A. 动态卷积

单静态卷积是传统 CNN 中常用的一种卷积操作，具有固定的卷积核，其主要优点是简单高效。然而，固定卷积的设计限制了模型的表达能力。

不同于传统的单静态卷积，动态卷积使用一组卷积核，并根据输入数据的特征动态调整每个核的权重。这是通过引入注意力机制实现的，该机制增强了模型提取和表达特征的能力。在处理不同类型的数据时，自适应权重分配提高了模型的准确性。Yang 等人 [39] 和 Chen 等人 [40] 根据 CondConv 和 DyConv 中提出的修改后的 SE 结构计算卷积核的注意力权重。例如，CondConv 使用 sigmoid 函数作为激活函数来计算注意力权重，而 DyConv 使用 softmax 函数。

B. ODConv

然而，上述动态卷积方法存在一些局限性。首先，注意力机制仅设计为考虑卷积核数量的维度，而忽略了卷积核的其他三维（空间大小、输入通道数和输出通道数）。这限制了动态卷积充分捕捉丰富上下文信息的能力。此外，将动态卷积应用于多个卷积层显著增加了模型的参数数量。

为了解决这些问题，Li 等人提出了一种新的动态卷积设计方法，称为全维动态卷积（ODConv）。ODConv 利用一种新颖的多维注意力机制，在卷积核空间的 4 维中学习四种类型的注意力权重。实验表明，这四种类型的注意力权重相互补充。逐步将这些四种类型的注意力权重应用于相应的卷积核，可以显著增强卷积操作的特征提取能力和模型。

ODConv 可以用作插件式设计，以替换许多 CNN 架构中发现的常规卷积层。与现有的动态卷积设计相比，ODConv 实现了更好的性能。此外，ODConv 在预训练分类模型上的性能提升也可以很好地迁移到下游任务，如目标检测，这验证了其良好的泛化能力。

A. 增强型光谱-空间下采样模型

该模型以 LrHSI X∈Rwh×C 和 HrMSI Y∈RWH×Cm 为输入。此时，光谱数量和 X、Y 的空间分辨率不同，因此我们设计了增强型光谱-空间降采样模型，将 X 和 Y 都转换为 LrMSI。

首先，HrMSI Y 经过空间下采样模块，该模块的物理意义是学习点扩散函数。该模块主要由 n×n SCFConv 组成（关于 SCFConv 的详细介绍，见 Section IV-C ）。输入和输出通道的数量为 Cm ，并保持图像通道数不变。步长参数也设置为 n，其中 n=W/w=H/h 代表 LrHSI 和 HrMSI 空间维度差异的倍数。

为了减少待融合图像之间的辐射差异，本文在空间下采样模块中添加了 GCE 模块。GCE 模块的一些卷积核是 SCFConv，并采用分组卷积，分组参数 group 设置为 Cm 。分组卷积将特征分为几个组，在每个组内独立进行卷积，然后将所有结果拼接在一起。分组卷积可以有效地减少模型的计算量和参数量，从而提高模型性能。

GCE 模块主要由三层组成，每层的输入通道、输出通道和组参数分别用 Cm 表示。第一层和第三层结构相同，卷积核大小为 1×1 ，无填充。第二层卷积核大小为 3×3 SCFConv，填充为 1。GCE 模块通过映射变换进一步优化下采样过程，以减少辐射差异并获得更精确的 LrMSI。

利用动态 CNN 强大的特征提取能力，我们可以得到 LrMSI Yl−1∈Rwh×Cm ，其空间维度为 (w,h) ，如下所示：

View Source\begin{equation*} \mathbf {Y}_{l}-1=\mathbf {P}'\mathbf {Y}. \tag {6}\end{equation*} 其中， P′∈Rwh×WH 是空间下采样模块和 GCE。

在另一方面，LrHSI X 经过光谱下采样模块。该模块的物理意义是学习 SRF。该模块主要由许多 1×1 卷积组成。 1×1 卷积的主要作用是减少输入图像的通道数。逐渐地，LrHSI 中的某些波段被下采样到一条波段。该模块的设计理念主要来源于 SRF，用于说明卫星传感器的光学特性，与卫星传感器的结构和材料等相关。它通常在发射前通过远程传感器的实验室光谱校准获得。

