摘要
最新研究表明，利用光谱-空间信息可显著提升高光谱图像（Hyperspectral Image, HSI）分类的性能。HSI数据通常以三维立方体（3D cube）的形式呈现，因此，采用三维空间滤波方法能够自然地实现对图像中光谱-空间特征的同步提取，是一种简单而高效的技术手段。本文提出一种基于三维卷积神经网络（3D-CNN）的框架，用于高精度的HSI分类。该方法将HSI立方体数据整体输入，无需依赖任何预处理或后处理步骤，能够有效提取深层的光谱-空间联合特征。此外，与其它基于深度学习的方法相比，该模型参数量更少，因而具有更轻量的结构，更不易发生过拟合，且训练过程更为简便。为验证所提方法的有效性，我们在三种由不同传感器获取的真实世界HSI数据集上，将其与三种主流深度学习分类方法——堆叠自编码器（Stacked Autoencoder, SAE）、深度简明网络（Deep Brief Network, DBN）以及基于二维卷积神经网络（2D-CNN）的方法进行对比实验。实验结果表明，本文提出的3D-CNN方法在各项指标上均优于现有先进方法，并创造了新的性能纪录。