- 研究背景：
高光谱图像是指高光谱成像仪捕捉到的三维立体图像，高光谱图像往往时由数百个连续的波段组成，包含大量的有用信息。这就使得近几年的高光谱图像发展在军事目标勘测、植被覆盖、国防军事、以及其他医学、农业领域[1-2]等发挥了重要作用，并具有巨大的潜能。因此高光谱图像分类的研究也在图像领域中显现出相当的重要性。
高光谱图像分类原理在于不同物质在不同波段光谱信号下的不同表现，这使得这些表现可以绘制成一条关于光谱波段和光谱值的曲线，根据曲线的差异进而对不同物质进行分类。但是由于高光谱图像成像机理复杂，波段繁多，数据量大等特点，这给高光谱图像分类带来了巨大的挑战。因此，为了充分解决高光谱图像特点所带来的困难，其分类方法在不断地更新迭代，其在主要的代表性分类方法[3]有支持向量机[4]（Support Vector Machine SVM），稀疏表示分类[5]（Sparse Representation Classification SRC），其次还有贝叶斯方法，随机森林方法，核方法等。现如今随着深度学习的发展，基于卷积神经网络CNN和图卷积网络GCN等的方法也逐渐适用于高光谱图像分类领域中。在基于GCN的发展中，研究人员也并未仅仅局限于传统的GCN。例如，针对高光谱图像像素点数量过大的问题，可以融合超像素分割算法，这使得原有的GCN计算复杂度明显下降。其次，也有采用动态更新图的策略，增加GCN卷积过程中的精确度。高光谱图像分类的研究具有巨大的经济和社会效益潜能，如何进一步提高其分类精确度和可行性，也是其重要的研究方向。
- 研究现状：
高光谱图像分类早期的方法主要是基于传统的模式识别，如最近邻域分类器和线性分类器。在这些传统的方法中，K-最近邻[6]因其简单可行性而也得到过广泛的应用。而后，高光谱图像分类比较典型的方法包括支持向量机和稀疏表示分类等也具有相当的良好性能。在深度学习越来越得到学者的青睐的同时，基于神经网络，卷积神经网络（CNN）和图卷积神经网络（GCN）的深度学习也逐渐在高光谱图像分类中显露头角。在这些基础之上，为了进一步提升其分类效率和精度，不同方法也通过不断地相互融合以实现高效率的分类目标。
A．基于稀疏表示模型的分类方法
稀疏表示模型[7]的主要思想是假设现有的训练样本可以构成一个完备训练字典并且任意一个测试样本均可以被字典中的元素线性表出，然而将如此高维特征的样本完全表出是不合理的，那么稀疏表示方法注意到一个训练样本往往只属于某一类地物，即它只需当被训练样本中的同一类样本线性表示，即可得到一个稀疏性的约束．即使用尽量少的训练样本来表示某一测试样本，同时使得表示误差尽可能小。在求解目标函数后，稀疏表示方法取表示误差的最小的训练样本类别来作为此测试样本的类别。
B．基于支持向量机的分类方法
支持向量机是一种二分类模型，它的基本模型是定义在特征空间上的间隔最大的线性分类器，间隔最大使它有别于感知机。SVM还包括核技巧，这使它成为实质上的非线性分类器。支持向量机在有限的标记示例中显示出了令人满意的分类性能。然而，支持向量机独立地处理每个像素未能发掘出不同图像像素之间地相关性。为了解决这一不足，引入了空间信息。例如，Camps Valls等人将空间信息直接融入到核设计中，[8]利用SVM与复合核进行高光谱图像分类。此外，一些研究人员也采用了光谱空间分类的方法，例如，基于马尔可夫随机场（Markov Random Field，MRF）[9]的模型被广泛应用于空间信息的部署，并取得了很大的普及。
C．基于深度学习CNN的分类方法
SVM，SRC等方法上都是基于手工制作的空谱特性，它严重依赖专业知识和专业实验，分类过程复杂，计算量较大。为此，随着深度学习的不断发展，不少学者发现将深度学习运用在高光谱图像分类中可以发掘出其他方法所没有的优点。其优越性在于，深度学习方法[10]在高光谱图像分类中可以有效避免复杂的特征工程，且其具有十分强大的表示能力和处理性能。首先，最初由Chen等人尝试利用深度学习方法对高光谱图像进行分类，建立了层叠式自编码器进行高层特征提取。近来，卷积神经网络（CNN）已成为高光谱图像分类的有利工具，如Jia等[11]利用CNN提取光谱特征，取得了优于SVM的性能。对于高光谱图像而言，其空间信息的挖掘在其分类中具有重要的意义，许多基于CNN的方法都在这方面进行了探索，例如，Yang等人[12]提出了一种双通道深度CNN，从高光谱图像中共同学习光谱-空间特征，这两个通道分别用于学习光谱和空间特征。在基于CNN的高光谱图像分类中，CNN共享卷积核，在处理高位数据时有独特的优势。此外，CNN也可以自动进行特征提取。然而，传统的CNN模型只对规则的正方形区域进行卷积，而无法自适应地捕捉高光谱图像中地不同目标区域的几何变化。再则，因为CNN在对图像块进行卷积时使用的卷积核权值是相同的，所以也容易导致类边界信息的丢失，进而导致误分类。
D．基于深度学习GCN的分类方法
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
