利用深度特征融合进行高光谱遥感影像分类

韩彦岭，刘业锟，杨树瑚，崔鹏霞，洪中华

(上海海洋大学 信息学院，上海 201306)

0 引言

高光谱遥感(hyperspectral remote sensing)技术是基于窄而连续的光谱通道对地物持续遥感成像的技术，它将成像技术和光谱技术相结合，能够获取地物接近连续的窄波段图像数据。高光谱影像(hyperspectral image，HSI)是在二维空间图像的基础上，增加了一维光谱数据，光谱通道数多达数十甚至数百个以上，具有“图谱合一”的特性，其内部包含的丰富二维图像信息和接近连续的光谱信息可以实现对地物的精细区分。近年来，HSI以其独特的优势在自然资源调查、生态环境调查以及农业和城市管理等领域发挥着重要的作用[1]，其中利用HSI进行地物分类是其重要的研究内容。高光谱影像包含的丰富空间信息和接近连续的光谱信息为精细化地物分类提供了数据支撑。同时，其高维度、大数据量的特点也对传统地物分类方法提出了挑战。目前，传统的高光谱影像分类主要利用图像的光谱信息通过机器学习方法实现，如K近邻算法(k-nearest neighbor，KNN)[2]、最大似然法[3]、支持向量机(support vector machine，SVM)[4]等，这些算法属于浅层学习方法，难以提取隐含在高光谱数据中的深层特征，限制了高光谱分类精度的提高。在传统的方法中，为了充分利用高光谱遥感的空间信息进一步提高分类精度，需要通过一定的算法提取表征空间特征，如Su等[5]提出了一种基于灰度共生矩阵(gray level co-occurrence matrix，GLCM)纹理分析的渤海海冰检测方法；Imani等[6]通过GLCM、Gabor滤波(gabor filtering)和形态学轮廓(morphology profiles，MP)从相邻像素中提取空间信息，研究空间特征与光谱特征的不同组合。……