欧阳宁，朱 婷，林乐平

(1.认知无线电与信息处理省部共建教育部重点实验室(桂林电子科技大学)，广西 桂林 541004；2.桂林电子科技大学 信息与通信学院，广西 桂林 541004)(*通信作者电子邮箱lin_leping@163.com)

0 引言

高光谱图像(HyperSpectral Image, HSI)具有光谱分辨率高、图谱合一的独特优点[1]，已被广泛应用于目标追踪、环境保护、农业监测及气象预报等领域[2-4]。对高光谱图像中每个像元进行分类是高光谱遥感应用的基石，具有极大的研究意义。

传统的高光谱图像分类方法往往仅利用光谱信息在低维空间上提取特征，典型的方法主要包括：K-均值聚类(K-means)方法[5]、流形学习(Manifold Learning)[6]、支持向量机(Support Vector Machine, SVM)[7]等。然而，这些分类方法依赖于浅层光谱特征，忽略了对高光谱空间信息的使用，同时所提取高光谱图像特征的不变性及判别性较差。为了改善高光谱图像的分类性能，联合利用高光谱图像的光谱和空间信息设计分类器已成为一个主要的研究方向。近年来，深度学习以其在视觉感知任务中的优秀表现获得了广大高光谱分类研究者的热切关注[8-12]。Liu等[13]将高光谱图像的光谱带看作一个图像序列，使用长短期记忆网络学习光谱信息的依赖关系，同时结合卷积神经网络来提取高光谱图像的空间特征，提出了双向卷积长短期记忆网络(Bidirectional Convolutional Long Short Term Memory， Bi-CLSTM)空-谱提取模型；另一方面，Yang等[14]构建双通道卷积神经网络(Two-channel Convolutional Neural Network, Two-CNN)分别对光谱信息和空间信息进行提取，继而使用级联(concatenate)的方式对空-谱特征进行连接，但这种简单的特征连接方式并不能捕捉空-谱特征之间的复杂关系；……