摘要
高光谱图像分类通常假设训练数据和测试数据属于同一类别集合。然而，在实际应用中，测试阶段经常出现未知的地物类别，这种场景被称为开集分类。在开集分类中，已知类和未知类之间的高光谱相似度使得仅使用空间特征或低频特征难以有效捕捉频域中的细微差异。这种决策边界划分的困难限制了未知类别的有效拒绝。我们提出了一种结合频域特征增强与对比学习的高光谱图像开集分类方法。首先，我们构建了一个小波变换增强模型，将光谱特征分解为高频和低频分量，捕捉细微的光谱差异以实现精细化表示。其次，我们设计了一个多尺度特征融合ResNet，为卷积核分配先验重要性并使用加权卷积对其进行重新校准。这增强了模型捕捉细粒度空间特征的能力，并提高了类别边界的区分度。最后，我们将动态难样本挖掘与对比学习相结合。通过一种确保模型训练稳定性的渐进策略，我们实现了对困难边界样本的深度挖掘和准确识别，从而提高了未知类别分类的准确性。在Houston 2013、GF-5盐城和Salinas数据集上的实验结果表明，该方法分别实现了90.16%、97.24%和91.07%的总体分类准确率。这些结果优于主流开集方法，如DTCL和CACL，充分证明了该方法在开集分类任务中的有效性和优越性。
