Para extração de características e classificação de objetos em imagens hiperespectrais, foi proposto um método de extração de características baseado em derivadas fracionárias. Uma máscara de derivada fracionária bidimensional foi projetada para extrair características fracionárias espaciais (SpaFD) dos pixels das imagens hiperespectrais, e foi proposto um critério conjunto espaço-espectral para selecionar a ordem da máscara diferencial. Para aproveitar ao máximo as características espaciais e espectrais das imagens hiperespectrais, as características SpaFD foram diretamente fusionadas com as características originais para obter características híbridas SpaFD-Spe-Spa. A eficácia das características híbridas SpaFD-Spe-Spa foi validada utilizando redes neurais convolucionais tridimensionais (3DCNN), primeiramente realizando análise de componentes principais (PCA) para redução dimensional do espectro dos pixels antes da entrada na 3DCNN_PCA, e também utilizando a rede espectral híbrida (HybridSN). Nos experimentos, máscaras de derivada fracionária de 3×3, 5×5 e 7×7 foram usadas para extração de características espaciais. Os resultados experimentais em 4 imagens hiperespectrais reais mostraram que as características SpaFD e SpaFD-Spe-Spa extraídas podem melhorar efetivamente a precisão da classificação de objetos em imagens hiperespectrais, sendo a melhora da precisão com as características SpaFD-Spe-Spa mais evidente: em comparação com as características originais, as taxas de reconhecimento classificatório nos conjuntos de dados Indian Pines, Botswana, Pavia University e Salinas melhoraram, no melhor cenário, em 3,87%, 1,42%, 2,41% e 2,87%, respectivamente, para as características SpaFD; para as características SpaFD-Spe-Spa, as melhorias foram de 3,90%, 5,62%, 3,35% e 5,18%, respectivamente.

Classificação de imagens hiperespectrais; derivadas fracionárias; extração de características; redes neurais convolucionais