孟佳佳　王弢

摘要：论文提出了一种基于深度残差卷积神经网络的高光谱遥感数据的分类方法。我们将深度残差卷积神经网络作为一种分类器，将待分类的像元及其领域像元一同作为神经网络的输入，通过残差网络的算法模型实现高光谱遥感数据的分类。我们使用深度学习技术将数据特征提取出来再进行分类，以达到提高分类准确度和效率的目的。本文主要通过改善分类方法来增强遥感数据分类的效率和处理能力。

关键词：卷积神经网络；高光谱图像；图像分类；深度学习

中图分类号：TP391.41；TP183 文献标识码：A 文章编号：1007-9416（2019）01-0099-03

0 引言

过去几年，由于深度学习在解决很多问题上的出色表现。卷积神经网络是最早发现和应用的，也是研究重点[1]。虽然基于卷积神经网络的深度学习应用的越来越广泛。但在遥感数据的分类领域中使用这项技术还较为少见。遥感数据有很多种分类因素而具有多种分类方法。基于光谱特征的分类方法主要是从地物的光谱特征入手，表现地物特定的光谱区间和特定参数[2]。高光谱遥感图像中能够包含的信息比传统的遥感图像要多，其接收到的谱线也比传统的细致和连续，一些不可分的特征会被凸显，这种方法是通过对比分析并判别地物的光谱信息来进行区分的。基于统计模型的分类方法是对高光谱遥感数据整体样本的总体特征进行统计分析，从而对得出的不同的分布特征进行分析，可以用来识别地物目标。……