程文娟，陈文强

合肥工业大学 计算机与信息学院，合肥230000

1 引言

高光谱图像（HSIs）一般由数十甚至上百个窄谱带组成[1]，具有很高的光谱分辨率[2-4]。它与传统的全色和多色光谱遥感图像相比，蕴含的空谱信息更多，对不同地物目标的识别精度更高。高光谱图像丰富的光谱带在精细分类方面具有独特的优势[5-6]，在农业开发[7]和矿产资源开发[8]方面也有广泛的应用。同时，由于其高维的特性和样本量少，容易产生Hughes现象，导致分类精度随着参与运算波段数目的增加而先增后降。因此，对高光谱图像进行准确分类极具挑战性，吸引了越来越多的学者进行探索。

近年来，由于深度学习的快速发展，它已经作为一种重要的手段来解决计算机视觉问题，如图像分类、语义分割等。其中的深度卷积神经网络利用逐层结构叠加的特性，来自动提取物体的特征[9]，它在普通图像分类等任务中已经取得了不错的成果。自然地，也可以应用于高光谱图像分类，它能提取出更多隐含的特征[10]。文献[11]首次将深度学习的概念引入到高光谱图像分类中，提出了一种新的基于光谱信息的分类方法。它利用自动编码器提取原始数据信息和PCA 降维后的信息，最后利用SVM 对其进行分类，达到了当时最好的分类效果。但是这种方法只利用了高光谱图像的光谱信息，并没有利用空间信息。紧接着，Makantasis 等人[12]提出了一种基于卷积神经网络（2D CNN）的分类方法，它首先利用主成分分析法（PCA）来降低数据的维度，同时由于相邻像素大概率属于同一类别，所以利用周边像素将中心像素填充成一个固定大小的块，输入到2D CNN中自动提取空间信息，最后送入多层感知器进行分类。……