Pour résoudre les problèmes de perte des textures locales et des détails des bords dans la classification des images hyperspectrales, la limitation du champ réceptif des branches convolutionnelles et l'utilisation insuffisante des informations structurées inter-couches dans la branche graphique, cet article propose un modèle de classification combiné convolution-graph convolutif avec renforcement des hautes et basses fréquences et agrégation graph convolutive inter-couches. Cette méthode améliore la qualité des caractéristiques d'entrée en renforçant les résidus basse et haute fréquence, extrait des caractéristiques spatiales-spectrales multi-échelles via un encodage convolutif dynamique multi-étapes dans la branche convolutionnelle, utilise une agrégation pondérée des caractéristiques graphiques inter-couches dans la branche graphique pour renforcer la modélisation des structures régionales, et réalise une modélisation conjointe des deux voies par fusion attentive inter-branches. Les expériences menées sur trois ensembles de données publics Indian Pines, Pavia University et Salinas ont montré des précisions globales de classification de 92,94 %, 95,11 % et 97,50 % respectivement, avec des coefficients Kappa correspondants de 91,94 %, 93,50 % et 97,22 %. Les résultats démontrent que la méthode proposée équilibre les détails locaux, le contexte spatial et les informations de structure topologique régionale, offrant une performance de classification globale satisfaisante dans divers scénarios de classification hyperspectrale.

classification d’images hyperspectrales; caractéristiques spatiales-spectrales conjointes; réseau de convolution graphique; fusion attentive