摘要：高光譜圖像含有數百個波段，包含豐富的光譜信息，因此被廣泛應用于地物分類中，但仍存在著維數災難的問題。高光譜圖像中同時也含有豐富的紋理信息，有效利用紋理信息能夠顯著提高分類精度。三維Gabor濾波器不僅能夠保留圖像豐富的光譜信息，還能提取到圖像的紋理特征。為了充分利用高光譜圖像的特征，提出一種基于三維Gabor和殘差三維卷積神經網絡(Res-3DCNN)的分類方法。三維卷積神經網絡(3DCNN)能夠直接對三維立方體數據進行處理，提取到深層紋理-光譜信息，然而隨著網絡層的加深會產生網絡退化問題，因此利用殘差思想對3DCNN模型進行改進。在PaviaU、IndianPines和Salinas三個公共高光譜圖像數據集上進行實驗，分別取得99.17%、97.40%、98.56%的平均分類精度，結果表明該方法能有效提高高光譜圖像的地物分類精度。

　　關鍵詞：高光譜圖像分類;卷積神經網絡;三維Gabor濾波器;三維卷積;殘差學習

　　衛星傳感器捕獲的高光譜圖像(HyperspectralImages，HSI)[1]每個像素都含有大量光譜帶，能夠同時獲取地物的空間信息和光譜信息。與RGB圖像相比，高光譜圖像能夠更精細、更準確地識別地物信息。因此高光譜圖像在遙感應用中發揮了重要作用，如目標檢測、地物分類等，然而，高光譜圖像分類仍然面臨著維數災難[2]的問題。隨著深度學習的應用愈發廣泛，利用深度學習對高光譜圖像進行分類逐步成為目前的研究熱點。

　　衛星通信論文范例：基于衛星通信的應急通信系統

　　卷積神經網絡(ConvolutionalNeuralNetworks,CNN)[3]的網絡結構簡單，不需要人工設計參數，并且能夠提取深層特征。Chen等人[4]提出首次將空間信息加入到基于光譜信息的堆疊自編碼器(SAE)中，提出一種新的融合光譜信息和空間信息的深度學習框架。Huang等人[5]提出雙向遞歸神經網絡(Bi-RNN)，用于高光譜圖像分類，考慮了波段之間的相關性，同時利用前向和后向的信息進行分類。無論是SAE還是RNN在輸入時都要將特征拉成一維的向量，以適應網絡結構，而高光譜圖像是三維結構，無法完整保留空間特征。

　　二維卷積神經網絡(2DCNN)[6]在三通道圖像上表現良好，但是高光譜圖像有上百個波段，2DCNN無法很好地利用這些波段信息。3D圖像的處理促進了三維卷積神經網絡(3DCNN)[7]的發展，3DCNN可以在空間維度上實施卷積操作，有效利用了圖像的空間特征，而相鄰像素一般在很小的空間里屬于同一類別的可能性很高，而且3DCNN可直接對三維數據進行特征提取，得到深層空間和光譜信息。

　　但隨著網絡層次的加深，網絡難以收斂，尤其是在樣本量較少的情況下，網絡結構的加深并不能有效提高分類精度，甚至會呈現梯度消失和梯度爆炸的現象。殘差學習和普通神經網絡區別在于引入捷徑連接，構造殘差模塊，殘差模塊以跳層連接的形式實現，將單元的輸入直接與單元的輸出加在一起，再使用激活函數進行組合，有效防止了網絡層數加深時產生的梯度消失或梯度爆炸問題。

　　并且殘差網絡容易優化、不會引入額外的參數。高光譜圖像中的紋理信息，是辨別地物類別的重要因素。Gabor濾波器[8]具有提供區分性和信息性的特性，對圖像的邊緣變化敏感，有較好的方向性和尺度選擇性。與其它濾波方法相比，Gabor濾波器在提取紋理信息方面顯示出優越性能，可以同時在方向和尺度兩個維度進行濾波，獲取紋理特征。付青等[9]提出了Log-Gabor-CNN方法，使用Log-Gabor提取其紋理特征。但Log-Gabor為二維Gabor濾波器，只能獲取其紋理特征而沒有考慮光譜信息。

　　三維Gabor濾波器[10]能夠在提取紋理特征的同時保留光譜信息。馮逍等[11]將三維Gabor濾波器與SVM[12]結合(Gabor-SVM)用于高光譜影像分類。而SVM分類器雖然可以通過調節輸入的信息比如空譜信息來獲得分類結果，由于是基于淺層特征的分類，精度不高。魏祥坡等[13]提出了雙通道卷積神經網絡和三維Gabor結合的地物分類方法Gabor-DC-CNN(Gabor-dual-channel-CNN)，使用2DCNN提取圖像的空間信息，利用三維Gabor濾波器，對立方體數據進行濾波，輸入到一維卷積神經網絡(1DCNN)中進行深層光譜-紋理特征提取，最后將兩種特征進行融合。1DCNN的感受野較小，只能考慮每個位置單獨的信息，而且需要雙通道進行特征提取，最后進行融合，需要大量的訓練時間，效率不高。

　　為了充分利用高光譜圖像立方體數據的信息，本文提出了一種基于三維Gabor濾波器和殘差3DCNN的高光譜圖像分類方法。該方法可以通過三維Gabor濾波器得到包含紋理-光譜信息的立方體數據，3DCNN可以直接對處理后的立方體數據進行特征提取，充分利用數據的紋理-光譜信息。在三維卷積神經網絡中，添加了多個殘差模塊，用于更有效地提取抽象特征表示。同時，通過殘差模塊，解決隨網絡深度增加導致的梯度彌散和梯度爆炸問題，提升網絡性能，有效提高了高光譜圖像中的地物信息的分類精度。

