時(shí) 旭，李 遠(yuǎn)，黃 鴻

（重慶大學(xué) 光電技術(shù)與系統(tǒng)教育部重點(diǎn)實(shí)驗(yàn)室，重慶 400044）

1 引 言

紅細(xì)胞、白細(xì)胞是人體血細(xì)胞的主要組成部分。它們?cè)谘褐械臄?shù)量與人體的生理狀態(tài)息息相關(guān)。如紅細(xì)胞數(shù)量過(guò)少會(huì)導(dǎo)致貧血，白細(xì)胞數(shù)量過(guò)少會(huì)引發(fā)免疫力缺失［1-3］。血細(xì)胞的計(jì)數(shù)和分類是病灶臨床檢查的常用方法之一，也是血常規(guī)檢驗(yàn)的基本內(nèi)容［4］。對(duì)血細(xì)胞進(jìn)行分類，有助于血液學(xué)家診斷疾病，如白血病、血液癌癥等［5］。因此，在臨床診斷中，如何對(duì)紅、白細(xì)胞進(jìn)行計(jì)數(shù)具有十分重要的價(jià)值。早期通過(guò)顯微鏡計(jì)數(shù)以及利用血細(xì)胞的電阻率來(lái)嘗試血細(xì)胞自動(dòng)計(jì)數(shù)，但其精度和效率受限。隨著信息技術(shù)的蓬勃發(fā)展，計(jì)算機(jī)自動(dòng)計(jì)數(shù)以其高效、快速的特點(diǎn)廣泛應(yīng)用于血液細(xì)胞分類。

傳統(tǒng)計(jì)算機(jī)自動(dòng)計(jì)數(shù)方法可分為幾何計(jì)數(shù)法和統(tǒng)計(jì)計(jì)數(shù)法。其中，典型幾何方法包括距離分類器和線性分類器等，但這些方法對(duì)具有非線性分布的顯微圖像效果不佳。統(tǒng)計(jì)分析法包括參數(shù)估計(jì)法、梯度法、貝葉斯準(zhǔn)則法、最大似然法和支持向量機(jī)（Support Vector Machine，SVM）等。這些方法在樣本數(shù)較多的情況下具有較好分類能力，但對(duì)結(jié)構(gòu)復(fù)雜的數(shù)據(jù)需要先獲取樣本統(tǒng)計(jì)分布得到先驗(yàn)概率和類分布概率密度函數(shù)等，才能取得較好的效果，且SVM方法存在核函數(shù)和參數(shù)選擇問(wèn)題［6］。

深度神經(jīng)網(wǎng)絡(luò)在圖像分類中的優(yōu)異表現(xiàn)給醫(yī)學(xué)圖像處理帶來(lái)巨大機(jī)遇。卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）尤為突出，其使用局部連接有效提取特征，并通過(guò)共享權(quán)值顯著減小參數(shù)量，為在醫(yī)學(xué)圖像分類任務(wù)中奠定了基礎(chǔ)。鄭婷月等［7］將一種多尺度全卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用在視網(wǎng)膜血管分割任務(wù)上，在兩個(gè)公開(kāi)眼底數(shù)據(jù)集上均可達(dá)到96%左右的準(zhǔn)確率。Raunak等［8］使用雙流神經(jīng)網(wǎng)絡(luò)，對(duì)肺結(jié)節(jié)CT圖像進(jìn)行良惡性分類，取得了90.04%的分類精度。Khashman等［9］對(duì)比了三種不同的神經(jīng)網(wǎng)絡(luò)方法，在RGB圖像血細(xì)胞亞型識(shí)別任務(wù)中，取得99.17%的分類效果。

