摘要
近年来，针对高光谱图像（HSI）分类，已提出多种深度学习框架。然而，现有网络模型普遍具有较高的模型复杂度，且在少样本学习（few-shot learning）场景下难以实现高分类精度。本文提出一种结合随机块网络（Random Patches Network, RPNet）与递归滤波（Recursive Filtering, RF）的HSI分类方法，以提取具有信息量的深层特征。该方法首先利用随机块对图像波段进行卷积，以提取多层次的深层RPNet特征；随后，通过主成分分析（Principal Component Analysis, PCA）对RPNet特征集进行降维，并采用递归滤波（RF）对提取的主成分进行进一步滤波处理。最终，将HSI的光谱特征与所获得的RPNet–RF特征相结合，利用支持向量机（Support Vector Machine, SVM）分类器完成分类任务。为验证所提RPNet–RF方法的性能，本文在三个广泛使用的数据集上进行了实验，每类仅使用少量训练样本，并将分类结果与现有适用于小样本场景的先进HSI分类方法进行对比。实验结果表明，所提出的RPNet–RF分类方法在总体分类精度（Overall Accuracy）和Kappa系数等评价指标上均表现出更优的性能，验证了其在少样本条件下的有效性与优越性。