在经过光谱下采样模块后获得的 LrMSI Yl−2∈Rwh×Cm 。过程如下：

View Source\begin{equation*} \mathbf {Y}_{l}-2=\mathbf {XS}'. \tag {7}\end{equation*} 其中， S′∈RC×Cm 是光谱下采样模块。

上述为本文提出的增强型光谱-空间下采样模型的结构，采用 L1 -范数损失作为 LrMSI Y l−1 和 Y l−2 损失函数，以完成模型的训练如下：

View Source\begin{equation*} \text { Loss1}(\mathbf {Y}_{l}-1,\mathbf {Y}_{l}-2)=\frac {1}{whsC_{m}}\left \|{{\mathbf {Y}_{l}-1-\mathbf {Y}_{l}-2}}\right \|_{1}. \tag {8}\end{equation*}

 B. 频谱上采样

基于增强的时频降采样模型，获得了一组更精确的 LrMSI Y l−1 和 Y l−2 ，其 LrHSI X 和 HrMSI Y 覆盖的面积与输入相同，且模型参数也被学习。

在此阶段，LrMSI Yl−1∈Rwh×Cm 和 LrHSI X∈Rwh×C 的空间维度和分辨率相同，只是通道数不同。因此，本文设计了光谱上采样模块。该模块由多个 1×1 卷积核组成，核的数量由 Cm 和 C 决定。第一层卷积允许 Cm 升至 2Cm ，第二层卷积允许 2Cm 升至 4Cm ，依此类推，直到 LrMSI Y l−1 的通道数接近 C。卷积层的输出通道数设置为 C。通过这种方式逐渐增加通道数，从 Cm 通道学习参数到 C 通道，效果更好。

Y l−1 经过光谱上采样模块得到 X′∈Rwh×C ，并使用 L1 范数损失作为 X′ 和 X 损失函数来完成模型的训练。具体过程如下：

View Source\begin{align*} \mathbf {{X}'}& =\text {SpecUp}(\mathbf {Y}_{l}-1) \tag {9}\\ \text {Loss2}(\mathbf {{X}'},\mathbf {X})& =\frac {1}{whC}\left \|{{\mathbf {{X}'}-\mathbf {X}}}\right \|_{1} \tag {10}\end{align*} 其中 SpecUp 代表光谱上采样模块。

所提出的方法是一种基于待融合数据集的无监督深度学习融合模型。它分为两个阶段进行训练，采用不同的学习率和学习轮次。该方法自适应地学习增强的频谱-空间下采样模型和针对该数据集的频谱上采样模块。最后，将频谱上采样模块应用于 HrMSI Y∈RWH×Cm 作为输入，通过增加 Y-C 通道的数量获得所需的融合结果 HrHSI Z∈RWH×C 。具体过程如下：

View Source\begin{equation*} \mathbf {Z}=\text {SpecUp}(\mathbf {Y}). \tag {11}\end{equation*}

C. SCFConv

本文提出了一种基于 ODConv 的动态卷积核，称为 SCFConv。它采用 3D 注意力机制和并行策略。能够在核空间中学习卷积核在空间维度、通道维度和滤波器维度的互补注意力。在本文中，我们重新组织了动态卷积的结构，以实现多 GPU 上的训练。

一个常规卷积层仅由单个卷积核组成，用于从输入中提取特征。对于动态卷积，需要使用多个卷积核的线性组合。这些核通过注意力机制动态加权，使得卷积操作依赖于输入。动态卷积的定义可以表述如下：

View Source\begin{equation*} \boldsymbol {y}=(\boldsymbol {\alpha }_{w1} \boldsymbol {W}_{1} +\cdots +\boldsymbol {\alpha }_{wn} \boldsymbol {W}_{n})\cdot \boldsymbol {x} \tag {12}\end{equation*} 其中输入 x 的维度为 w×h×cin ，输出 y 的维度为 w×h×cout 。 W 是滤波器权重，一个卷积层由 cout 个滤波器组成， Wi 是第 i 个滤波器权重，其维度为 k×k×cin ， α 是注意力因子。

ODConv 使用与 SE 在注意力函数 πwi(x) 结构上相似的注意力模块。ODConv 采用多核分支来计算空间维度、输入通道、输出通道和多个卷积核之间的注意力。相反，虽然多核分支中的核数增加了模型的最终表示，但也极大地增加了模型的参数数量。当核数设置为 4 时，整个模型的参数数量接近原始数量的四倍，这降低了模型的速度。