但是，上述方法都是針對(duì)傳統(tǒng)顯微光學(xué)圖像，只包含紅、綠、藍(lán)三通道信息，不能有效反映血細(xì)胞內(nèi)在復(fù)雜的生化性質(zhì)。與此同時(shí)，高光譜成像技術(shù)擁有無(wú)接觸、非電離、無(wú)傷害和光譜信息豐富等優(yōu)點(diǎn)，且具有“圖譜合一”特性。因此，物質(zhì)間的細(xì)微差異可更好地由其連續(xù)的光譜曲線表達(dá)，在醫(yī)學(xué)圖像處理領(lǐng)域，被用于腦癌［10］、乳腺癌［11］、舌癌［12］檢測(cè) 等，并取得了較好效果。Huang等［13］提出一種調(diào)Gabor濾波卷積神經(jīng)網(wǎng)絡(luò)（MGCNN）模型，將調(diào)制Gabor濾波與卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合，取得了比傳統(tǒng)神經(jīng)網(wǎng)絡(luò)更好的血細(xì)胞分類結(jié)果。Wei等［14］開(kāi)發(fā)了一種雙通道CNN，將典型CNN特征和EtoE-Net特征相融合，取得了更好的分類表現(xiàn)。然而這些方法訓(xùn)練時(shí)間較長(zhǎng)，在實(shí)際應(yīng)用中對(duì)硬件條件要求頗高。此外，上述模型需要較多數(shù)量的標(biāo)記樣本以保證模型分類性能，且高光譜醫(yī)學(xué)圖像標(biāo)記需要大量人工成本。

基于此，本文提出了一種空-譜可分離卷積神經(jīng)網(wǎng)絡(luò)（Spatial-Spectral Separable Convolution Neural Network，S3CNN），該網(wǎng)絡(luò)通過(guò)有效利用高光譜圖像中的空間-光譜特征信息來(lái)提升分類效果，并利用可分離卷積結(jié)構(gòu)對(duì)模型復(fù)雜度進(jìn)行優(yōu)化，減少訓(xùn)練時(shí)間。S3CNN主要思路是利用空-譜聯(lián)合距離（spatial-spectral combined distance，SSCD）得到訓(xùn)練集中各像素點(diǎn)的空-譜近鄰，并對(duì)這些近鄰點(diǎn)賦予與相應(yīng)中心像素點(diǎn)相同的標(biāo)簽，進(jìn)行樣本擴(kuò)充，然后用可分離卷積優(yōu)化經(jīng)典卷積，減少訓(xùn)練時(shí)間。在Bloodcells1-3和Bloodcells2-2高光譜數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，本文方法能夠有效改善高光譜顯微圖像的細(xì)胞分類性能，且在模型訓(xùn)練時(shí)間上具有優(yōu)勢(shì)。

2 空-譜可分離卷積神經(jīng)網(wǎng)絡(luò)（S3CNN）

為表述方便，文中高光譜醫(yī)學(xué)數(shù)據(jù)集表示為X={x1，x2，…，xN}∈RN×b，其中N為樣本數(shù)，b為波段數(shù)，li∈{1，2，…，c}為標(biāo)簽，c為類別數(shù)。

本文所提出空-譜可分離卷積神經(jīng)網(wǎng)絡(luò)的算法流程圖如圖1所示，其主要包括空-譜聯(lián)合訓(xùn)練集構(gòu)建和可分離卷積神經(jīng)網(wǎng)絡(luò)，下面對(duì)其進(jìn)行一一介紹。

圖1 空-譜可分離卷積神經(jīng)網(wǎng)絡(luò)流程圖Fig.1 Flow chart of spatial-spectral separable convolution neural network

2.1 空-譜聯(lián)合訓(xùn)練集構(gòu)建

在高光譜血細(xì)胞圖像中，各個(gè)像素在空間分布上具有一定的相關(guān)性［15-16］，在同一個(gè)空間鄰域內(nèi)的像素點(diǎn)通常屬于同一類別［17-20］。基于此，本文利用鄰域空間像素中的空-譜聯(lián)合信息來(lái)衡量像素間的相似性，并提出一種空-譜聯(lián)合距離（SSCD）來(lái)更好地選擇空-譜近鄰點(diǎn)，以擴(kuò)充訓(xùn)練樣本，具體如圖2所示。

圖2 計(jì)算空-譜聯(lián)合距離過(guò)程Fig.2 Process of calculating the spatial-spectral combined distance

對(duì)于血細(xì)胞高光譜顯微圖像中的像素點(diǎn)xi和xj，Ω(xi)和Ω(xj)分別為xi和xj的近鄰空間，空-譜聯(lián)合距離SSCD可以定義為：

