Para resolver los problemas del gran ruido en las imágenes hiperespectrales y el proceso de clasificación, así como la extracción insuficiente de información de características espectrales espaciales y el bajo rendimiento de clasificación con muestras limitadas, se propone un modelo de clasificación de imágenes hiperespectrales basado en el refuerzo de características espectrales de múltiples ramas, SSFE-MBACNN. Primero, se utiliza un módulo de extracción de características de múltiples ramas para extraer por separado las características espectrales superficiales y las características espaciales profundas, incorporando un mecanismo de atención para suprimir el ruido. En segundo lugar, se diseña un módulo mejorado de extracción y fusión de características espectrales multiescala y un módulo de refuerzo de características espaciales que combina doble pooling y convolución dilatada para lograr un refuerzo de las características espectrales, reducir la cantidad de parámetros del modelo y mejorar el rendimiento de clasificación. Finalmente, se reemplaza la capa completamente conectada por una capa de pooling promedio global para reducir aún más los parámetros y aliviar el problema del sobreajuste del modelo. Los resultados experimentales muestran que la precisión general de clasificación alcanzó 0.9907, 0.9975 y 0.9947 en los conjuntos de datos Indian Pines (10% de muestras de entrenamiento), Pavia University (5% de muestras de entrenamiento) y Salinas (1% de muestras de entrenamiento), respectivamente. SSFE-MBACNN no solo puede aprovechar plenamente la información de características espectrales espaciales, sino que también obtiene un excelente rendimiento de clasificación con muestras limitadas, superando claramente a otros métodos comparativos.

Clasificación de imágenes hiperespectrales;Refuerzo de características;Extracción de características de múltiples ramas;Mecanismo de atención;Características multiescala;Doble pooling;Convolución dilatada