Este artigo propõe um modelo de classificação conjunto convolucional-grafo com realce de frequências altas e baixas e agregação de convolução em grafo entre camadas, para resolver problemas de perda de texturas locais e detalhes de borda na classificação de imagens hiperespectrais, limitação do campo receptivo na ramificação convolucional e uso insuficiente de informações estruturais entre camadas na ramificação gráfica. O método melhora a qualidade das características de entrada por meio de reforço residual de frequências altas e baixas, extrai características espaço-espectrais multiescala usando codificação convolucional dinâmica em múltiplas etapas na ramificação convolucional, adota agregação ponderada de características em grafo entre camadas para fortalecer a capacidade de modelagem estrutural regional na ramificação gráfica, e realiza modelagem cooperativa dos dois caminhos de características por meio da fusão de atenção cruzada. Os experimentos foram conduzidos em três conjuntos de dados públicos Indian Pines, Pavia University e Salinas, com precisões gerais de classificação de 92,94%, 95,11% e 97,50%, e coeficientes Kappa de 91,94%, 93,50% e 97,22%, respectivamente. Os resultados indicam que o método proposto equilibra detalhes locais, contexto espacial e informações topológicas regionais, apresentando bom desempenho geral de classificação em diferentes cenários de classificação hiperespectral.

classificação de imagens hiperespectrais; características espaço-espectrais conjuntas; redes convolucionais em grafos; fusão por atenção