郭南南

（山东科技大学计算机科学与工程学院，山东青岛 266590）

0 引言

高光谱图像（Hyperspectral Image，HSI）包含丰富的空间信息与反映地物各种特征的光谱信息，因此高光谱图像被广泛用于地质勘探［1］、目标检测［2］和景观分类［3］。高光谱图像分类旨在根据每个像素空间光谱信息自动为其分配特定的语义标签，这是遥感图像处理中的重要课题［4］。尽管大量波段提供了地物详细的空间特征，但是波段之间，尤其是相邻波段之间通常存在紧密的相关性将导致信息冗余［5］。因此，本文针对该问题，提出一种新的降维算法用于高光谱数据的预处理。

深度学习（Deep Learning，DL）［6］方法可自动学习图像中的深层特征与高度抽象的语义特征，已被广泛应用于HSI 分类。基于深度学习的分类方法大体可分为基于光谱信息的分类方法与基于光谱空间信息的分类方法。基于光谱信息的分类方法仅提取HSI 光谱特征，通常包括基于深度信念网络（DBN）［7］的方法、基于自动编码器（SAE）［8］的方法与基于1D-CNN［9］等，这些方法往往使用一维特征向量作为输入，忽略了HSI 空间结构信息。文献［10］将五层CNN 应用于HSI 分类，并提出1D-CNN 网络以提取频谱特征。基于深度学习使用光谱空间特征的分类方法比单独使用光谱特征的方法获得的结果更好，例如ResNet［11］、3D-CNN［12］和DenseNet［13］、全卷积神经网络（FCN）［14］等；文献［14］提出一种基于FCN 的高光谱分类深度学习框架，使用反卷积网络增强高光谱特征，提高分类精度；文献［15］提出混合3D-CNN 与2D-CNN 的网络，但是网络包含大量训练参数，计算复杂。

现有网络模型通常需大量样本进行训练，同时训练参数较多，需仔细调整超参数以避免过度拟合。……