宋海峰 ，杨巍巍,2

(1.台州学院 电子与信息工程学院(大数据学院) ，浙江 台州 318000；2．哈尔滨工程大学 计算机科学与技术学院， 黑龙江 哈尔滨 150000)

近几年，卷积神经网络在计算机视觉领域得到广泛应用。例如：运动目标检测、图像特征提取和图像分类等，多层次结构特征使得卷积神经网络可以提取图像或视频的非线性特征[1]。在遥感影像处理领域，对高光谱遥感影像(Hyper-Spectral Sensing Image，HSI)处理的需求日益增长。然而，由于对卷积神经网络进行训练需要大量的标记样本，在实际应用中很难获取到大量带有标记的HSI，严重制约卷积神经网络在遥感影像领域中的应用。常见解决方法是对数据进行降维，同时降维还可以解决休斯效应对分类精确度的影响[2]。降维是将高维数据投影到低维空间，常见的投影降维算法有：主成分分析法[3-4]、独立成分分析法[5]、流行学习法[6]等。另外一类降维的方法是从HSI数据中直接提取出最具代表性的波段图像，比如排序算法[7]、聚类算法[8]等。一方面降维会丢失一些重要的信息，另一方面通过在谱域上提取到的降维后的数据特征往往不足以用来表示某一类实际地物。因此，需要寻找更具区分能力的数据特征。

HSI的空间信息确定空间上相邻像素间的空域特征，空域特征弥补谱域特征的不足，应用空域特征提升HSI的分类精确度。几何形态法是一种典型的空域特征提取算法，该算法对开放或者闭合区域进行变换，从而提取空间结构特征[9]。除几何形态法外还有许多其他的空域滤波器用来提取HSI的空间特征。……