其中，d(Ω(xi)，xj)為xj和近鄰空間Ω(xi)之間的距離，它可以表示為：

式中vis是xis的權(quán)重，可通過(guò)核函數(shù)來(lái)計(jì)算：

其中，σj為‖xj-xis‖的均值，可定義為：

對(duì)于有標(biāo)簽的高光譜圖像數(shù)據(jù)，在其周圍r×r的方形鄰域內(nèi)根據(jù)空-譜聯(lián)合距離選擇離其最近的k個(gè)像素點(diǎn)，可認(rèn)為它們與中心像素的標(biāo)簽相同，擴(kuò)充到訓(xùn)練樣本集，通過(guò)利用少量標(biāo)記樣本和一定數(shù)量近鄰樣本進(jìn)行深度神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練。

2.2 可分離卷積神經(jīng)網(wǎng)絡(luò)

通過(guò)空-譜近鄰得到空-譜近鄰樣本訓(xùn)練集后，如何高效的進(jìn)行訓(xùn)練是一個(gè)關(guān)鍵問(wèn)題。神經(jīng)網(wǎng)絡(luò)大多是由不同尺度的卷積核堆疊而成，伴隨著模型精度的不斷提高，神經(jīng)網(wǎng)絡(luò)的深度和模型參數(shù)量也在不斷增加［21］。然而，過(guò)多的參數(shù)給模型的訓(xùn)練帶來(lái)極大的挑戰(zhàn)。

可分離卷積是解決這一問(wèn)題的有效方法［22］，如圖3（b）所示。其主要思想是將標(biāo)準(zhǔn)卷積轉(zhuǎn)化為一個(gè)深度卷積和一個(gè)1×1的點(diǎn)卷積。在正向傳播過(guò)程中，可分離卷積首先在每個(gè)圖像通道上進(jìn)行二維卷積，其次對(duì)輸出的特征圖進(jìn)行點(diǎn)卷積。

圖3 標(biāo)準(zhǔn)卷積與可分離卷積結(jié)構(gòu)對(duì)比Fig.3 Comparison of standard convolution and separable convolution

在可分離卷積提取特征后，采用平均池化操作以有效降低空間維度，減少計(jì)算量。然后采用Group Normalization（GN）歸一化，最后采用如下形式的ReLU激活函數(shù)：

ReLU激活函數(shù)有單側(cè)抑制的作用，使得模型在訓(xùn)練過(guò)程中的梯度值和收斂狀態(tài)處于穩(wěn)定，有助于解決梯度消失的問(wèn)題。經(jīng)計(jì)算得，最終網(wǎng)絡(luò)模型參數(shù)量params約32M，計(jì)算量flops約0.047 G。

3 實(shí)驗(yàn)分析

3.1 實(shí)驗(yàn)數(shù)據(jù)集介紹

本文算法主要通過(guò)兩個(gè)不同場(chǎng)景下的高光譜血細(xì)胞數(shù)據(jù)集Bloodcells1-3和Bloodcells2-2進(jìn)行實(shí)驗(yàn)驗(yàn)證。該數(shù)據(jù)由顯微鏡和硅電荷耦合器件（CCD）組成VariSpec液晶可調(diào)諧濾波器收集，波長(zhǎng)范圍為400～720 nm，共包含33個(gè)波段，其中Bloodcells1-3數(shù)據(jù)集像素大小為973×699，Bloodcells2-2數(shù)據(jù)集像素大小為462×451。圖4（a）為兩個(gè)數(shù)據(jù)集第10個(gè)波段的圖像，圖4（b）為兩個(gè)數(shù)據(jù)集的真值圖。在真值圖中，紅色代表白細(xì)胞，藍(lán)色代表紅細(xì)胞，綠色代表背景。

圖4 高光譜顯微圖像Fig.4 Hyperspectral microscopy image

3.2 實(shí)驗(yàn)設(shè)置

實(shí)驗(yàn)的硬件環(huán)境采用PANYAO 7048G服務(wù)器，其搭載6張TITAN RTX以及256G內(nèi)存；軟件環(huán)境是基于Ubuntu 18.04系統(tǒng)的Py Torch深度學(xué)習(xí)框架（PyTorch 1.6版本），編程語(yǔ)言為Python 3.7。

