In diesem Artikel wird ein kombiniertes Convolution-Graph-Convolution-Modell mit Hoch- und Niedrigfrequenzverstärkung und schichtübergreifender Graph-Convolution-Aggregation vorgeschlagen, um Probleme wie den Verlust lokaler Textur und Kantendetails bei der Klassifizierung hyperspektraler Bilder, die eingeschränkte rezeptive Feldgröße des Faltungszweigs und die unzureichende Nutzung schichtübergreifender Strukturinformationen im Graphzweig zu lösen. Die Methode verbessert die Eingangsmerkmale durch residuale Hoch- und Niedrigfrequenzverstärkung, extrahiert mehrskalige räumlich-spektrale Merkmale mittels mehrstufiger dynamischer Faltungscodierung im Faltungszweig, verwendet geschichtete gewichtete Graphmerkmalaggregation zur Verbesserung der regionalen Strukturmodellierung im Graphzweig und realisiert durch Zweigüberschreitende Aufmerksamkeitsfusion eine kooperative Modellierung der zwei Pfade. Experimente wurden an drei öffentlichen Datensätzen Indian Pines, Pavia University und Salinas durchgeführt, wobei die Gesamtklassifikationsgenauigkeiten 92,94 %, 95,11 % und 97,50 % und die Kappa-Koeffizienten 91,94 %, 93,50 % und 97,22 % betrugen. Die Ergebnisse zeigen, dass die vorgeschlagene Methode lokale Details, räumlichen Kontext und regionale topologische Strukturinformationen ausbalanciert und in verschiedenen hyperspektralen Klassifizierungsszenarien eine gute Gesamtklassifikationsleistung erzielt.

Hyperspektrale Bildklassifizierung; räumlich-spektrale gemeinsame Merkmale; Graph Convolution Networks; Aufmerksamkeitsfusion