3维卷积递归神经网络的高光谱图像分类方法

关世豪，杨 桄，李 豪，付严宇

（空军航空大学，长春130022）

引 言

高光谱遥感图像是机载或星载的成像光谱仪在电磁波谱的紫外、可见光、近红外和中红外区域，以数十至数百个连续且细分的光谱波段对地面目标区域同时成像，得到的以像素为单位的高光谱图像［1］，可同时获取地物空间信息与高分辨率的光谱信息。凭借其丰富的光谱信息，高光谱遥感图像为人们研究地表物体的性质，尤其是对地物的精细分类和识别提供了依据，在农业［2］、林业［3］、采矿业［4］、城市规划［5］、国防建设［6］以及空间探索［7］等方面应用广泛。

卷积神经网络（convolutional neural network，CNN）是计算机视觉领域占主流地位的一种深度学习网络，也是目前在高光谱图像分类领域应用最广泛的深度学习网络。HU等人［8］首次采用1维卷积神经网络（onedimensional convolutional neural network，1-D-CNN）实现了基于光谱特征的高光谱图像分类。YANG等人［9］分别利用1-D-CNN与2维卷积神经网络（two-dimensional convolutional neural network，2-D-CNN）从高光谱数据中提取光谱特征与空间特征，将两种特征串接后通过分类器完成分类，但这种将光谱与空间特征分开提取的方法需要复杂的预处理，破坏了高光谱数据的3维结构。近几年来，研究者将3维卷积神经网络（three-dimensional convolutional neural network，3-DCNN）应用到高光谱图像分类中［10-11］，此类方法无需复杂的预处理和后处理，可以在不破坏高光谱图像数据结构的前提下，直接提取空谱联合特征进行分类，在实际分类中表现出较好的分类效果。

高光谱图像光谱分辨率高，相邻波段之间具有高度相关性，在非相邻波段上也表现出一定的相关性［12］，其光谱数据本质上是一类序列数据。……