基于空谱融合网络的高光谱图像分类方法

摘要 针对高光谱图像分类中提取的空-谱特征表达能力弱及维数较高的问题，提出一种基于空-谱融合网络（SSF-Net）的高光谱图像分类方法。首先，利用双通道卷积神经网络（Two-CNN）同时提取高光谱图像的光谱和空间特征；其次，使用多模态压缩双线性池化（MCB）将所提取的多模态特征向量的外积投射到低维空间，以此产生空-谱联合特征。该特征融合网络，既可以分析光谱特征和空间特征向量中元素之间的复杂关系，同时也避免对光谱和空间向量直接进行外积计算，造成维数过高、计算困难的问题。最终实验表明，与现有基于神经网络的分类方法相比，所提出的高光谱图像分类算法能够获得更高的像元分类精度，表明该网络所提取的空-谱联合向量对高光谱图像具有更强的特征表达能力