La clasificación de imágenes hiperespectrales generalmente asume que los datos de entrenamiento y prueba comparten las mismas clases y que no existen clases desconocidas en el conjunto de prueba, pero esta suposición es demasiado ideal en entornos reales. Debido a las pequeñas diferencias entre las clases de datos hiperespectrales y la fácil superposición de las distribuciones de características, lo que provoca problemas de confusión en los límites, se propuso un método de clasificación en conjunto abierto para imágenes hiperespectrales que combina aprendizaje contrastivo con DenseNet. Se utiliza un módulo de extracción de características espectrales para obtener características dimensionales espectrales originales, y DenseNet realiza la interacción de información de características multinivel, mientras que un módulo de transición comprime los canales espectrales para formar una distribución de límites de clase más clara. Las características de salida se mapean a un módulo de extracción de características espaciales para obtener características dimensionales espaciales, y ResNet ayuda a capturar características locales de la estructura espacial, mejorando la percepción de la información de estructura espacial. Se introduce el aprendizaje contrastivo para mejorar la agregación intraclase y la separabilidad entre clases, junto con un mecanismo de minería de muestras difíciles para optimizar características de límite fácilmente confundibles, mejorando la capacidad del modelo para discriminar muestras en áreas fronterizas. Finalmente, los experimentos en los conjuntos de datos Houston2013, Universidad de Pavía y WHU-Hi-LongKou muestran que el método propuesto obtuvo una mayor precisión en la clasificación de clases desconocidas de 68.81%, 69.24%, 59.26%, respectivamente, y precisiones generales de clasificación de 89.49%, 95.06%, 95.03%, logrando mejorar efectivamente la capacidad de reconocimiento de clases desconocidas mientras mantiene una alta precisión en clases conocidas.

imagen hiperespectral;conjunto abierto;DenseNet;aprendizaje contrastivo;minería de muestras difíciles