Cet article propose un modèle de classification conjoint convolution-graph basé sur le renforcement des hautes et basses fréquences et l’agrégation convolution-graph à travers les couches, pour traiter les problèmes de perte de détails locaux et d’arêtes dans la classification d’images hyperspectrales, la limitation du champ réceptif dans la branche convolutionnelle et l’insuffisance d’utilisation des informations structurelles multi-couches dans la branche graphique. La méthode améliore la qualité des caractéristiques d’entrée via un renforcement résiduel des hautes et basses fréquences, extrait des caractéristiques spatiales-spectrales multi-échelles grâce à un encodage convolutif dynamique multi-étapes dans la branche convolutionnelle, utilise une agrégation pondérée des caractéristiques graphiques inter-couches pour renforcer la modélisation de la structure régionale dans la branche graphique, et réalise une modélisation coopérative des deux chemins de caractéristiques par fusion par attention croisée. Les expériences sont menées sur trois ensembles de données publics Indian Pines, Pavia University et Salinas, avec des précisions globales respectivement de 92,94%, 95,11% et 97,50%, et des coefficients Kappa de 91,94%, 93,50% et 97,22%. Les résultats montrent que la méthode proposée équilibre les détails locaux, le contexte spatial et les informations topologiques régionales, offrant de bonnes performances de classification globales dans différents scénarios de classification hyperspectrale.

classification d'images hyperspectrales ; caractéristiques spatiales-spectrales conjointes ; réseaux de convolution graphiques ; fusion par attention