Para la extracción de características y clasificación de objetos en imágenes hiperespectrales, se propone un método de extracción de características basado en derivadas fraccionales. Se diseñó una máscara de derivada fraccional bidimensional para extraer características espaciales de derivados fraccionales (SpaFD) de los píxeles en imágenes hiperespectrales y se propuso un criterio conjunto espacial-espectral para seleccionar el orden de la máscara diferencial. Para aprovechar completamente las características espaciales y espectrales de las imágenes hiperespectrales, las características SpaFD se fusionaron directamente con las características originales para obtener características híbridas SpaFD-Spe-Spa. La efectividad de las características híbridas SpaFD-Spe-Spa se validó utilizando redes neuronales convolucionales tridimensionales (3DCNN), reduciendo primero la dimensionalidad espectral de los píxeles mediante análisis de componentes principales (PCA) antes de su ingreso a 3DCNN_PCA, así como mediante la red espectral híbrida (HybridSN). En los experimentos, se utilizaron máscaras de derivada fraccional de 3×3, 5×5 y 7×7 para extraer características espaciales. Los resultados experimentales en 4 imágenes hiperespectrales reales muestran que las características SpaFD y SpaFD-Spe-Spa extraídas pueden mejorar eficazmente la precisión de clasificación de objetos en imágenes hiperespectrales, siendo la mejora de precisión de clasificación con características SpaFD-Spe-Spa más evidente: en comparación con las características originales, las tasas de reconocimiento clasificatorio en los conjuntos de datos Indian Pines, Botswana, Pavia University y Salinas mejoraron en las mejores condiciones en un 3,87 %, 1,42 %, 2,41 % y 2,87 % respectivamente con características SpaFD; con características SpaFD-Spe-Spa, las mejoras fueron del 3,90 %, 5,62 %, 3,35 % y 5,18 % respectivamente.

Clasificación de imágenes hiperespectrales; derivadas fraccionales; extracción de características; redes neuronales convolucionales