Hyperspectral Image Classification Method Based on Prototype Feature-Driven Approach

Li, Zhaolong

doi:10.3788/LOP251951

Hyperspectral Image Classification Method Based on Prototype Feature-Driven Approach

2026-04-01

0

PRE

AI

DOI：10.3788/LOP251951

原文链接

原文求助

摘要

En 中文

目标高光谱图像（HSI）分类已成为遥感、环境监测和精准农业的重要研究方向，因其能够捕捉数百个连续波段上的精细光谱信息。然而，两个长期存在的挑战限制了现有方法的有效性：1）有限的标注样本，阻碍了深度学习模型充分挖掘光谱-空间信息；2）光谱和空间特征的融合不足，导致冗余并限制了可区分性。为解决这些问题，提出了一种新型高光谱分类模型，即原型对比残差混合卷积网络（PC-RMCN）。该模型设计用于集成原型对比学习与残差混合卷积网络，从而增强语义引导、改善光谱-空间融合，并在复杂场景下确保更好的泛化能力。方法所提出的PC-RMCN包含三个主要模块：1）原型提取与特征增强模块，利用有限标注样本构建类别原型，并采用对比学习对齐特征与其对应原型；2）光谱-空间特征提取模块，通过多尺度3D卷积分别建模光谱和空间维度，并结合分组卷积与逐点卷积实现高效融合；3）残差注意力增强模块，整合通道和空间注意力机制，对关键特征重新加权并缓解深层信息稀释。此外，原型与卷积层之间引入反馈机制：融合的光谱-空间特征反馈以动态更新类别原型，形成闭环交互，提升原型稳定性并增强可区分性。训练过程联合采用交叉熵和对比损失，通过反向传播优化。实验在三个常用公开数据集（帕维亚大学、印第安松树和萨利纳斯）上进行。为全面评估性能，报告总体准确率（OA）、平均准确率（AA）和Kappa系数。此外，进行小样本实验和消融研究以验证鲁棒性及各模块贡献。结果与讨论实验结果表明，PC-RMCN在所有三个数据集上均优于代表性基线方法（包括HybridSN、SSRN、DFSL、SSFTT和DCLN）。例如，在帕维亚大学数据集上，与HybridSN相比，PC-RMCN的OA、AA和Kappa分别提升1.46、4.77和2.68个百分点。类似地，PC-RMCN超越SSRN（虽达98.36%的强OA但处理高维特征时存在冗余），凸显原型引导融合的优势。小样本实验进一步证实了模型的鲁棒性。即使在2%的训练比例下，PC-RMCN仍持续优于其他方法，在数据稀缺下展现出更强的泛化能力。消融实验也揭示了各组件的贡献：移除原型学习（模块1）、注意力（模块2）或简化光谱-空间提取（模块3）均导致明显精度下降，验证了各模块的必要性。此外，闭环原型反馈在训练中动态优化类别原型，使网络能更好捕捉可区分的光谱-空间区域。注意力机制通过增强关键波段和空间区域，缓解冗余并确保更稳定的收敛。最后，讨论了更广泛的意义。结果表明PC-RMCN在解决HSI分类的两个关键挑战（数据稀缺和光谱-空间融合不足）方面具有可行性。与现有方法（如基于Transformer的模型和自监督方法）相比，PC-RMCN在计算效率与分类精度间实现了更好平衡。潜在局限性包括原型初始化在极端类别不平衡下的敏感性，以及反馈机制的稳定性。未来研究方向包括整合图建模、元学习策略和多模态融合，以进一步在跨域和复杂分布场景下提升适应性。结论 PC-RMCN为HSI分类中标注数据有限和光谱-空间融合低效的双挑战提供了有效解决方案。通过结合原型对比学习、残差混合卷积和注意力机制，该模型在三个基准数据集上达到最先进性能，OA、AA和Kappa指标均实现持续提升。所提框架为高光谱分类建立了稳健高效范式，展现出强大的泛化与稳定性。

Keyword:

image classification

hyperspectral image

prototype contrastive learning

residual convolutional network

attention mechanism

Hyperspectral Image Classification Method Based on Prototype Feature-Driven Approach

摘要

期刊

机构

引用论文