富，空间格局越来越复杂，单一遥感数据源己经很难满足城市遥感信息提取的需求。因此将多种不同类型的遥感数据进行特征融合以弥补单一数据源的局限性是一种行之有效的方法。但是，由于多源遥感数据成像方式的不同，它们的内在关系较为复杂，传统方法难以综合地利用这些特征，很难达到理想的分类结果，而且高光谱数据的特征数量多，如果再结合多源遥感数据的特征，会导致特征规模更加巨大。
3.近年来，基于深度学习的方法在计算机视觉领域的研究中被广泛应用，并且展现出了优秀的特征提取能力，同时，较多的特征数量可以更好的对模型进行训练，从而获得更高的分类精度。这一技术也被应用到多源数据融合分类领域，如利用cnn提取高光谱数据的光谱空间特征以及lidar数据的高程特征，并将其融合分类。基于深度学习的方法充分展现出了其优异的特征提取能力，可以通过深层网络提取到更抽象的、更具有全局性的特征；多个卷积层和池化层的结构，可以从高光谱数据中提取出对多种变形具有高度不变性的非线性特征；并且深度学习可以从具有复杂关系的多源数据中自主地提取具有可分性的特征。
4.现有的多模态数据特征提取方法原理简单、易于实现，但是，由于遥感场景二维空间特征、地物光谱特征、场景高程特征从不同信息维度对遥感场景进行表达，具有不同的物理含义，形成观测场景的异构特征，这些特征在场景表达上具有信息一致性和互补性；同时，提取于多/高光谱图像和lidar数据的空间平面、光谱、高程特征维度高，使遥感场景地物分类面临“hughes”现象，从而会导致维数灾难并且计算复杂度高。现有的基于深度学习的方法虽然相对于传统方法取得了较好的结果，但是在特征融合阶段没有充分利用从高光谱图像和lidar数据中所提取的特征，分类精度有限。

技术实现要素：

5.本发明的目的是提供一种基于注意力孪生网络与多模态融合特征的地物分类方法，以解决上述现有技术存在的问题。
6.为实现上述目的，本发明提供了基于注意力孪生网络与多模态融合特征的地物分类方法，包括：
7.获取高光谱图像与激光雷达点云图像，分别对所述高光谱图像与所述激光雷达点云图像进行预处理，获得样本数据集与样本标签集；其中样本数据集包括光谱样本数据集与空间样本数据集；
8.构建注意力孪生网络模型，基于所述样本数据集与所述样本标签集对所述注意力孪生网络模型进行训练优化；
9.基于训练优化后的注意力孪生网络模型实现多模态数据特征融合并进行分类。
10.可选的，对所述高光谱图像进行预处理的过程包括：对所述高光谱图像依次进行滤波、去噪处理及归一化处理后，基于主成分分析法与处理后的图像获得固定数量的主成分，基于像素值对所述主成分进行裁剪，获得光谱样本数据集，所述像素值为固定值。
11.可选的，对所述激光雷达点云图像的预处理过程包括：对所述激光雷达点云图像进行滤波、去噪处理，获得无噪图像，采用插值法对无噪图像进行处理，对处理后的无噪图像进行归一化处理，基于像素值对归一化处理后的图像进行裁剪，获得空间样本数据集。
12.可选的，所述注意力孪生网络模型包括两个子网络，分别为光谱特征学习网络、高程特征学习网络，所述光谱特征学习网络采用光谱样本数据集进行训练，所述高程特征学习网络采用空间样本数据集进行训练。
13.可选的，所述光谱特征学习网络与所述高程特征学习网络均包括输入模块、特征学习模块、特征融合模块，所述特征学习模块包括若干个卷积层，其中，高程特征学习网络的特征学习模块中还包括空间注意力模块，所述空间样本数据集在进入卷积层之前需先通过空间注意力模块，所述卷积层中间设置通道注意力模块。
14.可选的，所述光谱特征学习网络与所述高程特征学习网络的卷积层首层分别采用单独的损失函数，其余卷积层使用耦合策略。
15.可选的，所述特征融合模块采用特征级融合和决策级融合的组合策略，其中，所述特征级融合的过程包括通过特征学习模块获取高光谱图像的特征与激光雷达点云图像的特征，并结合得到新特征，决策级融合的过程包括基于新特征、高光谱图像的特征与激光雷达点云图像的特征获得输出结果，对输出结果进行加权求和。
16.可选的，所述特征级融合采用了拼接法、求和法以及最大化方法。
