Devido ao problema do desequilíbrio na relação entre características locais e globais nos métodos atuais de classificação de imagens hiperespectrais (Hyperspectral Image, HSI), este artigo constrói um modelo de fusão de características cruzadas gaussianas. A interação entre diferentes características é realizada por uma operação de multiplicação elemento a elemento. Um algoritmo de fusão de características com atenção cruzada gaussiana foi projetado, que analisa a relação intrínseca entre dois tipos de características com base na similaridade dos vetores de mapeamento. A função gaussiana é usada para quantificar os pesos de fusão, e a otimização dos parâmetros-chave permite a ponderação dinâmica das características locais e globais, garantindo equilíbrio entre ambas na fusão. Para validar a eficácia do método, foram realizados experimentos em quatro conjuntos de dados públicos típicos: o cenário agrícola Indian Pines, o cenário urbano Pavia University, o cenário de vegetação agrícola Salinas e o cenário heterogêneo LongKou. Os resultados experimentais foram comparados com 11 métodos principais, incluindo DCSST, SMESC e Vit-cov, usando acurácia geral (Overall Accuracy, OA), acurácia média (Average Accuracy, AA) e coeficiente Kappa para avaliação. O método proposto apresentou o melhor desempenho, demonstrando vantagem na classificação em cenários de plantas, objetos artificiais e mistos heterogêneos, além de refletir boa capacidade de generalização.

classificação de imagens hiperespectrais;mecanismo de atenção;função gaussiana;extração de características;fusão de características