摘要
高光谱遥感影像由于具有图谱合一和海量信息的特点，在国土资源和军事安全等领域得到了广泛的应用，使用高光谱遥感影像进行地物分类是其应用的关键任务。在高光谱遥感影像分类中，由于数据标注不仅需要逐像素进行,而且还要实地考察才能确定各像素的类别，导致大量标注样本难以获取。因此在有限标记样本条件下，进行高精度分类是高光谱遥感研究领域的主要研究内容之一。目前深度学习的方法也已经广泛应用于高光谱影像分类中，其中基于卷积神经网络的分类方法可得到较好的分类效果，但由于高光谱影像中信息冗余以及标记样本数量有限等问题，在实际使用中算法的性能受到了影响。针对上述问题，本文展开了如下研究： （1）提出了一种端到端的基于注意力双通道残差网络的高光谱遥感影像分类方法。在训练标记样本有限时，由于高光谱影像中冗余信息和光谱-空间特征提取不充分导致分类精度变低的问题，该方法将原始数据立方体作为输入数据，首先利用光谱-波段注意力模块来降低光谱上波段冗余和空间上干扰像素对分类的影响;然后用光谱和空间双分支网络来充分提取高光谱影像中光谱和空间特征，其中使用了Mish激活函数。在IndianPines、UniversityofPavia和SalinasValley三个高光谱数据集上进行的一系列实验表明，在训练样本数量有限的条件下，本文所提出的方法取得了较好的分类效果。 （2）提出了一种基于改进阶梯网络的高光谱遥感影像半监督分类方法。由于标记样本有限导致分类精度低的问题，该方法同时利用标记样本和未标记样本来训练网络模型;针对直接使用原始数据会导致“维度灾难”的问题，使用主成分分析算法进行数据降维;同时为了能充分利用高光谱影像中光谱和空间信息，提出使用了混合光谱卷积网络来进行特征提取。在UniversityofPavia和SalinasValley两个高光谱数据集上进行的一系列实验表明，在利用少量标记样本和部分未标记样本的条件下，本文所提出的算法取得更好的分类性能，表现出较好的实用价值。 （3）设计了一个高光谱遥感影像分类系统。基于以上分类算法开发了高光谱遥感影像分类系统，该系统包括影像加载模块、影像预处理模块、影像分类模块和性能评价模块。系统不仅实现了影像可视化和数据降维的功能，而且还实现了对高光谱影像进行分类的方法选择、相关参数设置和分类结果评价等功能。
NETL