17.本发明的技术效果为：
18.本发明采用孪生网络框架，使得两种多模态数据所表达的地物特征具有更高的相似性；通过设计空间注意力模块以及通道注意力模块以更好地提取数据中的重要特征，为了增强学习特征的识别能力，提取的特征通过特征级和决策级融合策略进行特征融合。在网络中构造了三个分类器，每个cnn都有一个输出层，它们融合的特征也被馈送到一个输出层。最后三个输出结果通过加权求和的方法组合在一起，使得模型的融合效果更加优良。该方法能够较好的融合高光谱数据的光谱特征以及lidar数据的空间特征，取得较高的分类精度，具有较强的地物分类能力。
附图说明
19.构成本技术的一部分的附图用来提供对本技术的进一步理解，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
20.图1为本发明实施例中的基于注意力孪生网络框架的多模态融合分类示意图；
21.图2为本发明实施例中的孪生网络的框架示意图；
22.图3为本发明实施例中的空间注意力模块示意图；
23.图4为本发明实施例中的通道注意力模块示意图；
24.图5为本发明实施例中的注意力孪生网络框架示意图；
25.图6为本发明实施例中的注意力孪生网络特征学习模块示意图；
26.图7为本发明实施例中的特征融合模块示意图。
具体实施方式
27.需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本技术。
28.需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
29.实施例一
30.如图1-7所示，本实施例中提供一种基于注意力孪生网络与多模态融合特征的地物分类方法，包括：
31.本实施例包括两大部分：(1)图像预处理；(2)模型构建与训练。本方法的流程图如图1所示，其具体步骤是：首先利用主成分分析(pca)进行预处理，提取高光谱数据的前20个主成分。然后对高光谱图像以及lidar数据进行裁剪，取每个像素的11
×
11邻域分别作为提供光谱信息以及空间信息的样本，像素类别作为标签。然后，将处理好的光谱样本数据集、空间样本数据集以及样本标签集划分为训练集和测试集两部分；数据集处理好后，构建注意力孪生网络(attention siamese network，asn)以实现多模态数据融合，然后，对网络模型进行训练与优化；最后，利用训练好的模型对测试集进行检测。
32.孪生网络是基于两个人工神经网络建立的耦合构架。将高光谱影像和lidar点云分别输入孪生神经网络的两个子网络中，通过卷积操作，输出两种数据的高维度特征，通过计算两个特征的距离，例如欧式距离，以比较两种数据特征的相似程度。并且，两个子网络具有相同的权重参数。框架图如图2所示。
33.它的损失函数定义如下：
[0034][0035]dw
为两种数据经过同一特征提取网络后在同一特征空间下特征向量的度量距离，可以为欧氏距离、曼哈顿距离等。当输入为同类时，y＝0，此时更新网络参数使两个样本在同一特征空间下特征向量相近；当输入为异类时，y＝1，此时更新网络参数使两个样本在同一特征空间下特征向量远离，设置参数m是为了防止过度区分样本。
[0036]
由于眼球的构造以及视觉系统的生理特性，物体在进入人类的视野时，人类并非能够观察到视野内所有的物体，而是将焦点锁定在某一特定区域。这种机制被称为注意力机制(attention mechanism)。在神经网络中，其本质是一种通过网络自主学习出的一组权重系数，并以“动态加权”的方式来强调所感兴趣的区域同时抑制不相关背景区域的机制。在计算机视觉领域中，注意力机制可以大致分为两大类：强注意力和软注意力。由于强注意力是一种随机的预测，其强调的是动态变化，虽然效果不错，但由于不可微的性质导致其应用很受限制。与之相反的是，软注意力是处处可微的，即能够通过基于梯度下降法的神经网络训练所获得，因此其应用相对来说也比较广泛。软注意力按照不同维度(如通道、空间、时间、类别等)出发，目前主流的注意力机制可以分为以下三种：通道注意力、空间注意力以及自注意力(self-attention)。本方法引入空间注意力机制和通道注意力机制，具体内容如下：
