黄 鸿，张 臻，李政英

（重庆大学 光电技术与系统教育部重点实验室，重庆 400044）

1 引 言

高光谱遥感影像能够获取地表物体上百个连续波段的光谱信息，并将其与反映地物目标纹理、形态学等特性的空间信息结合起来，具有“图谱合一”特性［1-3］，在精细农业、资源勘查及环境监测方面具有广泛的应用前景［4-5］。但是高光谱影像在具有丰富光谱信息的同时，其波段数多、数据量大、高冗余度等特点易导致“维数灾难”问题［6-7］。

特征提取是解决上述问题的有效途径，即通过减小数据冗余度来提取有效的鉴别信息，进而有效地提升地物分类性能［8-9］。主成分分析（PCA）［10］和线性判别分析（LDA）［11］均为基于统计学原理的特征提取方法，但它们不能有效揭示高光谱数据内在高维非线性结构。为此，学者们提出了局部保持投影（LPP）［12］、邻域保持嵌入（NPE）［13］等非监督流形学习方法，以揭示高维数据中的低维本征结构。而后，学者们在图嵌入框架下提出了许多监督学习方法，包括边界Fish‐er分 析（MFA）［14］和 局 部 几 何 结 构Fisher分 析（LGSFA）［15］。尽管这些方法在HSI分类中取得了较好的分类结果，但它们依赖浅层特征描述子，无法提取数据的深层抽象信息，导致特征表征能力受限。

自2006年Hinton［16］提出深度置信网络以来，深度学习技术飞速发展，为高光谱图像分类带来了新的机遇［17］。深度学习能够有效提取高光谱数据中的深层抽象特征，进而提高分类精度［18］，代表方法有人工神经网络（ANN）［19］、栈式自编码网络（SAE）［20］和深度置信网络（DBN）［16］。

然而上述深度学习方法通常使用均方误差（MSE）或交叉熵（Cross Entropy）作为网络损失函数，二者均侧重于预测值和实际值之间的差值度量，而忽略了利用高光谱数据之间的局部几何结构［15］。……