Zur Lösung des Ungleichgewichts zwischen lokalen und globalen Merkmalen in bestehenden Klassifikationsmethoden für hyperspektrale Bilder (Hyperspectral Image, HSI) wurde in dieser Arbeit ein Modell zur gaußschen Kreuzmerkmalsfusion entwickelt. Durch elementweise Multiplikation wird eine Interaktion zwischen verschiedenen Merkmalen realisiert, ein Algorithmus zur gaußschen Kreuzaufmerksamkeits-Merkmalsfusion wurde entworfen, der die innere Beziehung zwischen zwei Merkmalstypen basierend auf der Ähnlichkeit der Abbildungsvektoren analysiert, gaußsche Funktionen zur Quantifizierung der Fusionsgewichte verwendet und durch Optimierung wichtiger Parameter eine dynamische Gewichtung von lokalen und globalen Merkmalen erreicht, um ihre Balance in der Fusion sicherzustellen. Zur Validierung der Methode wurden Experimente an öffentlichen Datensätzen in vier typischen Anwendungsszenarien durchgeführt: Indian Pines (landwirtschaftliches Szenario), Pavia University (städtisches Szenario), Salinas (landwirtschaftliche Vegetation) und LongKou (heterogenes Mischszenario). Die experimentellen Ergebnisse wurden mit 11 führenden Methoden wie DCSST, SMESC und Vit-cov verglichen und mit der Gesamtgenauigkeit (Overall Accuracy, OA), der durchschnittlichen Genauigkeit (Average Accuracy, AA) und dem Kappa-Koeffizienten bewertet. Die Methode erzielte die besten Ergebnisse, was ihre Klassifikationsvorteile in Pflanzen-, künstlichen und heterogenen Szenarien sowie ihre gute Generalisierungsfähigkeit zeigt.

Hyperspektrale Bildklassifikation;Aufmerksamkeitsmechanismus;gaußsche Funktion;Merkmalextraktion;Merkmalsfusion