[0037]
1)空间注意力机制
[0038]
空间注意力旨在提升关键区域的特征表达，本质上是将原始图片中的空间信息通过空间转换模块，变换到另一个空间中并保留关键信息，为每个位置生成权重掩膜(mask)并加权输出，从而增强感兴趣的特定目标区域同时弱化不相关的背景区域。由于pooling会导致关键信息无法识别出来，因此使用空间注意力机制通过空间变化将图片的空间域信息提取出来。
[0039]
具体流程如下：
[0040]
首先对输入的特征做一个基于通道的全局最大池化和全局平均池化，得到两个h
×w×
1的特征图，然后将这2个特征图基于通道做拼接操作。然后经过一个7
×
7卷积操作，降维为1个通道，即h
×w×
1。再经过sigmoid生成空间注意力特征，即m_s。最后将该特征和该模块的输入特征做乘法，得到最终生成的特征，如图3所示。
[0041]
2)通道注意力机制
[0042]
由于卷积核的尺寸限制了感受野的大小，传统的卷积神经网络往往需要多层的堆叠才能关注到整个特征图，这可能导致模型无法处理长范围、多层次的依赖关系。通道注意力旨在构建出不同通道(特征图)之间的相关性，通过网络学习的方式来自动获取到每个特征通道的重要程度，最后再为每个通道赋予不同的权重系数，从而来强化重要的特征抑制非重要的特征。同时不同的通道捕捉的是不同的特征，因此利用通道注意力就是用来衡量这些通道重要性的。
[0043]
具体流程如下：
[0044]
将输入的特征图f(h
×w×
c)分别经过全局最大池化和全局平均池化，得到两个1
×1×
c的特征图，接着，再将它们分别送入一个两层的神经网络(mlp)，第一层神经元个数为c/r(r为减少率)，激活函数为relu，第二层神经元个数为c，这个两层的神经网络是共享的。然后，将mlp输出的特征进行加和操作，再经过sigmoid激活操作，生成最终的通道注意力特征，即mc。最后，将mc和输入特征图f做逐元素乘法操作，生成通道注意力特征。如图4所示。
[0045]
(1)数据预处理
[0046]
为了防止噪声的影像，首先对lidar点云和高光谱影像进行滤波和去噪处理，然后，通过插值的方法将稀疏的lidar点云转换成数字高程模型(digital elevation model，dem)。为了提高模型精度并且提升模型收敛速度，利用式(2)分别对两种数据进行归一化处理。
[0047][0048]
由于高光谱数据具有维数多、波段间相关性高的特点，本方法使用主成分分析(pca)对高光谱数据进行降维，保留了前二十个主成分。然后对处理后的高光谱图像以及lidar点云进行裁剪，取每个像素的11
×
11邻域分别作为提供光谱信息以及空间信息的样本，并将裁剪后的数据划分为训练集和测试集，像素类别作为标签。
[0049]
(2)模型构建与训练
[0050]
1)构建注意力孪生网络框架
[0051]
asn由两个子网络组成：用于光谱-空间特征学习的hs网络和用于高程特征学习的lidar网络。其中包括输入模块、特征学习模块和融合模块。如图4所示，两个自网络分别输
入高光谱数据和lidar数据，对于hs网络，首先利用主成分分析减少原始高光谱数据的冗余信息，然后提取给定像素周围的小立方体。对于lidar网络，直接提取与高光谱数据在同一空间位置的图像patch。在特征学习模块中，使用了三个卷积层，最后两个层共享参数。对于hs网络，首先利用主成分分析减少原始高光谱数据的冗余信息，然后提取给定像素周围的小立方体。在lidar网络中，对输入的数据使用空间注意力模块，增强感兴趣的特定目标区域。在特征学习模块中，使用了三个卷积层，最后两个层共享参数，共享参数可以有效的减少参数的数量，更重要的是可以引导两个子网络相互学习，从而促进接下来的特征融合过程。为了更好的提取特征信息，在每个卷积层之间使用通道注意力机制强化重要的特征抑制非重要的特征。在融合模块中，构造了三个分类器。每个子网络都有一个输出层，将它们的特征进行融合，然后馈送到一个输出层。