我们通过使用类似于 ODConv 的分割头注意力结构来改进普通卷积核。用于计算 3-D 注意力因子 αwi 的 πwi(x) 结构如图 Fig. 3 所示。

 图 3

结构 πwi(x) 用于计算 3-D 注意力因子。

Show All

输入特征 x∈Rw×h×cin ，在空间维度上通过全局平均池化层，然后通过一个将 x 的通道数减少到原始 1/16 的 1×1 卷积层。接着，通过 ReLU 激活函数计算 SE 权重之前的特征 f∈R1×1×cin/16 。最后，计算出的 SE 权重在经过 1×1 卷积层和 sigmoid 激活函数后分为三个分支，以计算空间注意力因子 αsi∈R1×1×k 、通道注意力因子 αci∈R1×1×cin 和滤波器注意力因子 αfi∈R1×1×cout ，其中 k 表示普通卷积核的核大小， cin 表示输入通道数， cout 表示输出通道数。最终得到的注意力因子 α 与对应维度的卷积核进行 Hadamard 积。SCFConv 的结构如图 Fig. 4 所示。

 图 4

三维动态卷积核（SCFConv）。

Show All

对于轻量级网络模型，当其深度无法扩展时，可以通过替换现有的卷积操作为 SCFConv 来提升其性能。

 A. 实验设置

 2) 数据集：

为了验证所提模型的一般化，实验不仅在对 Ht18 模拟数据集上执行，还针对 ZY-1(02D)的两个视角的实际机载数据集进行。这样做是为了展示所提方法的有效性和优势。我们团队为面向分类应用验证生产了相应的高空间分辨率地面真实参考图像。

 a) Ht18：

本文的模拟实验基于 Houston2018 数据集，该数据集包含 48 个波段，覆盖 380 至 1050 nm 的波长范围，具有 1 m 的高空间分辨率。考虑到原始数据的大空间范围，本文使用大小为 240×240 的数据区域以方便处理。去除带有噪声的两个波段以模拟 HrHSI，称为 Ht18。Ht18 的维度为（240，240，46），并将其用作融合结果的参考图像。

为了进行实验，本文使用 Worldview 2 的 SRF 对 Ht18 进行光谱降采样，获得一个维度为（240，240，8）的 HrMSI。同时，应用高斯滤波并进行空间降采样操作。得到的低空间分辨率 LrHSI 维度为（48，48，46）。数据集如图 Fig. 5 所示。

 图 5

假设经过退化模块处理后的 Ht18 的 HrHSI、LrHSI 和 HrMSI。（a）HrHSI。（b）LrHSI。（c）HrMSI。

Show All

b) ZY-1(02D)

ZY-1(02D)卫星是中国的一颗遥感卫星，于 2019 年 12 月 7 日成功发射。该卫星携带高光谱载荷和多光谱载荷，能够在同一场景下获取高光谱和多光谱图像。高光谱载荷主要由一颗地球同步高光谱成像仪组成，能够获取高分辨率连续光谱遥感数据。该载荷可在 400 nm 至 2500 m 的波段范围内执行 LrHSI，包括 76 个可见光和红外波段以及 90 个短波红外波段，共计 166 个波段，空间分辨率为 30 m，宽度为 60 km。多光谱载荷主要由一个三条线阵列的多光谱相机组成，覆盖从 452 nm 至 1047 nm 的八个波段，与高光谱分辨率相比，具有更高的空间分辨率（10 m）和 115 km 的宽度。

对 ZY-1(02D)的两组原始数据进行了预处理，包括辐射定标、大气校正、对齐和裁剪。获得了两组数据，分别为辽宁-01（简称 LN01）和辽宁-02（简称 LN02），用于融合实验。我们还获得了相应的分类地面真值（10 米）（可在 https://drive.google.com/drive/folders/1JLCCB6ld5R49HDLN5SsMISx1d0fuqRjO 获取）。

LN01：如图 Fig. 6 所示，该区域位于辽宁省大连市金普新区西北部，坐标为 121∘50.49 E 和 39∘21.98 N。这些数据的 LrHSI 维度为（300，300，166），HrMSI 维度为（900，900，8）。该区域的土地覆盖类别包括水库、海水、沙土、断桥、荒草、裸土、公路、铁路、山地植被和耕地。

