CWSSNet：基于小波域卷积提升的高光谱图像分类
计算机视觉与模式识别
2025-11-05 v2
摘要
高光谱遥感技术在林业生态和精密农业等领域具有重要应用价值，但也提出了对精细地面目标分类的更高要求。尽管高光谱图像拥有丰富的光谱信息可提高识别精度，但由于其波段数量多、维数高及光谱混合特性，容易导致特征冗余。为此，本文以浙大一号F卫星获取的高光谱图像为数据源，选取江西省邵阳市郧县为研究区域，提出一种集成3D光谱空间特征与小波卷积的分类框架——CWSSNet。该框架通过多尺度卷积注意力模块整合多模态信息，并通过在小波域引入多带分解与卷积操作，突破传统方法在分类性能上的瓶颈。实验表明，CWSSNet在郧县的平均交并比(mIoU)、平均准确率(mAcc)和平均F1分数(mF1)分别达到74.50%、82.73%和84.94%，在水体、植被和裸地等分类中获得最高的交并比，显示出良好的鲁棒性。此外，当训练集比例为70%时，训练时间增加幅度有限，分类效果接近最优水平，表明该模型在小样本训练条件下仍保持可靠性能。
引用
@article{arxiv.2509.09163,
title = {CWSSNet: Hyperspectral Image Classification Enhanced by Wavelet Domain Convolution},
author = {Yulin Tong and Fengzong Zhang and Haiqin Cheng},
journal= {arXiv preprint arXiv:2509.09163},
year = {2025}
}