[0052]
特征学习模块
[0053]
为了充分利用his的光谱信息和lidar点云的空间信息，通过设计两个子网络，进行特征学习，两个子网络分别为光谱特征学习的hsi网络和高程特征学习的lidar网络。输入高光谱图像以及相应的激光雷达图像m和n分别代表两幅图像的高度和宽度，b为高光谱图像的光谱波段数。通过充分融合xh和x
l
的特征信息，以提高分类的性能。首先，利用主成分分析(pca)提取xh的前20个主成分，减少冗余光谱信息。然后，从xh和x
l
中以每个像素为中心提取小立方体和小补丁本方法设置k为11。然后，将xh和x
l
输入到网络中学习特征。x
l
通过空间注意力模块，增强感兴趣的特定目标区域。三个卷积层之后依次是批处理归一化(batch normalized,bn)层，用于正则化和加速训练过程；修正线性单元(corrected linear unit,relu)学习非线性表示；以及最大池化层，用于降低数据方差和计算复杂度。在卷积层中间引入通道注意力模块，通过给每个通道赋予不同的权重系数，从而来强化重要的特征抑制非重要的特征。对于卷积的第二层，让hs网络和lidar网络共享权重，这样可以明显的减少参数量，同时也可以使两个网络互相学习。在没有权值共享的情况下，每个网络中的训练参数将使用各自的损失函数进行独立优化。采用耦合策略后，向该层的反向传播梯度将由两个网络的损失函数决定，即一个网络中的信息将直接影响另一个网络。对于第三个卷积层，同样使用耦合策略，这可以进一步提高从第二个卷积层学习到特征。特征学习模块如图6所示。
[0054]
特征融合模块
[0055]
高光谱图像能够提供丰富的光谱信息，但是高光谱影像易受云层等天气状况的干扰。并且高光谱影像缺乏高程信息，难以区分相同材质的地物，而lidar点云能够提供物体的高程信息，可以弥补高光谱数据的不足。因此将高光谱与lidar进行特征融合，可有效地提高地物分类的能力。在得到xh和x
l
的特征表示之后，如何将它们结合起来成为另一个重要问题。现有的大多数深度学习模型都选择将它们堆叠在一起，并使用几个完全连接的层进行融合。然而，全连接层往往包含大量的参数，当训练样本数量较少时，这会增加训练难度。本方法利用一种基于特征级和决策级融合的组合策略，如图7所示。假设和分别表示从xh和x
l
学习的特征。
[0056]
首先结合rh和r
l
生成一个新的特征表示。然后，将这三个特征分别输入到输出层。
最后，将所有输出层集成在一起以产生最终结果。整个融合过程可以表示为
[0057]
o＝d[f1(rh；w1),f1(r
l
；w2),f3(f(rh,r
l
)；w3)；u]
ꢀꢀ
(3)
[0058]
其中表示融合模块的最终输出，c是要区分地物的类数；d和f分别为决策级和特征级融合；f1，f2和f3是三个输出层，w1，w2和w3分别表示三个输出层的权重；u代表决策级融合的权重。
[0059]
对于特征级融合f，除了广泛使用的拼接方法外，本方法还使用了求和以及最大化方法。求和法就是把两种学习到的特征表示进行相加求和，如式(4)
[0060]
f(rh,r
l
)＝rh+r
l
ꢀꢀ
(4)
[0061]
最大化融合则是选出元素最大值，如式(5)
[0062]
f(rh,r
l
)＝max(rh,r
l
)
ꢀꢀ
(5)
[0063]
从两种融合方法可以看出，特征级融合f的性能取决于rh和r
l
，因此在网络中增加两个输出层f1和f2来监督他们的学习过程。f1的输出值可被推导出，如式(6)
[0064][0065]
类似于(5)，也可以分别为f2和f3导出输出值和对于决策级融合d，本方法采用加权求和法，如式(7)
[0066][0067]
其中
⊙
是基于元素的乘积运算符，u1，u2和u3是u的三个列向量。
[0068]
2)模型的训练
[0069]