 图 6

LN01 和 LN02 数据集及相应的 10 米空间分辨率 GT。（a）LN01 高分辨率多光谱成像仪，（b）LN01 低分辨率高光谱成像仪，（c）LN01 10 米地面真值，（d）LN02 高分辨率多光谱成像仪，（e）LN02 低分辨率高光谱成像仪，和（f）LN02 10 米地面真值。

Show All

LN02：如图 Fig. 6 所示，该区域位于辽宁省盘锦市辽河入海口湿地，坐标为 121∘46.41 E 和 40∘56.17 N。这些数据的 LrHSI 维度为（512，512，144），HrMSI 维度为（1536，1536，8）。该区域的土地覆盖类别包括辽河、芦苇、稻田、碱蓬、潮间带泥滩、芦苇塘、建设用地、水产养殖池塘和工业用地。

 B. 比较方法

为了评估所提方法的有效性，本文选取了最先进的方法进行对比，使用相同的数据集。对比方法包括传统方法如 GSA [26] 、FUSE [42] 、CNMF [20] 和 IR-TenSR [43] 。近年来还发展了基于无监督深度学习的融合方法，如 SURE [44] 、SURE-ERGAS [45] 、UDALN [38] 、UMC2FF [46] 和 M2U-Net [47] 。同时，为了展示 GCE 模块在所提融合模型中的作用，本文在实验消融比较中从模型中移除了 GCE 模块。

C. 模拟数据的质量指标

为了全面比较不同融合方法的表现，本文采用六个指标来评估融合结果。这些指标包括光谱角映射器（SAM）、峰值信噪比（PSNR）、合成相对无量纲全局误差（ERGAS）、 Q2n 、均方根误差（RMSE）和结构相似性指数（SSIM）。

A 和 B 分别代表融合结果和参考图像，SAM 度量通常用于衡量融合结果的光谱与参考图像光谱之间的相似度，定义为

View Source\begin{equation*} \text { SAM}(A,B)=\frac {1}{M}\sum _{j=1}^{M} {\text {arcos}\frac {A_{j} \cdot B_{j}}{\parallel A_{j} \parallel 2\parallel B_{j} \parallel 2}} \tag {13}\end{equation*} ，其中 M 代表光谱的图像元素数量， ⋅ 表示两个向量的内积。SAM 越小，融合效果越好。

均方根误差（RMSE）是一个相对常见的评估指标，定义为

View Source\begin{equation*} \text { RMSE}(A,B)=\sqrt {\frac {\parallel A-B\parallel _{F}^{2}}{N}} \tag {14}\end{equation*} ，其中 N 代表图像元素的数量。

PSNR 用于评估融合图像的质量以及原始信息的保留程度，计算方法如下：

View Source\begin{equation*} \text { PSNR}(A,B)=20\log \frac {255}{\text {RMSE}(A,B)}. \tag {15}\end{equation*}

ERGAS 主要考虑融合图像的空间分辨率和光谱保真度之间的权衡，其计算如下：

View Source\begin{equation*} \text { ERGAS}(A,B)=\frac {100}{d}\sqrt {\frac {1}{S}\sum _{i=1}^{S} {\left ({{\frac {\text {RMSE}(A_{i},B_{i})}{\mu (B_{i})}}}\right)}^{2}} \tag {16}\end{equation*} 其中 d 是空间子采样因子， μ 表示图像均值。

SSIM 比较图像的结构、亮度和对比度等特征之间的相似性。它可以有效地评估融合图像与参考图像之间的差异程度。这是通过以下公式计算的：

View Source\begin{align*} \text { SSIM}\left ({{A,B}}\right)=\frac {1}{E}\sum _{i=1}^{E} {\frac {\left ({{2~\mu _{A}^{i}\mu _{B}^{i}}}\right)\left ({{2\sigma _{A}^{i}{}_{B}^{i}+C_{2}}}\right)}{\left ({{\mu ^{2}{}_{A}^{i}+\mu ^{2}{}_{B}^{i}+C_{1}}}\right)\left ({{\sigma ^{2}{}_{A}^{i} +\sigma ^{2}{}_{B}^{i}+C_{2}}}\right)}} \tag {17}\end{align*} 其中 E 表示图像波段数； μiA 和 μiB 分别代表 A 和 B 的平均值； σ2iA 和 σ2iB 分别代表 A 和 B 的方差； σiAiB 代表 A 和 B 之间的协方差； C1 和 C2 是两个常数。

