Um die räumlich-spektralen gemeinsamen Merkmale hyperspektraler Bilder zu extrahieren, schlägt dieser Artikel ein Hochspektralbild-Klassifikationsmodell vor, das auf einem verbesserten Residualnetz mit einem räumlichen Pyramidenausmerksamkeitsmechanismus basiert. Zunächst wird die Hauptkomponentenanalyse verwendet, um spektrale Redundanz zu entfernen; in Kombination mit dem räumlichen Pyramidenausmerksamkeitsmechanismus erhält das verbesserte Residualnetzfeinmerkmale des Hochspektralbildes. Anschließend ermöglicht das räumliche Pyramidenausmerksamkeitsmodell eine multiskalige gemeinsame Merkmalsaufmerksamkeit, verbessert die Empfindlichkeit gegenüber gemeinsamen Merkmalen und betont effektiv den Fokus auf räumliche und spektrale Informationen, um den Informationsaustausch zu realisieren. Schließlich werden Klassifikationslabels durch einen Softmax-Klassifikator erhalten. Die vorgeschlagene Methode wurde auf den Datensätzen MUUFL und Tento getestet; die Ergebnisse zeigen eine Gesamtkategorisierungsgenauigkeit von 94,08 % bzw. 98,32 %. Im Vergleich zu anderen Hochspektralklassifikationsmodellen konvergiert unser Modell schneller und erzielt eine deutliche Verbesserung der Klassifizierungsleistung mit höherer Genauigkeit bei der Geländeklassifikation.

Hyperspektral;Bildklassifikation;Aufmerksamkeitsmechanismus;räumlich-spektrale Merkmale