深度学习在高光谱图像分类中的应用综述

本文综述深度学习技术在高光谱图像分类领域的最新进展，涵盖卷积神经网络（CNN）、注意力机制和基于Transformer的方法，并探讨该领域面临的挑战与未来发展方向。高光谱图像（HSI）是包含数百连续窄波段的三维数据立方体，在精准农业、环境监测等领域有独特优势，但存在维度灾难、光谱变异性及空间-光谱联合建模等挑战。深度学习通过自动提取层次化特征，为解决这些问题带来突破。

高光谱图像的特点与应用

高光谱图像是三维数据立方体，含数百连续窄波段，能捕捉地物不同波长反射特性，相比RGB图像提供更丰富光谱信息，应用于精准农业、环境监测、矿产勘探和军事侦察等领域。

核心挑战

1. 维度灾难：高维数据（上百波段）与有限标注样本易导致过拟合；
2. 光谱变异性：同一地物在不同条件下光谱特征差异大；
3. 空间-光谱联合建模：需有效融合光谱与空间纹理信息。

传统方法（如SVM、随机森林）难以自动提取层次化抽象特征，深度学习提供新思路。

CNN是高光谱分类中应用最广泛的深度学习架构，核心优势是同时捕捉局部空间相关性和光谱连续性。

• 2D CNN：早期处理单波段或降维数据，丢失光谱信息；
• 3D CNN：用三维卷积核同时提取空间和光谱特征，在Indian Pines等数据集上精度优于传统方法，但存在计算复杂度高和过拟合问题；
• 改进策略：空洞卷积（扩大感受野）、可分离卷积（降低计算开销）、残差连接（缓解梯度消失）。

注意力机制让网络动态关注重要部分，在高光谱分类中分为三个层面：

• 光谱注意力：关注不同波段贡献差异，如SE模块抑制噪声波段，增强判别性波段；
• 空间注意力：聚焦关键空间区域（如类别边界、纹理丰富区）；
• 混合注意力：同时建模光谱与空间依赖，如双分支注意力网络、Transformer自注意力机制（捕捉长距离依赖）。

Transformer通过自注意力机制建立全局依赖，2020年以来在高光谱领域引发热潮。

• 适配方案：
  1. 光谱分组Transformer：相邻波段分组为光谱token，降低计算复杂度；
  2. 3D图块嵌入：直接划分三维图块，保留完整结构；
  3. 金字塔结构：借鉴Swin Transformer，构建多尺度特征金字塔。
• 预训练能力：大规模无标注数据预训练（如掩码自编码），学习通用表示，适用于标注稀缺场景。

多模态融合

• 高光谱-LiDAR融合：结合光谱（材质识别）与高程信息（几何结构）；
• 高光谱-SAR融合：光学与全天候观测互补，用多分支架构融合；
• 跨域迁移：域适应技术将源域知识迁移到目标域，减少标注依赖。

轻量化策略

• 知识蒸馏：教师网络知识迁移到学生网络；
• 网络剪枝：移除冗余连接；
• NAS：自动搜索最优结构；
• 量化/二值化：低精度表示减少存储与计算开销，支持嵌入式设备实时处理。

未来发展方向

1. 自监督/无监督学习：减少标注依赖，利用无标注数据学习通用表示；
2. 物理可解释性：融入物理先验知识，提升泛化与可解释性；
3. 开放世界识别：处理未知类别，实现开放集/增量学习；
4. 边缘智能：设计超低功耗架构，实现感算一体。

总结

深度学习改变了高光谱分类范式，从CNN到Transformer，性能显著提升，但学术与应用间仍有差距（如高效部署、标注稀缺）。随着新传感器（EnMAP、PRISMA等）与深度学习进步，高光谱分析将在地球观测等领域发挥更重要作用。