Для решения проблем неравномерного распределения данных гиперспектральных изображений, недостаточного извлечения пространственно-спектральных признаков и деградации сети с увеличением числа слоев, предложен метод классификации гиперспектральных изображений на основе многомасштабной смешанной сверточной сети. Сначала используется метод главных компонент для снижения размерности гиперспектральных данных; затем методом выделения соседства пиксели в окрестности рассматриваются как один образец, что дополняет пространственную информацию; затем многомасштабная смешанная сверточная сеть извлекает признаки из предварительно обработанных образцов, а смешанный механизм внимания усиливает полезную информацию в пространственном и спектральном измерениях; наконец, классификатор Softmax осуществляет классификацию каждого пиксельного образца. Экспериментальные результаты показывают, что предложенная модель протестирована на двух гиперспектральных наборах данных Indian Pines и Pavia University, при этом общая точность классификации, средняя точность классификации и коэффициент Каппа равны 0.9879, 0.9833, 0.9862 и 0.9990, 0.9969, 0.9986 соответственно. Этот алгоритм позволяет более полно извлекать характеристики гиперспектральных изображений и достигает лучших результатов классификации по сравнению с другими методами.

гиперспектральные изображения; смешанная сверточная сеть; многомасштабные признаки; механизм внимания