基于双域空间-傅里叶卷积的高光谱遥感图像地物分类方法研究

《Sensors》：CSFCNet: Cascaded Spatial-Frequency Convolutional Network for Hyperspectral Image Classification Feng Jiang, Xin Liu, Mingxuan Li, Ting Nie and Liang Huang

本研究针对高光谱图像（HSI）分类中局部特征冗余与全局依赖捕获不足的问题，提出一种融合空间-频率双路径的DSF-Conv模块。通过在空间域采用多尺度深度可分离卷积提取局部纹理，并在频域利用离散傅里叶变换（DFT）建模全局上下文，结合自适应特征融合机制，有效提升了复杂场景下的地物分类精度。实验表明该方法优于现有主流模型，为高光谱遥感智能解译提供了新思路。

　　

高光谱遥感成像能够同时获取地物的空间几何信息与连续光谱特征，在精准农业、环境监测、资源勘探等领域具有独特优势。然而，受限于“同谱异物”与“同物异谱”现象，以及复杂的噪声干扰，传统分类方法难以充分挖掘高维数据的深层语义关联。尤其在地物边界模糊、类内差异显著的场景下，局部特征的单一性与全局上下文信息的缺失成为制约精度的瓶颈。现有卷积神经网络虽能捕捉局部纹理，但对长距离依赖的建模能力有限，而Transformer架构又面临计算复杂度高与小样本训练困难的问题。如何平衡局部精细感知与全局上下文整合，是高光谱地物分类亟待突破的关键挑战。

为应对这一难题，研究团队设计了一种新型双域空间-傅里叶卷积（DSF-Conv）模块，并将其嵌入轻量化网络架构。该模块通过并行处理空间域与频率域信息，既保留了局部纹理的判别性，又融入了全局结构的互补线索。实验在多个公开高光谱数据集上进行，结果表明该方法在分类精度与鲁棒性方面均优于对比基线，为高光谱遥感智能解译提供了高效解决方案。

研究主要采用了以下关键技术方法：首先，构建基于多尺度深度可分离卷积的空间路径，通过分组调节参数g控制感受野范围，减少冗余特征；其次，设计傅里叶路径将输入特征经二维离散傅里叶变换（DFT）映射至频域，分解实部（?）与虚部（?）后联合进行卷积处理，再通过逆变换还原至空间域；最后，引入通道软注意力机制动态加权融合双域特征，实现自适应特征选择。

3.1. 整体网络架构

整体网络由级联的DSF-Conv模块构成，每个模块包含独立的空间与傅里叶分支。输入高光谱立方体经预处理后进入双路径并行处理，空间路径通过多尺度卷积提取局部多粒度特征，傅里叶路径则通过频域变换捕获全局依赖。最终通过自适应融合输出增强后的特征图，送入分类器完成像素级预测。

3.2. 双域空间-傅里叶卷积（DSF-Conv）

空间路径设计

空间路径采用多尺度深度可分离卷积结构，定义如公式（1）所示：

Ys=[Y1s,Y2s,…,Ygs]?k1×1

其中g为分组数，通过调节g扩大感受野范围，在减少参量的同时增强多尺度表达能力。实验表明，该设计有效缓解了局部特征冗余问题。

傅里叶路径设计

傅里叶路径通过离散傅里叶变换建立全局关联，如公式（4）所示：

F(u,v)=HW1h=0∑H?1w=0∑W?1Xf(h,w)e?j2π(Hhu+Wwv)

频域特征经实部与虚部分解处理后，通过1×1卷积学习权重，再经逆变换恢复空间结构，并通过残差连接保留原始信息。这种设计使网络能够在频域中建模跨区域的上下文依赖。

自适应特征融合

双域输出经全局平均池化（GAP）压缩后，通过Softmax函数生成通道注意力权重γ与β，如公式（9）所示：

γ=eSs+eSfeSs,β=eSs+eSfeSf

最终融合结果为加权求和：

Y=γYs+βYf

该机制实现了对空间与频率特征的动态优选，强化了判别性信息的传递。

3.3. 组级联结构

为促进跨波段信息交互，将输入沿通道维度分为N组，每组包含C/N个通道。通过组间级联操作，使相邻波段特征逐步传播至远端波段，增强了光谱维度的信息互补性。

研究表明，DSF-Conv模块通过双域协同与自适应融合，显著提升了高光谱图像地物分类性能。在多个标准数据集上的消融实验验证了空间多尺度卷积与傅里叶全局建模的有效性，且组级联结构进一步优化了跨波段特征整合。相比于单一域处理方法，双域策略在边界清晰度与类间区分度方面均有明显改善。

该研究的核心贡献在于提出了轻量化的双域特征提取框架，既克服了传统卷积的局部局限性，又避免了全局长距离建模的计算负担。尤其在样本量有限的高光谱场景下，该方法展现出优异的泛化能力与鲁棒性。未来工作可进一步探索频域滤波的物理可解释性，以及与多模态遥感数据的联合解译应用。