Para abordar problemas como la pérdida de texturas locales y detalles de bordes en la clasificación de imágenes hiperespectrales, la limitación del campo receptivo en la rama convolucional y el uso insuficiente de la información estructural cruzada en la rama gráfica, este artículo propone un modelo combinado de clasificación convolucional-gráfica con realce de frecuencias altas y bajas y agregación convolucional gráfica transversal. Este método mejora la calidad de las características de entrada mediante el realce residual de frecuencias altas y bajas, utiliza una codificación convolucional dinámica multinivel para extraer características espacio-espectrales multiescala en la rama convolucional, aplica una agregación ponderada de características gráficas intercapas para fortalecer la capacidad de modelado estructural regional en la rama gráfica, y consigue un modelado colaborativo de dos vías a través de fusión de atención cruzada. Los experimentos llevados a cabo en tres conjuntos de datos públicos: Indian Pines, Pavia University y Salinas, alcanzaron precisiones globales de clasificación del 92,94%, 95,11% y 97,50%, con coeficientes Kappa correspondientes del 91,94%, 93,50% y 97,22%. Los resultados indican que el método propuesto equilibra detalles locales, contexto espacial e información topológica regional, mostrando un buen desempeño general en diferentes escenarios de clasificación hiperespectral.

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