在一维卷积神经网络中是将卷积神经网络的输入层图像的所有的像素点会让卷积神经网络组合成一个行向量，即为一维的维度，可用这一维的维度向量来表示光谱信息。通过卷积层对这输入层进行两次卷积之后所提取的像素点，这一过程称之为一维特征提取。图2表示基于高光谱遥感一维卷积神经网络的光谱特征提取过程。将高光谱遥感影像每一个像素点进行卷积、降采样、卷积、降采样这一过程后所提取的的像素点的为光谱特征提取。
图2 基于高光谱遥感一维卷积神经网络的特征提取过程
3.2 基于高光谱遥感的二维卷积神经网络(2DCNN)的方法分析
二维卷积神经网络有着长和宽的两个空间维度，常用来处理图像空间信息。二维卷积层是通过将输入层和卷积核做相互运算，并加上一个标量差来得到的输出。图3表示基于高光谱遥感的二维卷积神经网络空间特征提取的过程，将高光谱影像数据每个局部区域通过重复使用卷积核做相互运算而输出得到在空间维度（宽和长）上某一级的特征。其也可通过二维卷积神经网络来完成图像分类的过程。
图3 基于高光谱遥感二维卷积神经网络空间特征提取过程
3.3 基于高光谱遥感的联合卷积神经网络(1D+2D CNN)的方法分析
联合卷积神经网络是通过输入图像，分别提取光谱特征以及空间特征，经过各种卷积合并在一起进行提取的光谱信息，称之为联合空谱特征提取，图4表示基于高光谱遥感影像联合提取空谱特征的过程。即将输入高光谱影像，分别提取其光谱特征与空间特征，然后合并经过卷积层所提取的空谱特征。
图4 基于高光谱遥感影像联合卷积神经网络(1D+2DCNN )提取过程
3.4 基于高光谱遥感的三维卷积神经网络(3DCNN)的方法分析
三维卷积神经网络有着高度、宽度以及深度的三个空间维度，在三维卷积神经网络中，内核是沿3（图像的高度、宽度、深度）个方向移动的。由于它移动是个3D空间，所以输出值也是按3D空间分布。图5表示基于高光谱影像直接获取空谱特征的 3D CNN 典型模型的过程。即将输入高光谱影像数据，通过堆叠多个连续的像素而组成的立方体，然后在立方体中运用3D卷积核而提取的特征。
图5 基于高光谱遥感的三维卷积神经网络(3DCNN)的提取过程
04 结果分析
利用A、B以及C三个数据集，针对高光谱图像分类进行了实验，每个数据集影像分类方式都包含一维卷积神经网络(1DCNN)、二维卷积神经网络(2DCNN)、联合卷积神经网络(1D+2DCNN)以及三维卷积神经网络(3DCNN)的方法执行。
A 数据集由AVIRIS 传感器在某地区松林试验区采集得到
