全文总字数：5720字

1. 研究目的与意义及国内外研究现状

二十世纪后半叶，遥感技术在理论、技术及应用等方面发生了重大变革。其中，高光谱图像遥感技术无疑是遥感技术重大变革中十分重要的一个方面。遥感高光谱成像能够获得丰富的地物光谱信息，这使得在传统的宽波段遥感中不可分辨的物质在高光谱遥感中可以被分辨出来。由于高光谱图像光谱维度高、数据冗余大且存在非线性特性，直接进行分类易导致hughes现象（即当特征维数增加到某一临界值时，继续增加反而会导致分类器的性能变差），而卷积神经网络能够自动地从图像中提取空间特征和光谱信息，利用深度学习的研究方法能够更优地处理遥感数据，对于高光谱图像遥感技术的研究具有很大意义。

与多光谱遥感等普通遥感图像相比，高光谱图像波段多，光谱波段覆盖范围广，信息量巨大，形成的三位数据块能够有效地反应成像目标的信息，并有效的结合了空间信息和光谱信息。因此，高光谱遥感对地观测技术被广泛的应用在很多不同的领域，例如矿业、天文学、化学成像、农业、环境科学、荒地火灾跟踪和生物威胁检测等。

国内外研究现状

高光谱图像分类是高光谱遥感对地观测技术的一项重要内容，在军事及民用领域都有着重要的应用。但是，高光谱图像的特性，例如，高维特性、波段间高度相关性、光谱混合等使得高光谱图像分类面临着巨大的挑战。

2006年，hinton等提出多层神经网络可通过逐层初始化来克服训练难度，又其在受限波尔兹曼机（rbm）及自动编码机（ae）上的重大突破，研究人员开始尝试将深度学习理论应用到高光谱图像遥感数据分类中。tan等引入空间近邻的标记信息参与投票表决，提出了一种基于空间近邻信息与分类器集成的半监督分类算法，但是需要进行多次迭代来选取样本，且分类性能受参数影响较大。mohan等提出了一种基于空间相干距离（scd）的近邻选取算法，通过计算环块之间的欧氏距离来度量数据点间相似度，但是该算法重在比较环块中相同位置像元，而忽略了环块中各像元间的空间相关性。魏峰等提出一种基于空间一致性的邻域保留嵌入（sc－npe）降维算法。该算法首先在每一像素周围选取环块，通过对比环块间的差异来选取近邻，有效降低了同一类别中像素值差异较大的孤点或噪点的影响。

2. 研究的基本内容

论文提出了一种基于深度残差网络的高光谱图像的分类方法。我们将深度残差网络作为一种分类器，将待分类的像元及其领域像元一同作为卷积神经网络的输入，实现高光谱图像的分类。

深度残差网络，是何凯明在2015年提出的深度神经网络结构，该网络在图像分类、检测、分割等方面的性能都远远超过了前几年的卷积神经网络结构。其网络的深度远远超过以往的神经网络。随着神经网络深度的加深，网络的表达能力也随之增强。其实验证明，深度越深的网络在时间复杂度相同的情况下性能越好，但是随着深度的加深，网络的参数越来越多，训练的难度也就越来越大，最重要的是随着网络的加深，梯度消失的问题会愈加严重，所以单独地进行网络的堆叠并不能使网络的性能越来越好，当深度达到一定深度时，网络的性能会因为梯度消失问题变得更差。那么解决梯度消失的问题成为了在网络加深下想要提升准确率的首要任务。当在使用ReLu和BatchNormalization等技术时，我们发现在一定程度上能使网络的收敛速度加快，也能轻微地减少梯度消失现象，但是都未从根本上解决梯度消失问题。深度残差网络的提出，给我们提供了构造深度神经网络的新构思，且能有效解决随网络加深带来的梯度消失问题。

我们引入了残差单元，即将原来的网络学习函数H(x)转换为F(x) x，对于深度网络的训练效果来说，这两种表达方法是一样的。但对于深度网络的优化难度来说是不同的。后者可以通过具有“捷径连接”的前馈神经网络来实现，此处需要说明，这种“捷径连接”并不额外地增加更多的训练参数和计算复杂度，而且残差网络的单个构建模块也并不复杂。基于ResNet的高光图像分类模型以预激活的残差单元为搭建模块，将残差块进行堆叠，构造深度残差卷积神经网络，即可以对高光谱遥感数据进行准确分类。

3. 实施方案、进度安排及预期效果

实施方案：

首先对高光谱数据进行处理，利用python 将原始的高光谱数据集以及数据集所对应的ground truth分割成一定大小的patch，对获得patch选择是否使用pca降维技术，针对所得到的patch的大小，利用python和tensorflow搭建resnet模型，以及选择模型对应的参数，将所有得到的所有patch和groud truth进行混合打乱，拆分为训练集和测试集，利用训练集训练resnet，根据每回运行的实验结果对restnet模型进行调参和优化，并在测试集上做测试。

4. 参考文献

[1]bioucas-dias j m, plaza a, camps-valls g, scheunders p. hyperspectral remotesensing data analysis and future challenges. ieee geoscience and remote sensingmagazine, 2013, 1(2): 636

[2]bioucas-dias j m, plaza a, camps-valls g, scheunders p. hyperspectral remotesensing data analysis and future challenges. ieee geoscience and remote sensingmagazine, 2013, 1(2): 636

[3]fauvel m, tarabalka y, benediktsson j a, chanussot j. advances inspectral-spatial classication of hyperspectral images. proceedings of theieee, 2013, 101(3): 652675