Zur Behandlung von Problemen ungleichmäßiger Verteilung hyperspektraler Bilddaten, unzureichender Extraktion räumlicher und spektraler Merkmale sowie Netzdegradation mit zunehmender Netzwerktiefe wird eine hyperspektrale Bildklassifizierungsmethode basierend auf einem multiskaligen hybriden Faltungsnetzwerk vorgeschlagen. Zunächst wird die Hauptkomponentenanalyse zur Dimensionsreduktion hyperspektraler Daten verwendet; anschließend werden durch Nachbarschaftsextraktion Pixel in der Nachbarschaft als eine Probe betrachtet, um entsprechende räumliche Informationen zu ergänzen; dann extrahiert das multiskalige hybride Faltungsnetzwerk Merkmale aus den vorverarbeiteten Proben und integriert einen hybriden Aufmerksamkeitsmechanismus, um nützliche Informationen in den räumlichen und spektralen Dimensionen zu verstärken; schließlich wird ein Softmax-Klassifikator zur Klassifizierung jeder Pixelprobe verwendet. Experimentelle Ergebnisse zeigen, dass das vorgeschlagene Modell an zwei hyperspektralen Datensätzen Indian Pines und Pavia University getestet wurde, wobei die Gesamtklassifikationsgenauigkeit, durchschnittliche Klassifikationsgenauigkeit und Kappa-Koeffizient jeweils 0,9879, 0,9833, 0,9862 und 0,9990, 0,9969, 0,9986 erreichen. Dieser Algorithmus ermöglicht eine umfassendere Extraktion der Merkmalsinformationen hyperspektraler Bilder und erzielt im Vergleich zu anderen Klassifizierungsmethoden bessere Klassifikationsergebnisse.

hyperspektrale Bilder; hybrides Faltungsnetzwerk; multiskalige Merkmale; Aufmerksamkeitsmechanismus