摘要

为了提高高光谱图像处理中的分类性能，许多研究工作基于两种常见的策略进行开发，即空间-光谱信息融合和神经网络的应用。然而，这两种策略通常需要比经典算法更多的训练数据，从而加剧了标记样本不足的问题。在本文中，我们提出了一种新颖的框架，该框架有机地结合了基于光谱的深度度量学习模型和条件随机场算法。深度度量学习模型通过中心损失进行监督，以生成在欧氏空间内类内聚集更紧密的光谱特征。首次应用于图像分割任务的具有高斯边缘势函数的条件随机场被引入，利用像素之间的地理距离和由深度度量学习模型生成的特征之间的欧氏距离，对高光谱图像进行像素级分类。所提出的框架在深度度量学习阶段使用光谱像素进行训练，在条件随机场阶段利用半手工制作的空间特征。这一方法在一定程度上缓解了训练数据不足的问题。通过对两幅真实高光谱图像的实验表明，所提出的方法在分类精度和计算成本方面均具有优势。