Um Probleme wie den Verlust lokaler Texturen und Randdetails bei der hyperspektralen Bildklassifikation, die Beschränkung des Empfangsfelds des Faltungszweigs und die unzureichende Nutzung informationen der überlagernden Schichtstruktur des Graphzweigs zu adressieren, wird in diesem Artikel ein gemeinsames Faltungs-Graphkonvolutions-Klassifikationsmodell mit Hoch- und Niederfrequenzverstärkung und überlagernder Graphkonvolutionsaggregation vorgeschlagen. Die Methode verbessert die Eingabemerkmalsqualität durch Hoch- und Niederfrequenz-Residuumsverstärkung, nutzt mehrstufige dynamische Faltungscodierung zur Extraktion multiskaliger räumlich-spektraler Merkmale im Faltungszweig, verwendet gewichtete Aggregation überlagender Graphmerkmale im Graphzweig zur Verbesserung der regionalen Strukturmodellierungsfähigkeit und erreicht durch Cross-Branch-Aufmerksamkeitsfusion die kooperative Modellierung der beiden Merkmalsströme. Experimente wurden auf drei öffentlichen Datensätzen (Indian Pines, Pavia University und Salinas) durchgeführt, wobei Gesamtklassifikationsgenauigkeiten von 92,94 %, 95,11 % bzw. 97,50 % und entsprechende Kappa-Koeffizienten von 91,94 %, 93,50 % bzw. 97,22 % erzielt wurden. Die Ergebnisse zeigen, dass die vorgeschlagene Methode lokale Details, räumlichen Kontext und regionale topologische Strukturinformationen berücksichtigt und eine gute Gesamtklassifikationsleistung in verschiedenen hyperspektralen Klassifikationsszenarien bietet.

Hyperspektrale Bildklassifikation;räumlich-spektrale gemeinsame Merkmale;Graphkonvolutionsnetzwerk;Aufmerksamkeitsfusion