引 言
高光谱分辨率遥感是用很窄而连续的光谱通道对地物持续遥感成像的技术。在电磁波谱的可见光、近红外、中红外和热红外波段范围内，采用光谱分辨率高达纳米数量级的光谱仪在几十个甚至数百个波段同时对地物进行成像，获取许多非常窄的连续光谱波段信息，实现了地物空间信息、辐射信息、光谱信息的同步获取，实质为光谱分辨率的不断提高。由于高光谱遥感影像数据具有丰富的光谱波段信息，其应用领域涉及比较广，比如在农业遥感监测方面，可利用高光谱遥感数据可以计算归一化植被指数、叶面积指数、叶绿素含量等信息，可对植物的生长变化、病虫害及其对土壤的污染程度等进行分析与评估，从而促进农业的优质、高效的发展。据有关报道，自然资源部利用高光谱卫星影像数据已经在林业资源变更调查、自然资源审计、灾害应急、地理国情监测以及主要生态功能区植被长势监测等方面开展了大规模的应用示范。由此可见，高光谱遥感技术已被广泛应用于实际工作中，且在其他方面诸如海洋水质监测、地质勘探、林业遥感、现代军事等领域也有着广阔的应用前景。
a 全色影像
b 多光谱影像
c 高光谱影像
图1 不同光谱分辨率遥感影像的对比图
随着科学技术的不断进步与发展，传统的高光谱影像在地物分类上显现出许多不足，其特征能力表达有限、冗余度高、泛化能力较弱以及分类精度差，已无法满足当下高精度的分类需求。随着深度学习的不断发展，卷积神经网络可以进行监督与非监督的学习，可更深层次处理高光谱遥感影像分类。
02 研究目的
卷积神经网络是一种以卷积操作为主的神经网络，常用于提取图像特征，可以用作图像分类、语义分割、图像生成等功能。由于卷积神经网络具有局部区域链接、权值共享、降采样的结构特点，使得卷积神经网络在提取特征能力时减少训练权值个数、减少过度拟合以及较高的泛化能力等特点为高光谱遥感影像分类提供强有力技术支撑，卷积神经网络的输入层可处理多维数据，分别为一维卷积神经网络（1DCNN）、二维卷积神经网络（2DCNN）以及三维卷积神经网络（3DCNN）。在一维卷积神经网络中，内核沿一个方向移动，在二维卷积神经中，内核在二个方向上移动，而三维卷积神经网络中，内核是在三个方向移动。因此，本文通过研究输入不同维度的卷积神经网络方法对高光谱遥感影像地物分类进行对比，验证三维卷积神经网络较其他维度的卷积神经网络在高光谱图像分类上其特征提取、冗余度以及分类种类数量上效果更加显著。
03 影像分类的方法研究
本文主要研究不同维度的卷积神经网络对高光谱遥感图像分类的方法。在卷积神经网络中，常以一维卷积神经网络（1DCNN）来获取高光谱遥感图像的光谱特征，以二维卷积神经网络（2DCNN）来获取空间特征，以三维卷积神经网络(3DCNN)或以一维卷积神经网络加上二维卷积神经网络（1DCNN+2DCNN）来获取光谱与空间特征。利用不同维度卷积神经网络进行高光谱遥感图像特征提取的方法，构建了在不同的数据集中包含1DCNN、2DCNN、(1D+2DCNN、3DCNN) 的方法的模型组。
