欧阳宁，李祖锋，林乐平+

(1.桂林电子科技大学 信息与通信学院 认知无线电与信息处理省部共建教育部重点实验室， 广西 桂林 541004；2.桂林电子科技大学 信息与通信学院，广西 桂林 541004)

0 引 言

高光谱图像是一种三维立方体数据，具有信息冗余、图谱合一、高维连续性波段以及光谱波段高相关性等特点，高光谱图像为地物的分类与识别提供了丰富的空-谱信息数据基础的同时，也对其像素的分类提出了挑战[1,2]。此外，深度网络以其自动提取数据由浅至深的特征能力以及端到端的训练方式，在高光谱图像分类任务中有着良好的表现。然而，深度网络中的浅层次的特征与深层次的特征存在着差异，即浅层特征包含有图像的高分辨率特征信息，深层特征有更为丰富的语义特征。随着网络的加深，进行特征提取时，往往容易丢失浅层的高分辨率特征信息，使得网络的分类性能下降。其次，高光谱数据内在的信息冗余，也使得训练获得的模型容易出现休斯(Hughes)现象。

针对上述问题所导致的网络模型分类性能下降，本文在密集网络结构的基础上，提出一种基于空-谱分组卷积密集网络的高光谱图像分类方法(hyperspectral image classification based on spatial-spectral group convolution dense network，GCDN)。该方法根据高光谱图像数据特点，构建了单通道的空-谱联合特征提网络，设计了光谱-空间三维分组卷积密集模块(spatial-spectral 3D group convolution densenet module，GCDM)，通过对GCDM模块进行不同的参数配置构造了光谱三维分组卷积密集模块GCDM_spe与空间三维分组卷积密集模块GCDM_spa，用以分步进行对光谱与空间特征的提取。……