Q2n 是一种利用超复数对 LrHSI 进行图像质量评估的指数，是 Q4 指数的扩展。它是通用图像质量指数（UIQI） [49] 的一种推广。UIQI 计算参考图像波段（x）与其对应的目标图像波段（y）之间的相似度，计算公式如下：

View Source\begin{equation*} Q(x,y)=\frac {4\sigma _{xy}\bar {x}\bar {y}}{(\sigma ^{2}_{x}+\sigma ^{2}_{y})(\bar {x}^{2}+\bar {y}^{2})'} \tag {18}\end{equation*} 其中 x¯ 和 y¯ 分别是 x 和 y 的均值； σ2x 和 σ2y 分别是 x 和 y 的方差； σxy 是 x 和 y 之间的协方差。

UIQI 可以被定义为

View Source\begin{equation*} Q(x,y)=\frac {\sigma _{xy}}{\sigma _{x}\sigma _{y}}\frac {2\bar {x}\bar {y}}{\bar {x}^{2}+\bar {y}^{2}} \frac {2\sigma _{x}\sigma _{y}}{\sigma ^{2}_{x}+\sigma ^{2}_{y}}. \tag {19}\end{equation*}

UIQI 测量单色图像的相关性、亮度失真和对比度失真，而 Q4 指数将每个像素向量建模为四元数以克服这一限制并考虑四通道图像的频谱失真。 Q2n 通过将每个像素频谱建模为超复数，特别是 2n-ons，扩展了 Q4 指数。2n-ons 的计算如下：

View Source\begin{equation*} \mathbf {x}_{j}=x_{j,0}+x_{j,1}i_{1}+x_{j,2}i_{2}+\cdots +x_{j,2}^{n-1}i_{2}^{n-1}. \tag {20}\end{equation*}

D. 真实数据的质量指标

对于实际在船数据，本文采用了一种面向应用的分类评估。具体来说，分类结果的评估指标是总体准确率（OA）和类别特定准确率（CA）；其中，OA 是分类器对所有类别的准确率，计算为正确分类样本数与总样本数的比率，具体公式如下：

View Source\begin{equation*} \text { OA}=\sum _{i=1}^{K} Y_{i}\bigg /\sum _{i=1}^{K} N_{i} \tag {21}\end{equation*} 其中 Yi 表示类别 i 正确分类的样本数， Ni 表示类别 i 中的总样本数，K 是类别总数。

CA 表示每个类别正确分类的准确性，具体可以表示为

View Source\begin{equation*} \text { CA}=Y_{i}/N_{i}. \tag {22}\end{equation*}

E. 模拟数据结果

由于模拟数据中存在参考图像，本文首先通过计算融合结果与 Ht18 验证结果之间的指标来比较融合方法。在 Ht18 数据集上，经典传统方法和最先进的无监督深度学习融合方法的评估指标结果在 Table I 中展示。其中，最佳结果被加粗以表明本文提出的模型在几乎所有指标上均取得了优异的结果。其中，Ours ∖ GCE 是本文提出的通过移除 GCE 模块来展示 GCE 模块作用的融合模型。从实验性能可以看出，添加了 GCE 模块的模型对 PSNR 指标有显著影响，而在 SAM 上的性能几乎相同。

表 I 不同方法融合方法在 Ht18 数据集上的定量评估及消融实验。最佳结果加粗显示

此外，本文使用相同的评估指标来评估增强的频谱-空间下采样模型。由于模拟数据的输入图像是人为退化的，LrMSI 的参考图像也可以以相同的方式进行进一步的人为退化。然后，该参考图像被用作验证来评估频谱-空间下采样模型的表现。具体的定量比较显示在 Table II 。我们的 ∖ GS 基于去除 GCE 并用普通静态卷积替换 SCFConv。通过替换卷积核为 SCFConv 而不修改模型，PSNR 提高了大约 3%。此外，添加 GCE 模块大大提高了频谱-空间下采样模型。这种改进主要归因于 GCE 模块进一步消除了要融合的图像之间的辐射差异，并实现了更好的退化效果。

表 II SCFConv 和 GCE 模块在光谱-空间下采样模型作用下的定量性能。最佳结果加粗显示

为了提供可视化和定性的比较， Fig. 7 展示了在 Ht18 数据集上通过不同融合方法获得的融合结果的地面真实（GT）和真彩色图像。第一行和第三行分别显示了 GT 和真彩色图像，而第二行和第四行分别显示了每个结果的 GT 和残差图。很明显，本文提出的方法与 GT 残差图非常接近，证明了空间和光谱细节的最佳恢复以及良好的融合性能。

Fig. 7.

