卷積神經(jīng)網(wǎng)絡(luò)在高光譜圖像分類中的應(yīng)用綜述

目前，對于高光譜遙感圖像分類任務(wù)，一種是采用傳統(tǒng)的方法，例如利用光譜特征的分類方法和數(shù)據(jù)的統(tǒng)計(jì)特征的分類方法，包括常用的 K 近鄰算法以及支持向量機(jī)（Support Vector Machine，SVM）。但是，傳統(tǒng)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(dǎo)致特征提取不夠完整；另一方面是大多數(shù)方法基于手工特征，需要人工判別和標(biāo)注，會(huì)花費(fèi)較多的人力和時(shí)間。傳統(tǒng)的淺層學(xué)習(xí)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(lǐng)域知識(shí)的，這些都會(huì)造成分類精度不佳。

近些年，一些深度學(xué)習(xí)模型也被應(yīng)用在高光譜遙感圖像分類中，如深度信念網(wǎng)絡(luò)（Deep Belief Network，DBN）和棧式自編碼器（Stacked Autoencoder，SAE）網(wǎng)絡(luò)，但是這兩個(gè)網(wǎng)絡(luò)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(huì)造成空間信息的丟失。而卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）通過局部連接有效提取特征，通過共享權(quán)值顯著地減小參數(shù)量，而且它在圖像分類、圖像超分辨率重建、目標(biāo)檢測、醫(yī)學(xué)圖像處理等領(lǐng)域獲得廣泛應(yīng)用，為卷積神經(jīng)網(wǎng)絡(luò)在高光譜遙感圖像分類任務(wù)中的應(yīng)用奠定了基礎(chǔ)。

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(xù)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(dá)到納米級(jí)別的分辨率，第二，它是一個(gè)能夠充分反映地物目標(biāo)的光譜特征的數(shù)據(jù)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(shù)據(jù)輸入、數(shù)據(jù)預(yù)處理、特征提取和特征選擇、分類模型、精度評(píng)價(jià)、分類結(jié)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(diǎn)，同時(shí)包含大量的數(shù)據(jù)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(zhǔn)確地完成分類任務(wù)，做到省時(shí)省力，一直是人們的研究熱點(diǎn)，因此在解決這個(gè)問題時(shí)還有以下困難需要克服：

（1）缺乏大型、公開、已標(biāo)記的數(shù)據(jù)集。

（2）小樣本和高維度的問題。

（3）高維特性使數(shù)據(jù)的存儲(chǔ)和處理變得困難。

卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)（CNN）廣泛應(yīng)用于圖像處理和模式識(shí)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(xué)習(xí)模型。卷積神經(jīng)網(wǎng)絡(luò)卷積層的工作原理是利用卷積核進(jìn)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(shù)據(jù)進(jìn)行下采樣處理，這種方式的好處是使感受野變得更大，數(shù)據(jù)量被不斷壓縮，參數(shù)量明顯降低；全連接層也是卷積神經(jīng)網(wǎng)絡(luò)很重要的部分，它的主要作用是將數(shù)據(jù)以一維的形式輸出。

目前卷積神經(jīng)網(wǎng)絡(luò)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(jì)算過程，都采用反向傳播算法對網(wǎng)絡(luò)的參數(shù)進(jìn)行修改，并訓(xùn)練網(wǎng)絡(luò)。對于高光譜遙感圖像分類而言，它們的本質(zhì)區(qū)別就是分別代表了不同形式的特征?；贑NN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(lián)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(jīng)網(wǎng)絡(luò)（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(xiàn)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(zhì)的區(qū)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(biāo)像素周圍的局部空間信息。二維卷積操作的時(shí)候，采用的公式如下：

基于空譜特征聯(lián)合的分類方法

基于空譜特征聯(lián)合的分類方法，主要是結(jié)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(wù)，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(jié)

隨著遙感技術(shù)的不斷更新發(fā)展，高光譜遙感圖像應(yīng)用也變得更加廣泛，高光譜遙感圖像分類一直是計(jì)算機(jī)領(lǐng)域和遙感領(lǐng)域的研究重點(diǎn)，這項(xiàng)工作具有良好的應(yīng)用前景和較為扎實(shí)的理論基礎(chǔ)。高光譜遙感圖像分類這項(xiàng)基礎(chǔ)性的重要工作如果完成得較好，將會(huì)對后續(xù)的高光譜遙感圖像處理打下堅(jiān)實(shí)基礎(chǔ)，將會(huì)完成很多有意義的實(shí)際工作。本文對近幾年卷積神經(jīng)網(wǎng)絡(luò)在高光譜遙感圖像分類中的應(yīng)用進(jìn)行了總結(jié)和歸納：

（1）傳統(tǒng)的高光譜圖像分類方法，一方面只利用光譜信息進(jìn)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(shí)作基礎(chǔ)，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(qiáng)，因此分類效果不甚理想。

（2）卷積神經(jīng)網(wǎng)絡(luò)作為一種深度學(xué)習(xí)模型，能夠處理原始數(shù)據(jù)和特定類標(biāo)簽之間的復(fù)雜關(guān)系，輸入網(wǎng)絡(luò)的數(shù)據(jù)在模型中進(jìn)行訓(xùn)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(wǎng)絡(luò)和DBN網(wǎng)絡(luò)要求輸入為一維向量的限制，卷積神經(jīng)網(wǎng)絡(luò)能夠處理二維甚至三維的數(shù)據(jù)，使得卷積神經(jīng)網(wǎng)絡(luò)成為完成高光譜圖像分類任務(wù)常用的網(wǎng)絡(luò)。從目前的方法來看，基于三維卷積神經(jīng)網(wǎng)絡(luò)的方法發(fā)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(yōu)勢能夠更好地發(fā)揮，另外結(jié)合注意力機(jī)制、遷移學(xué)習(xí)、混合網(wǎng)絡(luò)等策略，很好地彌補(bǔ)了高光譜數(shù)據(jù)自身的高維特性、訓(xùn)練樣本稀缺、數(shù)據(jù)非線性等缺點(diǎn)，更好地提升了分類效果。

審核編輯：湯梓紅