Pour résoudre les problèmes liés au fort bruit dans les images hyperspectrales et le processus de classification, ainsi que l'extraction insuffisante des caractéristiques spatiales-spectrales et la mauvaise performance de classification avec un nombre limité d'échantillons, un modèle de classification d'images hyperspectrales basé sur le renforcement des caractéristiques spectrales multi-branches, SSFE-MBACNN, est proposé. Tout d'abord, un module d'extraction de caractéristiques multi-branches est utilisé pour extraire séparément les caractéristiques spectrales superficielles et les caractéristiques spatiales profondes, avec l'introduction d'un mécanisme d'attention pour supprimer le bruit. Ensuite, un module amélioré d'extraction et fusion de caractéristiques spectrales multi-échelles ainsi qu'un module d'amélioration des caractéristiques spatiales combinant double pooling et convolution dilatée sont conçus pour renforcer les caractéristiques spectrales, réduire le nombre de paramètres du modèle et améliorer les performances de classification. Enfin, la couche entièrement connectée est remplacée par une couche de pooling moyen global pour réduire davantage le nombre de paramètres et atténuer le sur-apprentissage. Les résultats expérimentaux montrent que les précisions globales de classification atteignent respectivement 0,9907, 0,9975 et 0,9947 sur les ensembles de données Indian Pines (10% d'échantillons d'entraînement), Pavia University (5% d'échantillons d'entraînement) et Salinas (1% d'échantillons d'entraînement). SSFE-MBACNN exploite pleinement les informations caractéristiques spectrales spatiales et obtient d'excellentes performances de classification avec un nombre limité d'échantillons, surpassant nettement d'autres méthodes comparatives.

Classification d'images hyperspectrales;Renforcement des caractéristiques;Extraction multi-branches;Mécanisme d'attention;Caractéristiques multi-échelles;Double pooling;Convolution dilatée