Este artículo propone un modelo de clasificación híbrido convolucional-grafos con realce de frecuencias altas y bajas y agregación gráfica a través de capas para resolver problemas de pérdida de detalles locales y bordes en la clasificación de imágenes hiperespectrales, limitación del campo receptivo en la rama convolucional y el uso insuficiente de información estructural entre capas en la rama gráfica. El método mejora la calidad de las características de entrada mediante un refuerzo residual de altas y bajas frecuencias, extrae características espaciales-espectrales multiescala mediante codificación convolucional dinámica en múltiples etapas en la rama convolucional, utiliza la agregación ponderada de características gráficas a través de capas para mejorar la capacidad de modelado de estructuras regionales en la rama gráfica y realiza un modelado colaborativo de las dos vías mediante fusión de atención cruzada. Los experimentos se realizaron en tres conjuntos de datos públicos Indian Pines, Pavia University y Salinas, con una precisión general de clasificación de 92,94%, 95,11% y 97,50%, y coeficientes Kappa de 91,94%, 93,50% y 97,22% respectivamente. Los resultados muestran que el método propuesto equilibra detalles locales, contexto espacial e información topológica regional, proporcionando un buen rendimiento de clasificación integral en diferentes escenarios de clasificación hiperespectral.

clasificación de imágenes hiperespectrales; características espaciales-espectrales conjuntas; redes convolucionales gráficas; fusión de atención