Pour traiter les problèmes de distribution inégale des données d'images hyperspectrales, d'extraction insuffisante des caractéristiques spatiales et spectrales, ainsi que de dégradation du réseau avec l'augmentation du nombre de couches, une méthode de classification des images hyperspectrales basée sur un réseau de convolution mixte multi-échelle est proposée. Tout d'abord, l'analyse en composantes principales est utilisée pour réduire la dimensionnalité des données hyperspectrales ; ensuite, l'extraction de voisinage considère les pixels dans le voisinage comme un échantillon, complétant ainsi les informations spatiales correspondantes ; puis, le réseau de convolution mixte multi-échelle extrait les caractéristiques des données d'échantillon prétraitées, avec l'ajout d'un mécanisme d'attention mixte pour renforcer les informations utiles dans les dimensions spatiale et spectrale ; enfin, un classificateur Softmax est utilisé pour classer chaque échantillon de pixel. Les résultats expérimentaux montrent que le modèle proposé a été testé sur deux ensembles de données hyperspectrales, Indian Pines et Pavia University, avec une précision globale de classification, une précision moyenne de classification et un coefficient Kappa atteignant respectivement 0,9879, 0,9833, 0,9862 et 0,9990, 0,9969, 0,9986. Cet algorithme peut extraire plus pleinement les informations caractéristiques des images hyperspectrales et obtient de meilleurs résultats de classification par rapport à d'autres méthodes.

images hyperspectrales; réseau de convolution mixte; caractéristiques multi-échelle; mécanisme d'attention