Para abordar los problemas de distribución desigual de datos de imágenes hiperespectrales, extracción insuficiente de características espectrales espaciales y degradación de la red con el aumento del número de capas, se propone un método de clasificación de imágenes hiperespectrales basado en una red convolucional híbrida multiescala. Primero, se utiliza el análisis de componentes principales para reducir la dimensionalidad de los datos hiperespectrales; luego, la extracción de vecindad considera los píxeles dentro del vecindario como una muestra, complementando la información espacial correspondiente; a continuación, la red convolucional híbrida multiescala extrae características de los datos de muestra preprocesados, y se agrega un mecanismo de atención híbrido para fortalecer la información útil en las dimensiones espaciales y espectrales; finalmente, se utiliza un clasificador Softmax para categorizar cada muestra de píxel. Los resultados experimentales muestran que el modelo propuesto fue probado en dos conjuntos de datos hiperespectrales Indian Pines y Pavia University, con precisiones generales de clasificación, precisiones promedio de clasificación y coeficientes Kappa que alcanzan 0.9879, 0.9833, 0.9862 y 0.9990, 0.9969, 0.9986 respectivamente. Este algoritmo puede extraer de manera más completa la información característica de las imágenes hiperespectrales y logra mejores efectos de clasificación en comparación con otros métodos.

imágenes hiperespectrales; red convolucional híbrida; características multiescala; mecanismo de atención