高光谱影像小样本分类的图卷积网络方法

左溪冰，刘 冰，余旭初，张鹏强，高奎亮，朱恩泽

1. 信息工程大学，河南 郑州 450001； 2. 武警安徽省总队机动支队，安徽 合肥 230041

高光谱遥感能够同时获取地物空间维和光谱维信息，具有图谱合一的特点[1]。高光谱影像分类是高光谱影像应用的重要环节，其主要任务是为图像中的每一个像元点赋予唯一的类别标识。高光谱影像的分类任务通常需要大量的标记样本，而标记样本的获取是一项费时费力的工作。同时，高光谱影像分类中高维和小样本的特性也容易产生维数灾难问题[2]。

早期的高光谱影像分类方法侧重于探索影像的光谱特征在分类中的作用，在这些方法中，K近邻[3](KNN)分类器和支持向量机[4](SVM)因其良好的分类性能而得到了广泛的应用。此外，基于图的方法[5]、极限学习机[6]、基于稀疏表达的方法[7]也被进一步应用于高光谱影像分类。然而，这些像素级分类器没有考虑影像的空间上下文信息，得到的分类结果不尽人意。后续研究表明，综合利用高光谱影像的空间和光谱信息能有效提高分类精度，因此，拓展形态学剖面[8](EMP)、马尔可夫随机场[9](MRF)、局部二值模式[10](LBP)、Gabor滤波器[11]等方法被应用于高光谱影像的空间特征提取，进一步提高了影像的分类精度。虽然早期的分类方法在影像分类中扮演了重要的角色，但是它们在很大程度上依赖于人为设计的特征，具有很强的经验性。

在深度学习时代，基于卷积神经网络的方法能够通过一系列的层次结构从原始影像数据中自动提取抽象的特征，避免了复杂的人为特征设计，因此取得了广泛应用。……