摘要：高光谱图像分类在众多领域具有重要意义，但面临数据特性带来的挑战。本研究提出基于局部保留降维卷积神经网络的分类算法，通过局部保留判别式分析降维、二维Gabor滤波与卷积神经网络提取特征、空谱特征联合及双重优选分类器实现高精度分类。经实验对比，该算法在分类精度和Kappa系数上表现优异，为高光谱图像分类提供新有效方法。

关键词：高光谱图像分类；局部保留降维；空谱特征融合；卷积神经网络；双重优选分类器

一、引言

1.1研究背景与意义

高光谱图像分类是高光谱遥感信息提取的核心技术，在精准农业、地质勘探、环境监测等领域发挥关键作用。它基于像元的光谱与空间特性，确定每个像元或像元组的地物类别，为后续决策提供重要依据。精准农业中，通过分类了解作物分布与生长状况，实现精准管理；地质勘探中，帮助识别岩石、矿物类型；环境监测中，监测土地利用变化与污染物分布。然而，高光谱图像波段多、相关性强、空间分辨率高，直接分类易产生“休斯”现象，降低分类精度，因此提高分类精度的研究至关重要。

1.2研究现状与挑战

传统数据降维方法如线性判别式分析（LDA）、核主成分分析（KPCA）等存在不足。LDA假设类条件分布为高斯分布，不适用于非高斯分布的高光谱数据，且在最大化类间分布矩阵时易丢失局部特征信息。在空间特征提取方面，现有方法如灰度共生矩阵、小波变换特征提取等需手动设定参数，灵活性差，难以适应不同类型地物。同时，纯光谱或纯空间信息分类方法难以适用于所有高光谱数据，目前利用空间和光谱信息联合分类成为研究热点，但仍面临如何有效融合特征、提高分类精度等挑战。深度学习在图像分类领域成果显著，但在高光谱图像分类中，如何充分利用其优势并结合高光谱数据特点，仍是需要深入研究的问题。

1.3研究目标与创新点

本研究目标是提出一种有效的高光谱图像分类算法，提高分类精度。创新点包括：采用局部保留降维法，保护原始图像多元化局部结构，提高分类精度；利用二维Gabor滤波器提取空间特征，结合光谱特征，充分利用空谱信息；设计光谱特征提取隧道，提高光谱数据特征利用率；采用双重优选分类器，融合原始与新特征，提高分类精度。

二、基于局部保留降维卷积神经网络的分类算法

2.1局部保留降维原理

高光谱图像像素谱像复杂，希望找到低维子空间使像素代表单一地物特征。局部保留降维法通过寻找合适线性图谱M，确保原始图像相邻像素在投影空间距离相近，保留局部邻域相关信息。对于非高斯分布或多模型分布的高光谱图像，该方法能有效保护其局部结构。其通过定义训练样本间紧密关系，计算局部类间和类内散布矩阵，得到最大化Fisher比的变换矩阵，实现降维，使同类相邻数据靠近、不同类相邻数据分离，保留数据局部特征，降低贝叶斯误差，提高分类精度。

2.2空谱特征提取与联合

2.2.1二维Gabor变换与空间特征提取

二维Gabor变换函数通过高斯包络调制正弦曲线，其表达式中的参数可控制函数特性。利用该函数设计空间信息特征提取隧道，以像素为中心、一定半径为输入数据，通过二维卷积和批量归一化提取中心像素周围区域的空间特征。二维Gabor滤波器能提取高光谱图像空间特征，因其对空间频率和方向性敏感，可捕捉同类地物图像的相似性和不同地物图像的差异性。

2.2.2光谱特征提取隧道

为提高光谱数据特征利用率，设计光谱特征提取隧道。该隧道聚焦中心像素，将三维光谱特征向量变换为一维向量，获取深度光谱特征。以像素为中心、特定半径输入原始数据，通过二维卷积和批量归一化提取光谱特征。采用不饱和非线性函数（ReLU）作为激活函数，其梯度不饱和，在反向传播中减轻梯度弥散问题，使神经网络参数快速更新，提高收敛速度、训练速度和分类精度。

