面向高光谱图像分类的空谱注意力与图推理结题报告.docVIP

面向高光谱图像分类的空谱注意力与图推理结题报告

一、研究背景与问题提出

高光谱图像凭借其在光谱维度的精细分辨率，能够捕获地物丰富的光谱特征，在精准农业、环境监测、矿产勘探、军事侦察等众多领域展现出巨大的应用价值。然而，高光谱图像分类任务面临着诸多挑战：其一，高光谱数据存在“维数灾难”问题，海量的光谱波段不仅增加了计算复杂度，还容易引入冗余信息，干扰分类模型的性能；其二，高光谱图像中的空间信息与光谱信息高度耦合，传统方法往往难以充分挖掘二者的互补性，导致分类精度受限；其三，实际场景中，高光谱图像常受噪声、光照变化、地物混杂等因素影响，使得同类地物的特征表现出较大的异质性，不同类地物的特征存在重叠，进一步提升了分类难度。

近年来，深度学习技术在高光谱图像分类中得到广泛应用，卷积神经网络（CNN）凭借其强大的局部特征提取能力，在空间特征挖掘方面取得了显著成效；循环神经网络（RNN）则擅长处理序列数据，能够有效捕捉光谱维度的依赖关系。但CNN在处理非规则邻域关系时存在局限性，难以充分利用高光谱图像中复杂的空间上下文信息；而RNN对长序列数据的处理效率较低，且容易出现梯度消失问题。此外，现有方法大多未能充分考虑不同空间位置和光谱波段对分类任务的贡献差异，导致模型对关键特征的关注度不足，影响了分类的准确性和鲁棒性。

为解决上述问题，本研究提出了一种基于空谱注意力与图推理的高光谱图像分类方法。该