摘要
高光谱图像（Hyperspectral Image, HSI）分类中，基于卷积神经网络（Convolutional Neural Networks, CNN）的方法在当前文献中被广泛研究。现有方法包括支持向量机（SVM）、2D CNN、3D CNN以及3D-2D CNN等。然而，除3D-2D CNN和FuSENet外，其他方法未能同时充分考虑高光谱图像的光谱与空间特征，导致分类性能受限。3D CNN虽然能够建模光谱-空间联合特征，但计算开销大，难以广泛应用；而2D CNN仅关注空间特征，缺乏对多分辨率图像处理的建模能力。尽管3D-2D CNN试图联合建模光谱与空间特征，但在多个数据集上的表现仍显不足。本文提出一种新型网络结构——SpectralNET，其为一种基于小波变换的2D CNN变体，专为多分辨率高光谱图像分类设计。SpectralNET通过多层小波变换提取光谱特征，相较于3D CNN，小波变换的计算复杂度更低。提取出的光谱特征随后输入至2D CNN，以捕捉图像的空间结构信息，最终融合形成兼具空间与光谱特性的特征向量，用于分类任务。该架构在保持高效计算的同时，显著提升了对多分辨率高光谱数据的分类精度。在标准基准数据集（包括Indian Pines、University of Pavia和Salinas场景）上的实验结果表明，SpectralNET在分类性能上优于现有主流方法，展现出显著优势。相关代码已开源，可访问GitHub获取：https://github.com/tanmay-ty/SpectralNET。