В связи с проблемами потери локальной текстуры и деталей границ в классификации гиперспектральных изображений, ограниченным полем зрения свёрточных ветвей и недостаточным использованием информации о межслойной структуре графа, в статье предлагается объединённая модель классификации на основе свёртки и графовых свёрточных сетей с усилением низких и высоких частот и межслойным графовым агрегированием. Метод повышает качество входных признаков за счёт усиления остатков низких и высоких частот, извлекает многомасштабные пространственно-спектральные признаки с помощью многоступенчатого динамического свёрточного кодирования в свёрточной ветви, усиливает моделирование региональной структуры с помощью межслойного взвешенного агрегирования графовых признаков в графовой ветви и реализует совместное моделирование двух потоков признаков с помощью внимания между ветвями. Эксперименты проводились на трёх общедоступных наборах данных Indian Pines, Pavia University и Salinas с общей точностью классификации 92,94%, 95,11% и 97,50% соответственно и коэффициентом Каппа 91,94%, 93,50% и 97,22%. Результаты показывают, что предложенный метод хорошо учитывает локальные детали, пространственный контекст и топологическую структуру регионов, обеспечивая комплексную классификационную производительность в различных сценариях гиперспектральной классификации.

классификация гиперспектральных изображений; пространственно-спектральные объединённые признаки; графовые свёрточные сети; внимание слияния