Para resolver os problemas de grande interferência de ruído nas próprias imagens hiperespectrais e no processo de classificação, extração insuficiente de informações de características espectrais espaciais e desempenho insatisfatório de classificação com amostras limitadas, propõe-se um modelo de classificação de imagens hiperespectrais baseado no reforço das características espectrais multi-ramo, SSFE-MBACNN. Primeiro, utiliza-se um módulo de extração de características multi-ramo para extrair separadamente características espectrais rasas e características espaciais profundas, introduzindo um mecanismo de atenção para suprimir a interferência de ruído. Em seguida, é projetado um módulo aprimorado de extração e fusão de características espectrais multiescala e um módulo de reforço de características espaciais que combina dupla pooling e convolução dilatada para reforçar as características espectrais, reduzir o número de parâmetros do modelo e melhorar o desempenho da classificação. Por fim, a camada totalmente conectada é substituída por uma camada de pooling médio global para reduzir ainda mais os parâmetros e aliviar o problema de overfitting do modelo. Os resultados experimentais mostram que a precisão geral da classificação foi de 0,9907, 0,9975 e 0,9947 nos conjuntos de dados Indian Pines (10% amostras de treinamento), Pavia University (5% amostras de treinamento) e Salinas (1% amostras de treinamento), respectivamente. SSFE-MBACNN não apenas utiliza plenamente as informações das características espectrais espaciais, mas também alcança desempenho de classificação excelente com amostras limitadas, superando claramente outros métodos comparativos.

Classificação de imagens hiperespectrais;Reforço de características;Extração de características multi-ramo;Mecanismo de atenção;Características multiescala;Dupla pooling;Convolução dilatada