Pour résoudre le problème de déséquilibre entre les caractéristiques locales et globales dans les méthodes existantes de classification des images hyperspectrales (Hyperspectral Image, HSI), cet article construit un modèle de fusion de caractéristiques croisées gaussiennes. Grâce à une opération de multiplication élément par élément, une connexion interactive entre différentes caractéristiques est réalisée, un algorithme de fusion de caractéristiques d'attention croisée gaussienne est conçu, analysant la relation intrinsèque entre deux types de caractéristiques selon la similarité des vecteurs de projection, quantifiant les poids de fusion via une fonction gaussienne, et optimisant les paramètres clés pour réaliser un pondération dynamique des caractéristiques locales et globales, assurant ainsi leur équilibre dans la fusion. Pour valider l'efficacité de la méthode, des expériences ont été menées sur des ensembles de données publics dans quatre scénarios typiques : scène agricole Indian Pines, scène urbaine Pavia University, scène de végétation agricole Salinas, et scène hétérogène mixte LongKou. Les résultats expérimentaux ont été comparés à 11 méthodes populaires telles que DCSST, SMESC et Vit-cov, évalués par la précision globale (Overall Accuracy, OA), la précision moyenne (Average Accuracy, AA) et le coefficient Kappa. La méthode présentée donne les meilleurs résultats, démontrant son avantage en classification dans des scènes végétales, artificielles et hétérogènes, ainsi qu'une bonne capacité de généralisation.

classification d'images hyperspectrales;mécanisme d'attention;fonction gaussienne;extraction de caractéristiques;fusion de caractéristiques