基于拉普拉斯频率感知层次网络的高光谱图像分类方法研究

本文提出LFAH-Net（Laplacian Frequency Aware Hierarchical Network），创新性地结合多样性频率感知Transformer（DFAT）和多级频率融合模块（MFFB），通过拉普拉斯金字塔分解显式分离高频（边缘/纹理）与低频（光谱轮廓）信号，并引入光谱-空间自适应重校准融合（SSARF）模块校正特征错位。实验表明该框架在四个主流高光谱数据集上显著优于现有方法，为遥感影像分类提供了更精准高效的解决方案。

　　

亮点
频率感知表征在高光谱图像分析中日益受到关注。早期研究利用傅里叶变换提取全局频率特征，而新方法则将可学习频率滤波器引入CNN或Transformer。然而这些方法常面临空间局部性丢失或计算量激增的问题。

方法论
我们提出的LFAH-Net整合了DFAT模块（用于多频段信号特征提取）和MSDC模块（多尺度空洞卷积），通过自适应重校准机制实现光谱-空间特征融合。该框架在特征建模与计算效率间取得平衡，显著提升地物分类判别性。

实验与分析
在Pavia University、Salinas等四个高光谱数据集上的测试表明：LFAH-Net在分类精度上全面超越现有方法（如HybridSN、GCN等），尤其对小麦（WHU-Hi-LongKou）和湿地（WHU-Hi-HongHu）等复杂场景的细粒度分类表现突出。

结论
LFAH-Net通过拉普拉斯金字塔分解实现高频纹理与低频光谱的层次化捕获，其DFAT模块与MFFB堆栈的协同设计，为高光谱分类提供了新的多频率特征融合范式。未来将探索轻量化部署与跨传感器迁移能力。

（注：严格保留原文技术术语如DFAT/MSDC等缩写，使用^上标_下标规范表达，未包含文献引用标识[1]等）