First and third rows show the true color fusion results of the Ht18 dataset under different methods. The second and fourth rows show the residuals corresponding to each fusion result. (a) GT, (b) GSA, (c) FUSE, (d) CNMF, (e) SURE, (f) IR-TenSR, (g) SURE-ERGAS, (h) UDALN, (i) UMC2FF, (j) M2U-Net, (k) UDS²-C2∖ GCE, and (l) UDS²C².

Show All

F. Results on the Real Data

Figs. 8 and 9 show the results of the HrHSI obtained using the fusion proposed method for LN01 and LN02, respectively. The fusion results are basically the same color as the input data, indicating that no spectral distortion occurs in the results. The spatial texture features also maintain a good effect. In order to evaluate the model’s performance more intuitively, we compared the spectra of typical features in the fusion results of LN01 and LN02 with their corresponding LrHSI. The line graph shows that the spectral curves of the features in the two images are largely similar, suggesting that the proposed method achieves a better spectral reconstruction effect.

Fig. 8.

LN01 fusion results and spectral comparison with LrHSI. (a) LN01 fusion result (HrHSI), (b) LN01 LrHSI typic feature spectra, and (c) LN01 HrHSI typic feature spectra.

Show All

Fig. 9.

LN02 fusion results and spectral comparison with LrHSI. (a) LN02 fusion result (HrHSI), (b) LN02 LrHSI typic feature spectra, and (c) LN02 HrHSI typic feature spectra.

Show All

In order to quantitatively evaluate the performance of different fusion methods on real data, this article applies the traditional method FUSE and the unsupervised methods UDALN and UDS²C² to the real data LN01 and LN02 to obtain the corresponding fusion results. In this article, the two sets of real data and their fusion results are compared and analyzed using the deep learning-based classification method 3DCNN [50] and the traditional classification method random forest [51], respectively. In addition, the reference classification GT for LrHSI is obtained by downsampling the high spatial resolution GT.

根据 LN01 和 LN02 数据集样本大小的特点，分别选取了 LN01 相关数据和 LN02 相关数据的 5%和 0.5%作为实验的训练样本。最终，得到整个图的对应分类结果图和分类准确率，如图 Figs. 10 和 11 ，以及 Tables III 和 IV 所示。

表 III LN01 数据集在 3DCNN 下不同比较数据的定量分类性能

表 IV LN02 数据集在随机森林下不同比较数据的定量分类性能

 图 10

10-和 30 米空间分辨率 LN01 GT，LN01 融合 HrHSI、LrHSI 和 HrMSI 在 3DCNN 下的分类结果。（a）HrMSI（88.68%），（b）HrHSI(FUSE)（92.69%），（c）HrHSI(UDALN)（93.13%），（d）HrHSI(UDS ² C ² )（93.72%），（e）LrHSI（89.78%），（f）类别信息。

Show All

 图 11。

10-和 30 米空间分辨率 LN02 GT，LN02 融合 HrHSI、LrHSI 和 HrMSI 在随机森林下的分类结果。（a）HrMSI（96.27%），（b）HrHSI(FUSE)（96.71%），（c）HrHSI(UDALN)（96.91%），（d）HrHSI(UDS ² C ² )（97.56%），（e）LrHSI（96.37%），（f）类别信息。

Show All

对于 LN01 数据集，以下条件成立。

1. 
   LN01 LrHSI 和 HrMSI 实现了令人满意的分类性能，证明了我们团队产生的数据集和 GT 的可行性。

2. 
   然而，LrHSI 的分类结果图由于空间分辨率低而模糊，而 HrMSI 的分类精度由于光谱信息不足而低于其他融合结果。

3. 
   通过比较不同的融合结果，所提出的方法在整体准确率上取得了优势，尤其是在荒草、高速公路、铁路和山地植被等类别上，这证明了该方法在真实数据上的有效性。

对于 LN02 数据集，与 LN01 数据集的分类结果相似，所提出的方法在整体准确率上具有优势，尤其是在辽河、芦苇、稻田和芦苇塘等类别上。此外，如图 Fig. 11 所示，对每个分类图的局部放大显示，UDS ² C ² （HrHSI）的分类结果与实际特征分布更为一致。