基于拓扑动态高阶图学习的遥感高光谱图像分类方法研究

《Expert Systems with Applications》：Topology-aware dynamic high-order graph learning for hyperspectral image classification

本研究针对高光谱图像（HSI）分类中存在的空间拓扑关系建模不充分、局部光谱-空间特征提取不足等问题，提出了一种拓扑动态高阶图学习（TDHGL）方法。该方法通过构建光谱-空间卷积模块（SICM）提取局部特征，利用动态高阶图模块（DHGM）捕获像素间的长程依赖关系，并结合特征融合模块（SFFM）实现多尺度信息整合。实验结果表明，TDHGL在Indian Pines、Salinas等四个公开数据集上的分类准确率（OA）分别达到94.45%、97.37%、95.78%和98.19%，显著优于S3Net、DBDA等对比方法，为复杂地物分类提供了新思路。

　　

高光谱图像（Hyperspectral Image, HSI）凭借其丰富的光谱信息，在精准农业、环境监测和军事侦察等领域展现出巨大应用潜力。然而，HSI分类面临三大挑战：一是高维光谱数据中存在大量冗余信息，二是同类地物因光照、物候等因素产生显著光谱变异，三是空间相邻像素间存在复杂非线性关联。传统方法难以同时建模光谱-空间特征的局部细节与全局拓扑关系，导致分类精度受限。

为突破这一瓶颈，发表于《Expert Systems with Applications》的研究提出了一种拓扑动态高阶图学习（Topology-aware Dynamic High-order Graph Learning, TDHGL）框架。该框架通过三个核心模块协同工作：光谱-空间卷积模块（SICM）采用1×1卷积和5×5深度可分离卷积分别提取光谱特征和局部空间特征；动态高阶图模块（DHGM）通过K阶邻接矩阵A^K构建多尺度拓扑图，利用图卷积捕获像素间高阶相互作用；特征融合模块（SFFM）通过反卷积和跳跃连接整合多尺度特征。实验表明，TDHGL在Indian Pines数据集上总体分类精度（OA）达94.45%，在Salinas数据集上更达到97.37%，显著优于对比算法。

关键技术方法包括：基于卷积神经网络的光谱-空间特征提取、动态高阶图卷积建模像素间拓扑关系、多尺度特征融合策略。实验使用Indian Pines（16类）、Salinas（16类）、University of Pavia（9类）和WHU-Hi-LongKou（6类）四个公开HSI数据集，训练集比例分别为2%、0.2%、0.2%和0.1%，均采用10次重复实验的均值±标准差评估性能。

光谱-空间特征提取

SICM模块通过级联的1×1卷积和5×5深度可分离卷积，在保留光谱特征的同时捕获局部空间上下文。其中1×1卷积层公式为H^l = f(W^lH^l-1 + b^l)，5×5卷积采用深度可分离结构减少参数量。实验显示该模块在Indian Pines数据集上对"Corn-notill"类别的分类精度提升至93.18%，较基线方法提高5.7%。

动态高阶图构建

DHGM模块通过邻接矩阵幂运算A^K构建K阶图，其中K=2时能有效建模像素间二阶邻域关系。图卷积过程表示为H^t = f(D?_K^-1/2?_KD?_K^-1/2?^t-1W^t)，通过残差连接缓解过平滑问题。在University of Pavia数据集中，该模块将"Gravel"类别的分类精度从89.33%提升至95.90%。

多尺度特征融合

SFFM模块通过双线性插值和反卷积操作将不同尺度的特征图统一至原始分辨率，采用逐元素相加实现特征融合。在WHU-Hi-LongKou数据集上，融合后的特征使"Cotton"类别分类精度达到98.19%，较单尺度特征提升3.2%。

研究通过消融实验验证各模块贡献：移除DHGM模块导致OA下降4.71%，而去除SICM模块则使Kappa系数降低6.33%。参数敏感性分析表明，当图阶数K=2、卷积层数L=2时模型性能最优。与S3Net、DBDA等9种前沿方法对比，TDHGL在四类典型地物（农作物、建筑、植被、水体）的分类精度均领先2.1%-7.8%。

该研究的创新性在于将动态拓扑学习引入HSI分类，通过高阶图卷积建模像素间隐含关联，解决了传统方法对长程依赖捕获不足的痛点。TDHGL框架为高光谱遥感图像的精细分类提供了新范式，在耕地普查、城市规划等场景具有应用价值。未来工作可探索图结构与注意力机制的协同优化，进一步提升对异质地物的判别能力。