文献类型：期刊文章

作　　者：叶珍[1] 白璘[1] 何明一[2]

Ye Zhen;Bai Lin;He Mingyi(School of Electronics and Control Engineering,Chang′an University,Xi′an 710064,China;School of Electronics and Information,Northwestern Polytechnical University,Xi′an 710129,China)

机构地区：[1]长安大学电子与控制工程学院,西安710064 [2]西北工业大学电子信息学院,西安710129

出　　处：《中国图象图形学报》

基　　金：国家重点研发计划项目(2020YFC1512000);国家自然科学基金项目(41601344,61671387,61601059);中央高校基本科研业务费专项资金资助(300102320107);陕西省重点研发计划一般项目(2020GY-060);西安市科技计划项目(2020KJRC0126)。

年　　份：2021

卷　　号：26

期　　号：8

起止页码：1737-1763

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD2021_2022、IC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：由于高光谱图像包含了丰富的光谱、空间和辐射信息,且具有光谱接近连续、图谱合一的特性,可用于地质勘探、精细农业、生态环境、城市遥感以及军事目标检测等领域的目标精准分类与识别。对高光谱图像进行空谱特征提取是遥感领域的研究热点和前沿课题之一。传统空谱特征提取方法对高光谱图像分类的计算量和样本需求小、理论可解释性好、抗噪声能力强,但应用于分类的精度受限于特征来源;基于深度学习的高光谱图像空谱特征提取方法虽然计算量和样本需求大,但是由于深层空谱特征的表达能力更好,可以大幅度提高分类器的性能。为了便于对高光谱图像空谱特征提取领域进行更深入有效的探索,本文系统综述了相关研究进展。首先,概述了空间纹理与形态学特征提取、空间邻域信息获取及空间信息后处理等传统高光谱空谱特征提取方法的原理,对大量的已有工作进行了梳理、分析与总结。然后,从深度空谱特征提取角度出发,介绍了当前流行的卷积神经网络、图卷积神经网络及跨场景多源数据模型的结构特点及研究进展,分析、评价了基于深度学习的网络模型对高光谱图像空谱特征提取的优势及问题所在。最后,对该研究领域的未来相关发展提出建议并进行了展望。

关 键 词：高光谱图像(HSI)  空谱特征提取  卷积神经网络(CNN)  图卷积网络(GCN)  多源数据融合 深度神经网络  

分 类 号：TP751]