目前，對于高光譜遙感圖像分類任務，一種是采用傳統的方法，例如利用光譜特征的分類方法和數據的統計特征的分類方法，包括常用的 K 近鄰算法以及支持向量機（Support Vector Machine，SVM）。但是，傳統的方法一方面是沒有考慮到高光譜圖像豐富的空間信息，導致特征提取不夠完整；另一方面是大多數方法基于手工特征，需要人工判別和標注，會花費較多的人力和時間。傳統的淺層學習方法的局限性在于：它主要是提取分類器所需要的特征，而且提取的特征是面向領域知識的，這些都會造成分類精度不佳。

近些年，一些深度學習模型也被應用在高光譜遙感圖像分類中，如深度信念網絡（Deep Belief Network，DBN）和棧式自編碼器（Stacked Autoencoder，SAE）網絡，但是這兩個網絡的局限性在于：均要求輸入為一維向量，由于光譜信息本身為一維，需要對空間信息拉伸成一維向量，這樣就會造成空間信息的丟失。而卷積神經網絡（Convolutional Neural Network，CNN）通過局部連接有效提取特征，通過共享權值顯著地減小參數量，而且它在圖像分類、圖像超分辨率重建、目標檢測、醫學圖像處理等領域獲得廣泛應用，為卷積神經網絡在高光譜遙感圖像分類任務中的應用奠定了基礎。

高光譜遙感圖像分類

高光譜遙感圖像分類概述

高光譜遙感圖像利用成像光譜儀獲取連續的、多波段狹窄的遙感圖像。與普通的遙感圖像相比，第一，它能達到納米級別的分辨率，第二，它是一個能夠充分反映地物目標的光譜特征的數據立方體，且包含豐富的空間信息和光譜信息。高光譜遙感圖像分類的過程主要由數據輸入、數據預處理、特征提取和特征選擇、分類模型、精度評價、分類結果這幾大步驟組成。

高光譜遙感圖像分類存在的問題

高光譜遙感圖像具有“圖譜合一”的特點，同時包含大量的數據信息，具有巨大的信息潛力，但是如何從大量的信息中高效準確地完成分類任務，做到省時省力，一直是人們的研究熱點，因此在解決這個問題時還有以下困難需要克服：

（1）缺乏大型、公開、已標記的數據集。

（2）小樣本和高維度的問題。

（3）高維特性使數據的存儲和處理變得困難。

卷積神經網絡

卷積神經網絡（CNN）廣泛應用于圖像處理和模式識別等方面。與 DBN和 SAE相比，CNN是高光譜圖像分類使用最多的深度學習模型。卷積神經網絡卷積層的工作原理是利用卷積核進行特征的提取，這種提取是自主完成的；而池化層的工作原理是對來自卷積層的數據進行下采樣處理，這種方式的好處是使感受野變得更大，數據量被不斷壓縮，參數量明顯降低；全連接層也是卷積神經網絡很重要的部分，它的主要作用是將數據以一維的形式輸出。

目前卷積神經網絡有三種不同形式的卷積核，包括1D-CNN、2D-CNN、3D-CNN，它們具有相同的元素計算過程，都采用反向傳播算法對網絡的參數進行修改，并訓練網絡。對于高光譜遙感圖像分類而言，它們的本質區別就是分別代表了不同形式的特征。基于CNN的分類方法主要是基于光譜特征、基于空間特征、基于空譜特征聯合的方法。

基于光譜特征的分類方法

基于光譜特征的分類方法主要是利用一維卷積神經網絡（1D-CNN）提取光譜特征，但它并非主流方法，其局限性在于：1D-CNN只能取到光譜向量，沒有考慮空間信息，而高光譜圖像中存在“同譜異物”和“異物同譜”現象，僅僅利用光譜信息分類難以得到較好的分類效果。

基于空間特征的分類方法

2D-CNN與1D-CNN最本質的區別在于2D-CNN的卷積和池化都是二維的操作。利用2D-CNN可以提取高光譜遙感圖像目標像素周圍的局部空間信息。二維卷積操作的時候，采用的公式如下：

基于空譜特征聯合的分類方法

基于空譜特征聯合的分類方法，主要是結合高光譜圖像豐富的光譜信息和不可或缺的空間信息完成分類 任務，一般有兩種方法：

1.1D+2D-CNN的空譜分類方法

2.基于3D-CNN的空譜分類方法

總結

隨著遙感技術的不斷更新發展，高光譜遙感圖像應用也變得更加廣泛，高光譜遙感圖像分類一直是計算機領域和遙感領域的研究重點，這項工作具有良好的應用前景和較為扎實的理論基礎。高光譜遙感圖像分類這項基礎性的重要工作如果完成得較好，將會對后續的高光譜遙感圖像處理打下堅實基礎，將會完成很多有意義的實際工作。本文對近幾年卷積神經網絡在高光譜遙感圖像分類中的應用進行了總結和歸納：

（1）傳統的高光譜圖像分類方法，一方面只利用光譜信息進行分類，沒有充分考慮高光譜遙感圖像中所包含的豐富的空間信息，另外需要專家知識作基礎，只能提取特定種類的淺層特征，丟失了空間信息的多樣性；另一方面，模型的泛化能力不佳，普適性不強，因此分類效果不甚理想。

（2）卷積神經網絡作為一種深度學習模型，能夠處理原始數據和特定類標簽之間的復雜關系，輸入網絡的數據在模型中進行訓練，可以獲取更深層次的光譜空間特征。比起早期使用的SAE網絡和DBN網絡要求輸入為一維向量的限制，卷積神經網絡能夠處理二維甚至三維的數據，使得卷積神經網絡成為完成高光譜圖像分類任務常用的網絡。從目前的方法來看，基于三維卷積神經網絡的方法發展迅速，它充分考慮空間信息和光譜信息，使得高光譜圖像的優勢能夠更好地發揮，另外結合注意力機制、遷移學習、混合網絡等策略，很好地彌補了高光譜數據自身的高維特性、訓練樣本稀缺、數據非線性等缺點，更好地提升了分類效果。

審核編輯：湯梓紅