　　1本文方法

　　本文方法針對高光譜三維立方體數據，首先使用三維Gabor濾波器，得到包含紋理-光譜信息的三維立方體數據;然后輸入到殘差三維卷積神經網絡中進行特征提取，最后進行地物分類。

　　1.1三維Gabor濾波器

　　由于高光譜圖像三維數據的特殊性，二維Gabor濾波器只能獲取紋理特征沒有考慮光譜特征。三維Gabor能夠在頻域和空間域找到最好的組合定位，在提取紋理信息的基礎上，考慮了圖像的光譜特征。對于紋理信息和光譜信息擁有較好的識別能力。

　　網絡結構中共包含3個殘差模塊，其中1個虛線范圍表示使用一個殘差模塊，包括2個5×5×5的三維卷積核和一個特征融合模塊。本文設計的殘差模塊，放在卷積層之后，將上一層卷積得到的特征，與殘差模塊內經過2層卷積得到的特征進行特征融合，經過ReLU激活函數后，繼續輸入到下一個池化層。

　　這使得該殘差模塊在輸入特征基礎上學習到新的特征，從而擁有更好的特征表示。為了讓激活函數更有效地使用輸入信息，在每次ReLU之前采用批量歸一化BN(BatchNormalization)，為了防止實驗結果過擬合，采用Dropout正則化[16]方式，隨機刪除部分隱藏層結果。之后，將獲得的結果輸入全連接層。最后，使用Softmax激活函數，進行分類操作，得到其類別標簽。

　　2實驗與分析

　　實驗時的硬件運行環境是AMDRyzen53600XCPU@3.80GHz處理器，RadeonRX5500XT@8GBGDDR6顯卡，金士頓駭客3200MHz@8gDDR4內存，編譯環境Python3.6+Tensorflow1.13。2.1實驗數據為了證實所提方法的有效性，本文使用目前公開且具有代表性的PaviaU、IndianPines和Salinas數據集進行實驗。

　　2.2參數設置

　　訓練網絡時參數設置如下：方差為0.1、均值為0、Dropout為0.5、偏置為0.1的截斷正態分布，初始學習率為0.001。從訓練時間和測試時間的結果可以看出，本文方法比Gabor-DC-CNN方法消耗的時間少，主要因為Gabor-DC-CNN是雙通道卷積神經網絡，需要分別進行訓練，所需時間稍長。

　　和3DCNN方法相比，訓練時間多了10s左右，主要因為使用了Gabor濾波器進行濾波，加入殘差會在原來的網絡結構上增加一條路徑，從而降低了網絡運行效率，增加了訓練時間。Log-Gabor-CNN是2DCNN，相比三維卷積在時間效率上會快一些，但同時分類精度會略有下降。Gabor-SVM是使用三維Gabor濾波和SVM進行分類，和其它深度學習方法相比優點在于省去了網絡訓練步驟，因此效率更高，和本文方法相比訓練時間快了50s左右，但分類精度不高。

　　3結論

　　本文針對高光譜圖像維度高，具有豐富的光譜信息和紋理信息的特性，提出了一種基于三維Gabor濾波器和殘差3DCNN的高光譜圖像分類方法。主要貢獻為：(1)通過三維Gabor濾波器得到的紋理特征和光譜信息，有助于高光譜遙感圖像的地物分類。(2)通過殘差三維卷積神經網絡對處理后的數據進行深層特征提取，得到深層光譜紋理特征，利用殘差模塊，有效解決了網絡訓練中梯度消失以及梯度爆炸問題，有效提高地物分類精度。實驗結果表明，本文提出的方法3DGabor-Res-3DCNN的分類精度能夠達到97.86%。與其它高光譜圖像分類方法相比，本文使用的方法能夠有效提高分類精度。在之后的研究工作中，準備在保證分類精度的同時，進一步提高算法的運行效率。

　　參考文獻(References)：

　　[1]AhmadM,ShabbirS,OlivaD,etal.Spatial-priorgeneralizedfuzzinessextremelearningmachineautoencoder-basedactivelearningforhyperspectralimageclassification[J].Optik,2020,206:163712-.

　　[2]HSIEHPF.Impactandrealizationofincreasedclassessep-arabilityon thesmallsamplesizeprobleminthehyperspectralclassification[J].CanadianJournalofRemoteSensing，2009，35(3):248-261.

　　[3]KRIZHEVSKYA,SUTSKEVERI,HINTONGE.ImageNetclassificationwithdeepconvolutionalneuralnetworks[J].CommunicationsoftheACM,2017,60(6):84-90.

　　[4]CHENY,LINZ,ZHAOX,etal.DeepLearning-BasedClassificationofHyperspectralData[J].IEEEJournalofSelectedTopicsinAppliedEarthObservations&RemoteSensing,2017,7(6):2094-2107.

　　[5]HUANGS,WANGX,HEH,etal.HyperspectralImageClassificationBasedonBidirectionalRecurrentNeuralNetwork[C]//2019IEEEInternationalConferenceonSignalProcessing,CommunicationsandComputing(ICSPCC).IEEE,2019.

　　[6]H.LEE,H.KWON.ContextualdeepCNNbasedhyperspectralclassification[J].2016IEEEInternationalGeoscienceandRemoteSensingSymposium(IGARSS),Beijing,2016,pp.3322-3325,doi:10.1109/IGARSS.2016.7729859

　　作者：張明華1，牛玉瑩1，杜艷玲1，黃冬梅1,2，劉刻福3