该深度学习模型在pytorch中实现，使用adam算法进行优化，批大小、学习速率和训练周期数分别设置为64、0.001和200。整个网络模型如图5所示，将训练数据集输入到网络进行端到端的训练。在前馈过程之后，能够为每个样本获得三个输出。它们的损失值可以通过横向损失函数来计算。例如，第一个输入与标签y之间的损耗值可表示为：
[0070][0071]
类似的，能过以上式获得另外两个输出的l2和l3，l3用于监督高光谱和lidar数据融合特征的学习过程，l1和l2分别负责高光谱和lidar特征学习。同时引入孪生网络的相似度损失函数l4，用于计算高光谱和lidar特征学习的相似度。最终损耗值l表示为l1，l2，l3和l4的组合，如式(9)
[0072]
l＝λ1l1+λ2l2+l3+λ3l4ꢀꢀ
(9)
[0073]
其中，λ1，λ2和λ3分别表示和l1，l2和l4的权值参数。在方法中，将其设置为0.01，因为它可以达到更好的性能。l可以使用反向传播算法对网络进行优化，l1，l2和l4也可以作为l3的正则化项，从而降低了网络训练过程中的过拟合风险。将测试集输入经过训练后的网络进行分类预测，从而实现地物分类。
[0074]
在实验中，学习率和batchsize是深度学习的关键参数。学习率对训练效果有很大的影响，设置不适当的学习率会导致发散或收敛缓慢。本方法设置学习率为0.001。
batchsize是指训练过程中每次迭代使用的训练样本数量。它的大小显著影响模型优化的速度，通过并行处理训练样本来提高内存利用率。此外，适当的批量大小可以使梯度下降的方向更加准确。考虑到训练集的大小和使用的gpu平台，批处理大小设置为200。此外，使用adam算法对网络进行优化，adam优化器的超参数为β1＝0.9，β2＝0.999，ε＝10-8
。本方法的实验在pytorch框架中实现，使用intel core i7-7700k cpu 4.20ghz处理器、16-gb内存和nvidia gtx 1080ti显卡。
[0075]
为了对分类结果进行精度评估，模型的分类性能通过整体精度(oa)、平均准确率(aa)、每类准确度和kappa系数来评估。oa指总体分类准确度，即正确分类的像素的数量与测试集中像素的总数之间的比率，aa指的是所有类别中准确度的平均值，而kappa是由完全随机预期的一致数量校正的协议百分比。整体精度(oa)、平均准确率(aa)和kappa系数计算如下式：
[0076][0077][0078][0079]
式中：x
ii
表示混淆矩阵对角线元素；x
i+
表示某一地物类的行和；x
+i
表示某一地物类的列和；n表示评估样本点总数；n表示地物类。
[0080]
本实施例在验证阶段，以2013休斯顿城市数据为例。休斯顿2013数据集于2012年6月23日在美国休斯顿的一个城市区域采集，由一幅高速影像和一幅激光雷达衍生影像组成。这两个数据集都是349
×
1905像素。hsi由紧凑型机载光谱成像仪收集，该成像仪记录了144个光谱带，范围从380到1050纳米，空间分辨率为2.5米。共有15个地物类型，每个类的详细样本数量见表1。
[0081]
表1
[0082]
编号类别训练集测试集1健康草19810532枯草19010643人造草1925054树木18810565土壤18610566水1821437住宅1961072
8商业区19110539路193105910高速公路191103611铁路181105412停车场1192104113停车场218428514网球场18124715跑道187473 总数283212197
[0083]
将本实施例中的方法与以下四种方法进行对比：cnn(只是用his数据)、cnn(只是用lidar数据)、endnet和resnet。为了检验不同方法的性能，以各类分类精度、平均准确率(aa)、总体准确率(oa)和kappa系数作为评价指标。如表2所示，从上到下分别记录了溢油数据集上每种方法的各类分类精度、aa、oa值。
[0084]
表2
[0085][0086][0087]
