区别于传统遥感影像，高光谱图像在包含地物分布等空间信息的同时还能够提供丰富的光谱信息。这一特点使得高光谱图像能够更好的反应不同地物之间的特征差异，为地物分类任务提供更好的数据支撑。故而高光谱图像分类任务成为了高光谱图像应用领域的一大研究热点。通过利用高光谱图像中丰富的空谱信息，高光谱图像分类任务将高光谱图像中的每个像素进行分类，从而精确识别高光谱图像中的地物分布情况。现有高光谱图像分类方法面临两大挑战：其一是地物分布复杂，即图像中各类地物分布形状复杂多样，在欧氏空间中缺乏规律；其二是光谱信息冗余，即大量光谱信息不仅无法帮助分类工作反而还对其造成干扰。

针对上述挑战，本文提出了一种多尺度分割引导的融合网络，通过挖掘高光谱图像中潜在的欧式与非欧式空间信息来提升模型精度。该方法包含两大创新操作：多尺度分割操作将高光谱图像分割成不同尺寸不同形状的块，并利用块中的信息构建不同特点的非欧式空间，充分挖掘图像中潜在的非欧式空间信息；特征处理与融合操作将不同块中提取的特征用不同的方法进行处理，并进行最后的融合分类，减少了特征中的冗余和错误，解决了不同特征融合困难的问题。实验表明，该方法在Indian Pines、Pavia University、 Houston University 2013和Liao Ning 01数据集上显著优于现有技术，验证了所提方法的有效性。

本文的原创性体现在理论框架与方法设计的双重创新。首次将多尺度分割操作引入高光谱图像分类任务，充分挖掘高光谱图像中潜在的欧式与非欧式空间信息；提出的特征处理与融合操作，通过自适应学习的方法消除特征中的冗余错误，并有效融合差异巨大的不同特征。本文为地物分布复杂状况下的高光谱图像分类模型性能提升提供了可解释、可验证的解决方案，对城市、乡村等地物分布复杂程度高的场景具有重要应用价值。

（第一作者：高红民为河海大学计算机与软件学院教授、博士生导师；第二作者：盛润华为河海大学计算机科学与技术专业硕士毕业生，现于武汉大学测绘遥感信息工程全国重点实验室攻读博士学位）

 原文题目为：“Multiscale Segmentation-Guided Fusion Network for Hyperspectral Image Classification”，于2025年9月发表在IEEE Transactions on Image Processing (TIP)上，DOI：10.1109/TIP.2025.3611146。TIP属于中国计算机学会（CCF）推荐A类期刊，中科院计算机科学1区TOP期刊，是图像处理与计算机视觉领域国际顶级期刊之一。该期刊研究方向聚焦图像与视频处理、分析、增强、压缩及相关算法，涵盖深度学习、图像分割、目标检测、图像重建及3D视觉等。