在實(shí)驗(yàn)中，首先按波段對(duì)高光譜血細(xì)胞數(shù)據(jù)進(jìn)行歸一化處理。在每次實(shí)驗(yàn)中，高光譜血細(xì)胞數(shù)據(jù)集被隨機(jī)劃分為訓(xùn)練樣本和測(cè)試樣本，利用訓(xùn)練數(shù)據(jù)得到空-譜聯(lián)合訓(xùn)練集后，將其送入可分離卷積網(wǎng)絡(luò)進(jìn)行訓(xùn)練。訓(xùn)練過(guò)程中，優(yōu)化器為Adam，batchsize為1 000，初始學(xué)習(xí)率設(shè)置為0.001。采取“Early Stopping”策略終止訓(xùn)練，即在訓(xùn)練集上若連續(xù)10個(gè)epoch損失函數(shù)的值都不減小就自動(dòng)停止訓(xùn)練。訓(xùn)練結(jié)束后，將測(cè)試集送入網(wǎng)絡(luò)以評(píng)估模型。對(duì)于分類結(jié)果，采用總體分類精度（Overall Accuracy，OA）系數(shù)進(jìn)行評(píng)價(jià)。為了保證實(shí)驗(yàn)結(jié)果的可靠性，每種條件下的實(shí)驗(yàn)均重復(fù)進(jìn)行10次，并取10次結(jié)果的平均值作為最終實(shí)驗(yàn)結(jié)果。

為了證明本文方法在高光譜顯微圖像分類上有效性，實(shí)驗(yàn)中選取Nearest Neighbor（1-NN）、SVM、1D CNN、2DCNN、3D CNN、Separable Convolution Network（SCN）作為對(duì)比方法。其中，1D、2D、3D分別代表卷積方式，SVM核函數(shù)采用徑向基函數(shù)（Radial Basis Function，RBF）。

3.3 Bloodcells1-3實(shí)驗(yàn)結(jié)果

為研究窗口大小r和近鄰數(shù)k對(duì)算法性能的影響，首先選擇Bloodcells1-3數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)。在紅細(xì)胞、白細(xì)胞、背景三個(gè)類別中，每類隨機(jī)選取40個(gè)樣本用于訓(xùn)練，2 000個(gè)樣本用于測(cè)試。窗口大小r的取值范圍為｛1，3，5，7，9，11，15｝，空-譜近鄰數(shù)k的取值范圍為｛2，4，6，8，10，14，18，20｝。圖5為算法在不同窗口大小和空-譜近鄰數(shù)下的分類精度。

由圖5可知，分類精度隨著窗口r的增大先有所提升后下降，這是由于當(dāng)空間窗口包含了更多的空間近鄰時(shí)，可利用的空間信息更加豐富，因而能夠更好地區(qū)分紅、白血細(xì)胞以及背景，提高分類精度。同時(shí)，近鄰數(shù)k增加會(huì)選擇更多無(wú)標(biāo)記空-譜近鄰樣本參與訓(xùn)練，提高分類性能，但k過(guò)大時(shí)導(dǎo)致近鄰點(diǎn)中可能包含較多來(lái)自于其他類別的像素點(diǎn)，進(jìn)而影響模型訓(xùn)練效果?；谏鲜鲆蛩兀疚倪x取k=10，r=9。

圖5 Bloodcells1-3數(shù)據(jù)集中S3CNN在不同r和k下的分類結(jié)果Fig.5 Classification results of S3 CNN with different r and k on Bloodcells1-3 dataset.

為評(píng)估不同算法在不同數(shù)目訓(xùn)練樣本下的分類性能，從Bloodcells1-3數(shù)據(jù)集中的每類中分別隨機(jī)選取5、10、20、40、60、80個(gè)樣本用于訓(xùn)練，選取2 000個(gè)樣本作為測(cè)試，實(shí)驗(yàn)結(jié)果如表1所示。

表1 Bloodcells1-3數(shù)據(jù)集上不同算法的分類結(jié)果（總體分類精度±標(biāo)準(zhǔn)差）Tab.1 Classification results of different algorithms on Bloodcells1-3 dataset（overall accuracy±STD） （%）

