遥感图像分割中的黎曼流形特征空间应用

1. 项目概述：当遥感图像遇上黎曼流形

去年参与某卫星遥感项目时，面对城市建筑群的高分辨率影像，传统聚类算法在阴影区域和玻璃幕墙处频频失效。直到尝试将像素特征映射到黎曼流形空间，那些在欧氏空间中纠缠不清的光谱曲线突然呈现出清晰的几何结构——这便是我与黎曼流形特征空间结缘的开始。

本项目要解决的是遥感图像分割中的三个典型痛点：多源数据（光谱+纹理+空间信息）的异构性、高维特征的非线性结构，以及地表物体尺度差异导致的局部最优问题。通过构建基于对数欧几里得度量的黎曼流形空间，我们将传统像素特征转换为正定对称矩阵（SPD），利用流形上的几何特性实现更符合人眼感知的聚类分割。

关键认知：在欧氏空间中，两个光谱向量可能因数值接近被误判为同类；而在黎曼空间，它们的协方差矩阵所表征的局部结构差异会被几何距离准确捕捉。

2. 核心算法拆解：从欧氏空间到黎曼流形

2.1 特征空间构造

对于尺寸为H×W的遥感图像，每个像素点提取d维特征（如RGB+NDVI+纹理特征），构建局部区域协方差矩阵：

matlab复制function SPD = build_SPD_features(img, patch_size)
    [height, width, dim] = size(img);
    SPD = zeros(dim, dim, height, width);
    pad_img = padarray(img, [floor(patch_size/2) floor(patch_size/2)], 'symmetric');
    
    for i = 1:height
        for j = 1:width
            patch = pad_img(i:i+patch_size-1, j:j+patch_size-1, :);
            patch_vec = reshape(patch, [], dim);
            SPD(:,:,i,j) = cov(patch_vec) + eps*eye(dim); % 正则化保证正定性
        end
    end
end

这个步骤有两个技术细节需要注意：

1. 局部窗口大小通常取5×5到9×9，过大会模糊边缘，过小