2.2.3空谱特征联合

将光谱特征提取隧道变换后的光谱特征与Gabor空间特征结合，输入全连接层。全连接层输出通过特定公式计算，连接空间与光谱特征向量。最后将联合空间光谱特征输入双层分类层，预测概率分布，实现空谱特征联合，使分类更准确。

2.3深度卷积神经网络（DCNN）与双重优选分类器

2.3.1 DCNN结构与功能

DCNN包含卷积层和下采样层。卷积层通过卷积运算增强信号特征、降低噪声，锐化和模糊图像边缘检测，其卷积过程通过特定公式计算。下采样层依据图像局部相关性对子抽样，减少数据处理量并保留有价值信息，其正向传播通过特定公式计算，每个输出图有乘法和加法偏差。在处理高光谱数据时，DCNN利用空谱联合信息削弱同物异谱或同谱异物影响，提取更高层、更抽象和稳定特征。

2.3.2双重优选分类器原理

双重优选分类器采用两层堆栈结构。第一层重构特征作为第二层训练集，第二层以上一级输出为训练集，融合原始与新特征，实现特征扩充，进行标准化和归一化处理。与单层分类器相比，其特征量纲和后验概率组成不同，提高分类精度。针对高光谱数据类间数量不平衡问题，对各类样本赋予不同权重约束，加强小样本学习能力，使网络训练更公平有效。

2.4算法流程

算法步骤如下：首先对原始高光谱图像预处理，用局部保留降维法降低数据维度；接着用二维Gabor滤波器和光谱特征提取隧道分别提取空间和光谱特征；然后连接空谱特征并输入全连接层得到新特征；再用DCNN模型训练处理后的特征；最后将训练后的集合通过双重优选分类器分类，得到最终分类结果。

三、实验与结果分析

3.1实验数据

采用Indian Pines和University of Pavia两组场景高光谱数据。Indian Pines图像尺寸145×145像素，波长400 - 2500nm，光谱分辨率10nm，原始波段数224个，去除坏波段和水体吸收波段后200个波段用于实验。University of Pavia数据波段430 - 860nm，103个可用光谱通道，空间分辨率约1.3m，每个波段含207400个像素。选择两组数据因其空间和光谱分辨率不同、成像传感器和观测场景各异，可全面验证算法有效性。

3.2实验设置

采用整体精度（OA）、平均精度（AA）和Kappa系数作为分类性能评价指标。在数据集中每类随机选200个像元为测试样本，其余为训练样本，为避免随机偏差，每个方法重复多次实验取平均结果。将本算法与CNN、PCA - SVM、CD - CNN、CNN - PPF算法对比，在两个数据集上进行分类实验。

3.3实验结果与分析

3.3.1分类精度对比

在Indian Pines数据集上，本算法整体精度为97.13%，平均精度97.83%，Kappa系数0.9751；在University of Pavia数据集上，整体精度98.89%，平均精度98.13%，Kappa系数0.9813。与其他算法相比，本算法在两个数据集的平均分类精度和Kappa系数均大幅提高。在Indian Pines数据集，比传统CNN方法整体精度高3.81个百分点；在University of Pavia数据集，高6.62个百分点，表明本算法分类性能优异。

3.3.2分类效果分析

从分类效果图像可知，在植被多且分布复杂、数据集不平衡的Indian Pines数据集中，本算法能有效去除椒盐现象，对植被分类效果好。在University of Pavia数据集中，对于光谱曲线相似的柏油路与沥青、金属板面与阴影等地物，本算法分类效果优于其他算法。这表明本算法能有效利用空谱结合信息，对不同类型高光谱数据分类效果良好，弥补了单一光谱或空间信息分类的不足。

四、结论

本研究提出基于局部保留降维卷积神经网络的高光谱图像分类算法。通过局部保留降维、二维Gabor滤波、光谱特征提取隧道、空谱特征联合、DCNN和双重优选分类器等技术手段，在两个不同数据集上取得良好分类效果。实验结果表明，该算法在分类精度和Kappa系数方面优于对比算法，能有效处理不同特征的高光谱图像，为高光谱图像分类提供新途径。未来研究可进一步优化算法参数、探索更高效特征提取方法，提高算法适应性和泛化能力，推动高光谱图像分类技术发展。