Zur Bewältigung der Probleme des Verlusts lokaler Texturen und Kantendetails bei der Klassifikation hyperspektraler Bilder, der begrenzten Rezeptivfelder konvolutionaler Zweige und der unzureichenden Nutzung von überlagerten strukturellen Informationen im Graphzweig schlägt dieser Artikel ein gemeinsames Klassifikationsmodell aus Faltungs- und Graphfaltungsnetzwerken mit Hoch- und Niedrigfrequenzverstärkung sowie schichtübergreifender Graphfaltungsaggregation vor. Die Methode verbessert die Eingabemerkmalsqualität durch Hoch- und Niedrigfrequenzrestverstärkung, extrahiert mehrskalige räumlich-spektrale Merkmale mittels mehrstufiger dynamischer Faltungscodierung im Faltungszweig, stärkt die Modellierung regionaler Strukturen durch schichtübergreifende gewichtete Aggregation graphbasierter Merkmale im Graphzweig und ermöglicht kooperative Modellierung der beiden Merkmalsströme durch bereichsübergreifende Aufmerksamkeitsfusion. Experimente wurden auf drei öffentlich zugänglichen Datensätzen Indian Pines, Pavia University und Salinas durchgeführt, wobei die Gesamtklassifikationsgenauigkeit 92,94 %, 95,11 % bzw. 97,50 % erreicht wurde und die Kappa-Koeffizienten 91,94 %, 93,50 % bzw. 97,22 % betrugen. Die Ergebnisse zeigen, dass die vorgeschlagene Methode lokale Details, räumlichen Kontext und die topologische Struktur regionaler Bereiche berücksichtigt und somit in verschiedenen Typen hyperspektraler Klassifikationsszenarien gute Gesamtklassifikationsleistungen erzielt.

Hyperspektrale Bildklassifikation; räumlich-spektrale kombinierte Merkmale; Graph-Convolution-Netzwerk; Aufmerksamkeitsfusion