SE-Mamba：空间信息增强的高光谱图像分类方法

目的随着Mamba等前沿深度学习技术的发展，高光谱遥感影像分类研究取得快速进展。然而，当前基于Mamba的分类方法存在空间信息利用不足、空间-光谱特征融合不合理等问题，导致空间细节信息侵蚀与特征淹没。为此，本文聚焦空间视角下的高光谱图像特征表示这一核心任务，提出一种基于空间信息增强的高光谱图像分类方法（SE-Mamba），旨在通过强化空间特征表达、优化空谱融合，提升分类精度与效率，为高光谱图像分类提供有效的技术路径。方法SE-Mamba围绕空间信息的有效引入与合理融合构建，核心包含两方面设计：一是全流程空间信息增强机制，构建前端空间增强特征提取器（SEFE）与后端高阶特征细化模块（HFR），通过位置信息注入、多尺度空间卷积等策略，实现空间信息从浅层到深层的持续强化与保持；二是空间-光谱特征合理融合架构，设计包含空间-光谱融合模块（SSFM）的空间-光谱协同模块（SSCM），通过特征解耦双分支建模、“先校准后融合”及自适应权重分配，实现空间与光谱信息的深度互补融合，同时有效保留空间特征。结果在HanChuan、HongHu、Houston和PaviaU四个代表性数据集（涵盖农业、城市场景，贴合空间信息增强研究重点）上的实验结果表明，SE-Mamba在总体精度（OA）和平均精度（AA）上均达到最优，Kappa系数与最优方法相当；同时，其计算复杂度及参数量与主流方法持平，推理速度优于部分对比模型，在空间特征提取与空谱融合效率上表现突出，实现了分类精度与计算效率的良好平衡。消融实验验证了各核心模块对空间特征表示的重要支撑作用。结论实验结果表明，显式增强空间信息与状态空间建模相结合的策略能有效协同，缓解现有基于Mamba方法的空间信息侵蚀与特征淹没问题。该方法通过全流程空间特征强化、优化空谱融合方式，充分凸显了空间视角下特征表示的核心价值，使模型在复杂农业、城市场景及多类别高光谱数据集上保持稳定高效的分类性能，并具有良好的效率优势，为高光谱图像分类提供了有效的技术路径，也为基于状态空间模型的遥感图像处理研究提供了参考。可为后续泛化性优化、轻量化部署等延伸研究奠定坚实基础。本文相关数据集及代码已共享［DOI：10.57760/sciencedb.j00240.00182.］。