23、高光谱图像的深度学习空间光谱处理：3D - SE - ResNet的应用与评估

高光谱图像的深度学习空间光谱处理：3D - SE - ResNet的应用与评估

1. 高光谱图像分类概述

高光谱图像（HSI）分类在诸多领域有着广泛应用，如颜料分析和地形分类等。传统方法常先利用主成分分析（PCA）对数据进行降维以压缩光谱信息，再将前三个主成分输入神经网络。然而，这种特征提取过程会使HSI数据被压缩并转换到另一个空间，从而丢失一些光谱 - 空间信息。为解决这一问题，部分研究人员采用3D - CNN（使用3D滤波器组）直接从原始HSI数据中提取光谱 - 空间特征，如光谱 - 空间残差网络（SSRN）、快速密集光谱 - 空间卷积网络（FDSSC）和全密集多尺度融合网络（FDMFN）等。

2. 数据集与方法

2.1 高夫地图数据集

高夫地图尺寸约为115 cm × 56 cm。为确保以足够的空间分辨率实现全覆盖，数据采集被分为六个重叠的HSI“芯片”，每个芯片覆盖面积约为71.5 cm × 23.5 cm，垂直空间分辨率为68像素/cm，水平空间分辨率为77像素/cm。每个芯片的尺寸为1600（像素）× 5512（像素）× 334（波段），光谱范围在400 nm至1000 nm之间，涵盖可见光和近红外（Vis - NIR）。

2.2 标注参考数据

高夫地图被标注为七个类别，具体如下：
| 类别编号 | 类别名称 | 标注颜色 | 位置说明 |
| ---- | ---- | ---- | ---- |
| 1 | 浅红色城镇 | 红色 | - |
| 2 | 深红色城镇 | 紫色 | - |
| 3 | 褪色红色城镇 | 绿色 | 主要在地图右侧褪色