高光谱图像分类是遥感和计算机视觉领域的重要研究方向，它涉及到对高光谱图像进行逐像素的光谱分类。这种分类技术对于地球观测、资源探测、军事侦察等领域有着重要的应用价值。高光谱图像包含丰富的光谱信息，可以提供更详细的地物信息，但也存在分类难度大、计算复杂度高的问题。
卷积神经网络（CNN）在图像分类领域取得了巨大成功，其通过自动学习图像的层次化特征，有效提升了分类准确率。在高光谱图像分类领域，CNN同样被广泛采用，尤其在光谱信息挖掘方面表现突出。然而，高光谱图像不仅包含丰富的光谱信息，还包含丰富的空间信息。通常情况下，图像中具有相同或相似光谱特征的像素通常在空间上呈现一定的聚集性，这种空间一致性对于分类任务同样重要。
传统的基于CNN的高光谱图像分类方法大多关注于光谱信息的挖掘，而忽略了空间信息的一致性。近期，针对高光谱图像分类的空间像素对特征（Pixel Pair Features，PPF）的发展为集成空间信息提供了新的途径。本文首先提出了改进的PPF风格特征——空间像素对特征（Spatial Pixel Pair Feature，SPPF），该特征更加充分利用了空间/上下文信息和光谱信息。基于新的SPPF，本文进一步提出了灵活的多流CNN（Multi-stream CNN）分类框架，该框架与多种内部子网络设计兼容。
提出的SPPF与原始的PPF相比，在像素选择策略上有所改进。具体而言，SPPF只选择与中心像素直接相邻的像素作为候选，因此实施了更强的空间正则化。除此之外，通过使用现成的分类子网络设计，所提出的多流、晚期融合CNN基础框架在不需要大量网络配置调整的情况下，超越了竞争方法。在三个公开可用的数据集上进行的实验结果展示了所提出的基于SPPF的高光谱图像分类框架的性能。
高光谱图像分类的关键难点之一是高光谱数据的高维性。传统的光谱特征提取算法很难有效处理这种高维数据，而CNN具有强大的特征自动提取和表征学习能力，非常适合处理高光谱图像。本文提出的SPPF风格特征，是对原始PPF的一个改进，它能更好地发掘和利用图像的空间信息和光谱信息。
多流CNN分类框架是一种灵活的设计，可以兼容多种内部子网络设计。这种设计通过多个并行的子网络来处理不同的特征流，然后在决策层进行融合。这种结构允许模型专注于不同类型的特征，并将它们融合起来以进行最终的分类决策。这种方法在处理具有复杂特征空间的高光谱图像数据时特别有效。
文中提到的晚期融合策略是指在多个子网络的输出特征被提取之后，再对它们进行融合。这种策略的一个优势是可以在保持子网络特征提取能力的同时，通过融合增强最终分类结果的准确性。
本文的研究工作在以下几个方面具有重要意义：
1. 提出了一个新的特征表示方法，即空间像素对特征（SPPF），它能够同时利用高光谱图像的空间信息和光谱信息，为高光谱图像分类提供了新的思路。
2. 建立了一个灵活的多流CNN分类框架，该框架不仅能够利用SPPF特征，还能够兼容其他多种特征提取和分类子网络。
3. 通过在多个公开数据集上的实验验证了所提出方法的有效性，结果表明，该框架在高光谱图像分类任务中具有较好的性能。
4. 该框架的实现不需要复杂的网络结构调整，表明其在实际应用中具有较好的可行性和实用性。
本文的研究不仅为高光谱图像分类提供了一种新的有效的方法，也为基于CNN的高光谱图像处理的研究领域贡献了新的理论和技术手段。
