刘 峰，李佳君，李宇海，高裴裴

（1.天津大学 精密测试技术及仪器国家重点实验室，天津 300072；2.中国电子科技集团公司第五十三研究所，天津 300300；3.南开大学 计算机学院，天津 300071）

0 引言

计算机视觉分类的场景中出现颜色形状等特征相似的不同类别物体时会对图像分类的精度造成极大的影响，所以提高在此类场景下的图像分类精度在视觉探测领域具有重要的理论和应用价值。由于光谱信息是由物体的内在性质所决定的，所以不同物质的光谱信息必定存在差异，利用不同物体不同谱段的光谱差异就可以挖掘出物体的隐蔽特征。深度学习作为挖掘和分析高光谱数据的有效手段，通过适当改进网络结构可以在高光谱图像的分类上取得比传统分类算法更好的效果。Song 等人[1]通过PCA（principal component analysis）降维和训练残差网络来实现高光谱图像分类，罗建华等[2]提出了PCA 数据降维和深度卷积神经网络结合的分类方法，虽然这两种方法都取得了不错的效果，但是仅利用了高光谱数据的光谱特征而忽略了其空间特征；Chen 等人[3]通过空谱联合以及深度信念网络的方式对高光谱数据进行分类，但是在高光谱数据处理阶段没有考虑谱段的降维，在数据谱段较多时会极大的增加网络运行的负载；Zhao 等人[4]利用PCA 进行数据降维并提出了一种空谱结合的MCNN（multiscale convolutional neural network）分类网络，张倩等人[5]利用PCA和改进的自编码器进行了高光谱数据的分类，上述方法在University of Pavia 遥感数据集上进行实验，但是PCA是从数据方差的角度进行数据的降维，舍弃了光谱特征的局部线性部分并且没有解决在自然环境小样本数据集条件下的分类问题。……