由表1可知，對(duì)于每種分類算法，隨著訓(xùn)練樣本數(shù)量的增加，其分類精度隨之提升。這是由于更多的訓(xùn)練樣本包含了更豐富的先驗(yàn)信息，更有利于模型提取信息。相比1-NN、SVM等傳統(tǒng)方法，所有的深度學(xué)習(xí)方法都取得了更好的分類結(jié)果，這是因?yàn)樯疃葘W(xué)習(xí)方法可以更好提取高光譜數(shù)據(jù)高層特征，有利于分類。在CNN方法中，3DCNN方法的分類性能要優(yōu)于1DCNN和2DCNN方法，這是因1DCNN只提取光譜特征，而2DCNN提取空間特征但未能充分利用光譜信息，而3DCNN同時(shí)利用利用光譜-空間信息，因此分類性能更好。本文提出的S3CNN在多數(shù)訓(xùn)練情況下都取得了最好的分類結(jié)果，僅在訓(xùn)練樣本為60時(shí)精度略低于3DCNN約0.001 1，這是因?yàn)樵摼W(wǎng)絡(luò)通過(guò)利用空-譜聯(lián)合距離選擇近鄰點(diǎn)參與訓(xùn)練，從而有更多的訓(xùn)練樣本參與模型訓(xùn)練，可更好的表征不同血液細(xì)胞的高層特征，提高模型的魯棒性，提升了模型分類效果。

圖6為各算法的分類結(jié)果圖。由圖可知，本文算法的分類結(jié)果圖更加平滑，因?yàn)橄啾绕渌惴?，該算法能夠更好提取不同血液?xì)胞的空-譜信息，具有更好的分類性能。

圖6 各算法在Bloodcells1-3數(shù)據(jù)集上的分類結(jié)果圖Fig.6 Classification maps for different methods on Bloodcells1-3 dataset.

為比較S3CNN與3DCNN的差異性，論文引入McNemar統(tǒng)計(jì)檢驗(yàn)。McNemar檢驗(yàn)是一種基于統(tǒng)計(jì)學(xué)原理的顯著性評(píng)價(jià)方法［23］，算法1以及用于比較的算法2的檢驗(yàn)統(tǒng)計(jì)量可定義為：其中，f12表示被算法2分錯(cuò)而被算法1正確分類的樣本數(shù)，f21表示被算法1分錯(cuò)而被算法2分對(duì)的樣本數(shù)。一般設(shè)置顯著性閾值為0.05，Z大于該值時(shí)表示算法1優(yōu)于算法2的性能，且當(dāng)Z大于2.58和1.96時(shí)，分別表示兩種算法在99%和95%置信水平下具有統(tǒng)計(jì)顯著性。對(duì)于S3CNN與3DCNN兩種算法，計(jì)算得Z值為6.68，表明兩種算法在統(tǒng)計(jì)學(xué)意義下具有顯著差異性。

3.4 Bloodcells2-2實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)中，分別從Bloodcells2-2數(shù)據(jù)集每類中隨機(jī)選取200個(gè)樣本用于訓(xùn)練，2000個(gè)樣本用于測(cè)試。對(duì)窗口大小r和空-譜近鄰數(shù)k進(jìn)行實(shí)驗(yàn)，其取值范圍與Bloodcells1-3參數(shù)實(shí)驗(yàn)一致。由圖7的實(shí)驗(yàn)結(jié)果可知，其結(jié)果與圖5相似，S3CNN方法的分類精度隨著r和k增加而增加，而后逐漸穩(wěn)定，綜合考慮分類精度以及算法的運(yùn)行效率，k設(shè)置為10，r值取7。

圖7 Bloodcells2-2數(shù)據(jù)集中S3CNN在不同r和k下分類結(jié)果Fig.7 Classification result of S3CNN with different r and k on Bloodcells2-2 dataset.

為評(píng)估不同數(shù)目訓(xùn)練樣本下不同算法的分類性能，從Bloodcells2-2數(shù)據(jù)集中的每類中分別隨機(jī)選取5、10、20、40、60、80個(gè)樣本用于訓(xùn)練，選取2000個(gè)樣本作為測(cè)試，實(shí)驗(yàn)結(jié)果如表2所示。

從表2可以看出，對(duì)于每種分類算法，其分類精度隨著訓(xùn)練樣本個(gè)數(shù)的增加而遞增。與此同時(shí)，本文算法始終取得了最好的分類效果。在標(biāo)記樣本數(shù)較小時(shí)，S3CNN比其他對(duì)比方法分類優(yōu)勢(shì)更明顯。這是由于1DCNN、2DCNN、3DCNN在訓(xùn)練樣本不足時(shí)，模型訓(xùn)練效果受限，導(dǎo)致分類效果不理想，而S3CNN充分利用高光譜圖像的空間一致性原則，有效選取標(biāo)記樣本點(diǎn)的無(wú)標(biāo)記空-譜近鄰樣本，大大擴(kuò)充了訓(xùn)練樣本，可以滿足網(wǎng)絡(luò)模型對(duì)于訓(xùn)練樣本的需求，從而可更好的提取不同血液細(xì)胞的高層特征，取得更高的分類精度。

