基于光谱重建的高光谱遥感图像分类方法研究.pdf

基于光谱重建的高光谱遥感图像分类方法研究

摘要

高光谱图像分类技术是最重要的高光谱遥感图像分析手段之一，其通过分析高光谱

图像每一个像素的光谱曲线，可以识别观测物体材质和纹理的细微差异，进而实现逐像

素的分类。目前，深度学习方法在高光谱图像的特征提取方面表现优异，因此逐渐成为

高光谱图像分类的主要方法。然而，高光谱遥感图像同时具有空间和光谱信息的特殊性

给常规深度学习网络的特征提取环节带来了巨大困难。同时，由于样本标注的高成本，

深度网络通常不得不在小样本场景下进行训练，从而导致了网络的过拟合问题。为解决

上述问题，本文构建了基于光谱重建的高光谱遥感图像分类方法，通过设计改变模型结

构以及引入无标注样本辅助模型训练，有效地解决了上述问题，具体研究内容如下：

首先，提出了基于光谱Transformer的分类方法，该方法主要利用了自注意力机制

对序列数据良好的特征建模能力，解决了主流深度学习方法对高光谱遥感图像的光谱-

空间联合特征提取能力不足的问题。具体而言，该方法主要包含三个方面：首先，利用

主成分分析去除原始图像的数据冗余，并保留充足的光谱信息为后续分类提供足够特征。

其次，研究基于圆形区域的采样策略，为待分类的样本提供更有效的空间上下文信息。

最后，利用自注意力机制对样本光谱波段进行相关性计算，挖掘光谱信息的序列特性，

从而取得了更好的分类准确率。

其次，提出了基于波段掩码重建的两阶段分类方法，该方法基于光谱Transformer所

构建，利用自监督学习策略引入未标注样本对光谱Transformer进行预训练，从而提高

了模型的泛化性，解决了在小样本场景下直接训练光谱Transformer容易导致模型过拟

合的问题。具体而言，该方法分为预训练阶段和模型微调阶段，在预训练阶段，构建光

谱掩码自编码器网络，该网络以图像波段的掩码和重建任务为基础，引入高光谱遥感图

像中天然存在的大量未标注像素对光谱Transformer的特征提取网络进行预训练。而在

模型微调阶段中，利用预训练获得的网络权重改善过拟合问题，并使用LinearProbe的

方式对光谱Transformer进行微调，从而减少需要调整的参数量，使得在小样本场景下

的分类准确率进一步提高。

关键词：高光谱遥感图像；高光谱图像分类；Transformer；自监督学习；掩码和

重建

基于光谱重建的高光谱遥感图像分类方法研究

Abstract

Hyperspectralimageclassificationtechnologyisoneofthemostimportanthyperspectral

remotesensingimageanalysismethods.Byanalyzingthespectralcurveofeachpixelofthe

hyperspectralimage,itcanidentifythesubtledifferencesinthematerialandtextureofthe

observedobject,andthenachievepixel-by-pixelclassification.Atpresent,deeplearning

methodsperformwellinthefeatureextractionofhyperspectralimages,sotheyhavegradually

becomethemainmethodofhyperspectralimageclassification.However,theparticularityof

hyperspectralremotesensingimageswithbothspatialandspectralinformationbringsgreat

difficultiestothefeatureextractionofconventionaldeeplearningnetworks.Atthesametime,