A classificação de imagens hiperespectrais geralmente pressupõe que os dados de treinamento e teste compartilham as mesmas classes, e que não existem classes desconhecidas no conjunto de teste, mas essa premissa é muito idealista nos ambientes reais. Devido às pequenas diferenças entre as classes de dados hiperespectrais e à possível sobreposição das distribuições de características, o que causa problemas de confusão nas fronteiras, foi proposto um método de classificação de conjunto aberto para imagens hiperespectrais que combina aprendizado contrastivo com DenseNet. Utiliza-se um módulo de extração de características espectrais para obter as características da dimensão espectral original, e o DenseNet realiza a interação de informações de características em múltiplos níveis, enquanto um módulo de transição comprime os canais espectrais para formar uma distribuição de fronteiras de classe mais clara. Os mapas de características de saída são mapeados para um módulo de extração de características espaciais para obter características da dimensão espacial, e com o auxílio do ResNet são capturadas características da estrutura espacial local, reforçando a percepção da informação da estrutura espacial. Introduz-se o aprendizado contrastivo para melhorar a coesão intra-classe e a separabilidade interclasse, combinado com um mecanismo de mineração de amostras difíceis para otimizar características de fronteira facilmente confundidas, melhorando a capacidade do modelo de discriminar amostras em áreas de fronteira. Por fim, os experimentos com os conjuntos de dados Houston2013, Pavia University e WHU-Hi-LongKou demonstram que o método proposto alcança maior precisão de classificação para classes desconhecidas, respectivamente 68,81%, 69,24% e 59,26%, e uma precisão geral de classificação de 89,49%, 95,06% e 95,03%, conseguindo melhorar efetivamente a capacidade de reconhecimento de classes desconhecidas enquanto mantém alta precisão para classes conhecidas.

imagem hiperespectral; conjunto aberto; DenseNet; aprendizado contrastivo; mineração de amostras difíceis