从表2中可以看出，asn相对于其他方法表现出优越的地物分类能力，部分各类分类精度、aa和oa取得了最高值。另外，使用数据融合的分类方法与只使用单一数据的方法相比，具有更好的分类效果，这是因为将多种不同类型的遥感数据进行特征融合可以弥补单一数据源的局限性。
[0088]
asn方法得到的预测图更接近于真实类别标签，存在更少的离值，具有较好分类能力。
[0089]
以上所述，仅为本技术较佳的具体实施方式，但本技术的保护范围并不局限于此，
任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应该以权利要求的保护范围为准。

技术特征：

1.一种基于注意力孪生网络与多模态融合特征的地物分类方法，其特征在于，包括以下步骤：获取高光谱图像与激光雷达点云图像，分别对所述高光谱图像与所述激光雷达点云图像进行预处理，获得样本数据集与样本标签集；其中样本数据集包括光谱样本数据集与空间样本数据集；构建注意力孪生网络模型，基于所述样本数据集与所述样本标签集对所述注意力孪生网络模型进行训练优化；基于训练优化后的注意力孪生网络模型实现多模态数据特征融合并进行分类。2.根据权利要求1所述的基于注意力孪生网络与多模态融合特征的地物分类方法，其特征在于，对所述高光谱图像进行预处理的过程包括：对所述高光谱图像依次进行滤波、去噪处理及归一化处理后，基于主成分分析法与处理后的图像获得固定数量的主成分，基于像素值对所述主成分进行裁剪，获得光谱样本数据集，所述像素值为固定值。3.根据权利要求2所述的基于注意力孪生网络与多模态融合特征的地物分类方法，其特征在于，对所述激光雷达点云图像的预处理过程包括：对所述激光雷达点云图像进行滤波、去噪处理，获得无噪图像，采用插值法对无噪图像进行处理，对处理后的无噪图像进行归一化处理，基于像素值对归一化处理后的图像进行裁剪，获得空间样本数据集。4.根据权利要求1所述的基于注意力孪生网络与多模态融合特征的地物分类方法，其特征在于，所述注意力孪生网络模型包括两个子网络，分别为光谱特征学习网络、高程特征学习网络，所述光谱特征学习网络采用光谱样本数据集进行训练，所述高程特征学习网络采用空间样本数据集进行训练。5.根据权利要求4所述的基于注意力孪生网络与多模态融合特征的地物分类方法，其特征在于，所述光谱特征学习网络与所述高程特征学习网络均包括输入模块、特征学习模块、特征融合模块，所述特征学习模块包括若干个卷积层，其中，高程特征学习网络的特征学习模块中还包括空间注意力模块，所述空间样本数据集在进入卷积层之前需先通过空间注意力模块，所述卷积层中间设置通道注意力模块。6.根据权利要求5所述的基于注意力孪生网络与多模态融合特征的地物分类方法，其特征在于，所述光谱特征学习网络与所述高程特征学习网络的卷积层首层分别采用单独的权重系数，其余卷积层使用耦合策略。7.根据权利要求1所述的基于注意力孪生网络与多模态融合特征的地物分类方法，其特征在于，所述特征融合模块采用特征级融合和决策级融合的组合策略，其中，所述特征级融合的过程包括通过特征学习模块获取高光谱图像的光谱特征与激光雷达点云图像的高程特征，并结合得到新特征，决策级融合的过程包括基于新特征、高光谱图像的光谱特征与激光雷达点云图像的高程特征分别获得输出结果，对输出结果进行加权求和。8.根据权利要求1所述的基于注意力孪生网络与多模态融合特征的地物分类方法，其特征在于，所述特征级融合采用了拼接法、求和法以及最大化方法。

技术总结

本发明公开了一种基于注意力孪生网络与多模态融合特征的地物分类方法，包括：获取高光谱图像与激光雷达点云图像，对获取的图像进行预处理，获得样本数据集与样本标签集；构建注意力孪生网络模型，基于样本数据集与样本标签集对模型进行训练优化；基于训练优化后的模型实现多模态数据特征融合并进行分类。本发明采用孪生网络框架，使得两种多模态数据所表达的地物特征具有更高的相似性；通过设计空间注意力模块以及通道注意力模块以更好地提取数据中的重要特征；将提取的光谱特征和高程特征通过特征级和决策级融合策略进行特征融合，使得模型的融合效果更加优良。得模型的融合效果更加优良。得模型的融合效果更加优良。