Pour répondre aux problèmes de perte des textures locales et des détails des bords dans la classification des images hyperspectrales, aux limites du champ réceptif de la branche convolutive et à l’utilisation insuffisante des informations structurelles intercalaires dans la branche graphique, cet article propose un modèle conjoint de classification convolution-graph avec renforcement des hautes et basses fréquences et agrégation de graphes intercalaires. Cette méthode améliore la qualité des caractéristiques d’entrée par un renforcement résiduel des hautes et basses fréquences, utilise un encodage convolutionnel dynamique multi-étapes dans la branche convolutionnelle pour extraire des caractéristiques spatiales-spectrales multi-échelles, applique une agrégation pondérée des caractéristiques graphiques intercalaires dans la branche graphique pour renforcer la modélisation de la structure régionale, et réalise une modélisation collaborative des deux flux via une fusion par attention croisée. Les expérimentations menées sur trois jeux de données publics (Indian Pines, Pavia University et Salinas) montrent 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 prend en compte les détails locaux, le contexte spatial et les informations topologiques régionales, offrant de bonnes performances de classification globales dans divers scénarios de classification hyperspectrale.

classification d’images hyperspectrales;caractéristiques spatiales-spectrales conjointes;réseau de convolution graph;fusion par attention