两阶段密集特征学习的高光谱图像分类方法

李 达,刘睬瑜,韩 睿,宋梅萍

(1.南方电网综合能源股份有限公司 新能源事业部， 广州 510075；2.大连海事大学 信息科学技术学院， 辽宁 大连 116026)

高光谱(hyperspectral，HSI)遥感数据包含丰富的辐射、空间和光谱数据，是多种信息的综合载体。其中，定量化的连续光谱曲线数据为图像提供光谱信息，像元及周边像元间的相互空间位置关系则为图像提供空间信息[1]。高光谱分类(hyperspectral classification，HSIC)技术一直是高光谱图像处理中的热点研究内容，其最终目标是根据光谱特征和空间特征的相似性对图像中的每个像元进行类别的划分，在农业、林业识别、环境监测、海洋目标探测等领域有着越来越广泛的应用价值。近年来随着机器学习技术的兴起，出现了一系列基于流形学习、稀疏理论、深度学习等框架的HSIC方法[2-14]，这些分类方法主要包括分类训练与特征提取2个部分，其基本框架是将提取到的分类特征进行训练以得到分类模型。在分类训练方面，Du等[15]基于流形学习原理，利用面向类别优化策略提出了一种稀疏多项式逻辑回归分类器； Ma等[16]采用半监督分类方式，利用样本的局部类别标签和深度学习框架得到的全局类别标签，采用自学习方式进行高光谱图像分类；Paoletti等[17]提出了基于一种三维深度卷积神经网络的高光谱分类框架，利用空间和谱间2种信息作为训练特征，并在图形处理器(graphic processing unit，GPU)上加以实现。在特征提取与增强方面，高光谱图像可以利用的空间特征有形态学特征、差分形态轮廓、Gabor特征和灰度共生矩阵等纹理特征。……