表2 Bloodcells2-2數(shù)據(jù)集上不同算法的分類結(jié)果（總體分類精度±標(biāo)準(zhǔn)差）Tab.2 Classification results of different algorithms on Bloodcells2-2 dataset（overall accuracy±STD） （%）

圖8為各算法的分類結(jié)果圖。由圖可知，各算法中S3CNN效果更好，這是因?yàn)镾3CNN有效地重構(gòu)了訓(xùn)練樣本的空-譜近鄰點(diǎn)，充分挖掘了空-譜信息，因此整體準(zhǔn)確率更高，具有更好的分類效果。

圖8 各算法在Bloodcells2-2數(shù)據(jù)集上的分類結(jié)果圖Fig.8 Classification maps for different methods on Bloodcells2-2 dataset.

為了探究S3CNN算法的時(shí)間復(fù)雜度，在Bloodcells2-2數(shù)據(jù)集上對(duì)所采用的可分離卷積與經(jīng)典卷積算法進(jìn)行訓(xùn)練時(shí)間對(duì)比實(shí)驗(yàn)。實(shí)驗(yàn)中選取6 000個(gè)樣本點(diǎn)進(jìn)行訓(xùn)練，訓(xùn)練時(shí)間結(jié)果如表3所示。

由表3可知，可分離卷積模型和經(jīng)典卷積相比，可分離卷積模型減少27%訓(xùn)練時(shí)間，這是因?yàn)榭煞蛛x卷積使用了一個(gè)深度卷積和一個(gè)點(diǎn)卷積優(yōu)化經(jīng)典卷積，使得參數(shù)減少，降低了模型復(fù)雜度，更有利于實(shí)際應(yīng)用。

表3 不同卷積方式的訓(xùn)練時(shí)間對(duì)比Tab.3 Comparison of training time of different convolution methods on Bloodcells2-2 dataset （min）

4 結(jié) 論

在高光譜血細(xì)胞分類計(jì)數(shù)任務(wù)中，傳統(tǒng)深度學(xué)習(xí)方法需要大量不易獲取的標(biāo)記數(shù)據(jù)，也未考慮高光譜圖像內(nèi)部空間結(jié)構(gòu)，對(duì)高光譜像素特征提取不夠充分。本文基于可分離卷積方法和空間一致性原則，提出一種空-譜可分離卷積神經(jīng)網(wǎng)絡(luò)（S3CNN）。該方法能有效提取高光譜圖像中的空間-光譜信息，通過(guò)空-譜聯(lián)合距離選擇各像素點(diǎn)的空-譜近鄰，并對(duì)這些近鄰點(diǎn)賦予中心像素點(diǎn)相同的標(biāo)簽作為訓(xùn)練集的擴(kuò)充。此外，考慮到傳統(tǒng)深度學(xué)習(xí)網(wǎng)絡(luò)參數(shù)量巨大、對(duì)運(yùn)算硬件要求頗高，采用可分離卷積代替經(jīng)典卷積，通過(guò)降低卷積核參數(shù)數(shù)量，優(yōu)化模型的訓(xùn)練時(shí)間。在Bloodcells1-3和Bloodcells2-2高光譜數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，本文算法可有效挖掘高光譜血細(xì)胞顯微圖像中各類成分的內(nèi)蘊(yùn)空-譜信息，改善了分類性能，同時(shí)減少了訓(xùn)練時(shí)間。然而，S3CNN只考慮高光譜圖像局部空-譜聯(lián)合信息，未能有效探索高光譜圖像非線性復(fù)雜結(jié)構(gòu)。因此下一步研究工作考慮將圖卷積神經(jīng)網(wǎng)絡(luò)用于高光譜血細(xì)胞圖像分類上，構(gòu)建空-譜聯(lián)合圖神經(jīng)網(wǎng)絡(luò)模型，以進(jìn)一步提升分類效果。