Para abordar los problemas de pérdida de texturas locales y detalles de bordes en la clasificación de imágenes hiperespectrales, el campo receptivo limitado de la rama convolucional y el uso insuficiente de la información estructural entre capas en la rama gráfica, este artículo propone un modelo de clasificación conjunto de convolución y convolución gráfica con mejora de frecuencias altas y bajas y agregación convolutiva gráfica entre capas. Este método mejora la calidad de las características de entrada mediante el refuerzo residual de frecuencias altas y bajas, extrae características espaciales-espectrales multiescala utilizando codificación convolucional dinámica en múltiples etapas en la rama convolucional, utiliza agregación ponderada de características gráficas entre capas en la rama gráfica para mejorar la capacidad de modelado estructural regional, y logra una modelación colaborativa de las dos vías mediante fusión de atención cruzada entre ramas. Los experimentos se realizaron en tres conjuntos de datos públicos Indian Pines, Pavia University y Salinas, alcanzando precisiones de clasificación global de 92.94%, 95.11% y 97.50% respetivamente, con coeficientes Kappa correspondientes de 91.94%, 93.50% y 97.22%. Los resultados muestran que el método propuesto equilibra los detalles locales, el contexto espacial y la información de estructura topológica regional, logrando un buen rendimiento combinado de clasificación en diferentes escenarios de clasificación hiperespectral.

clasificación de imágenes hiperespectrales; características conjuntas espacio-espectrales; red convolutiva gráfica; fusión de atención