基于三维空洞卷积和图卷积的高光谱影像分类

针对高光谱影像分类任务中标记样本数量有限和多样化特征提取不足导致分类效果不理想的问题,本文提出一种基于三维空洞卷积和图卷积的高光谱影像分类方法(three-dimensional di-lated convolutional and graph convolutional network,3D-DC-GCN).首先,引入不同尺度的空洞卷积(dilated convolutional,DC)构建三维空洞卷积网络模型提取多尺度的深度空谱特征;其次,通过聚合图节点的邻域特征建立图卷积神经网络(graph convolutional network,GCN)模型,获取蕴含空间结构的上下文特征;最后,为了提高多样化特征的表示能力,将深层空谱特征与空间上下文特征融合并采用Softmax实现分类.本文所提方法能够充分利用高光谱影像的多样化特征并具有较强的特征学习能力,有效提高了影像的分类精度.在Indian Pines和Pavia University高光谱数据集上将提出方法与7种相关分类方法进行实验对比与分析,结果表明本文方法能够得到最优结果,总体分类精达到99.33％和99.41％.