张明华，牛玉莹，杜艳玲，黄冬梅,2，刘刻福

基于残差3DCNN和三维Gabor滤波器的高光谱图像分类

张明华1，牛玉莹1，杜艳玲1，黄冬梅1,2，刘刻福3

(1. 上海海洋大学信息学院，上海 201306；2. 上海电力大学，上海 200090；3. 自然资源部东海局，上海 200137)

高光谱图像含有数百个波段，包含丰富的光谱信息，因此被广泛应用于地物分类中，但仍存在着维数灾难的问题。高光谱图像中同时也含有丰富的纹理信息，有效利用纹理信息能够显著提高分类精度。三维Gabor滤波器不仅能够保留图像丰富的光谱信息，还能提取到图像的纹理特征。为了充分利用高光谱图像的特征，提出一种基于三维Gabor和残差三维卷积神经网络(Res-3DCNN)的分类方法。三维卷积神经网络(3DCNN)能够直接对三维立方体数据进行处理，提取到深层纹理-光谱信息，然而随着网络层的加深会产生网络退化问题，因此利用残差思想对3DCNN模型进行改进。在PaviaU，Indian Pines和Salinas 3个公共高光谱图像数据集上进行实验，分别取得99.17%，97.40%，98.56%的平均分类精度，结果表明该方法能有效提高高光谱图像的地物分类精度。

高光谱图像分类；卷积神经网络；三维Gabor滤波器；三维卷积；残差学习

卫星传感器捕获的高光谱图像(hyperspectral images，HSI)[1]每个像素都含有大量光谱带，能够同时获取地物的空间信息和光谱信息。与RGB图像相比，HSI能够更精细、更准确地识别地物信息。因此HSI在遥感应用中发挥了重要作用，如目标检测、地物分类等。然而，HSI分类仍然面临着维数灾难[2]的问题。

随着深度学习的应用愈发广泛，利用深度学习对HSI进行分类逐步成为目前的研究热点。……