Für die Merkmalsextraktion und Objektklassifikation in hyperspektralen Fernerkundungsbildern wird eine Methode zur Merkmalsextraktion basierend auf fraktionalen Ableitungen vorgeschlagen. Es wurde eine zweidimensionale Maske fraktionaler Ableitungen entworfen, um räumliche fraktionale Ableitungsmerkmale (SpaFD) von Pixeln hyperspektraler Bilder zu extrahieren, und ein gemeinsames spektral-räumliches Kriterium zur Auswahl der Ableitungsordnungsmaske vorgeschlagen. Um die räumlichen und spektralen Merkmale hyperspektraler Bilder voll auszunutzen, werden SpaFD-Merkmale direkt mit den Originalmerkmalen fusioniert, um SpaFD-Spe-Spa-Mischmerkmale zu erhalten. Die Wirksamkeit der SpaFD-Spe-Spa-Mischmerkmale wurde mit 3D-Convolutional Neural Networks (3DCNN), einer zuerst mit Hauptkomponentenanalyse (PCA) zur Dimensionsreduktion der Pixelspektren durchgeführten Vorverarbeitung vor Eingabe in 3DCNN_PCA sowie mit hybriden spektralen Netzwerken (HybridSN) validiert. In den Experimenten wurden fraktionale Ableitungsmasken der Größen 3×3, 5×5 und 7×7 zur räumlichen Merkmalsextraktion verwendet. Die Ergebnisse auf vier realen hyperspektralen Bildern zeigen, dass die extrahierten SpaFD- und SpaFD-Spe-Spa-Merkmale die Genauigkeit der Objekterkennung in hyperspektralen Bildern effektiv verbessern können, wobei die Verbesserung der Klassifizierungsgenauigkeit mit SpaFD-Spe-Spa-Merkmalen deutlicher ist: Im Vergleich zu den Originalmerkmalen verbesserten sich die Klassifikationserkennungsraten bei den Datensätzen Indian Pines, Botswana, Pavia University und Salinas unter optimalen Bedingungen mit SpaFD-Merkmalen um 3,87 %, 1,42 %, 2,41 % bzw. 2,87 %; mit SpaFD-Spe-Spa-Merkmalen betrugen die Verbesserungen 3,90 %, 5,62 %, 3,35 % und 5,18 %.

Hyperspektrale Bildklassifikation; fraktionale Ableitungen; Merkmalsextraktion; Convolutional Neural Networks