Для решения проблемы несбалансированности между локальными и глобальными признаками в существующих методах классификации гиперспектральных изображений (Hyperspectral Image, HSI) в данной работе построена модель гауссового перекрестного слияния признаков. Через поэлементное умножение реализуется взаимодействие между различными признаками, разработан алгоритм слияния признаков с гауссовым перекрестным вниманием, который анализирует внутреннюю связь двух типов признаков на основе сходства отображающих векторов, использует гауссову функцию для квантизации веса слияния и посредством оптимизации ключевых параметров достигает динамического взвешивания локальных и глобальных признаков, обеспечивая их баланс в процессе слияния. Для проверки эффективности метода проведены эксперименты на открытых наборах данных в четырех типичных приложениях: сельскохозяйственном сценарии Indian Pines, городской местности Pavia University, сельскохозяйственной растительности Salinas и гетерогенном смешанном сценарии LongKou. Результаты сравнивались с 11 основными методами, включая DCSST, SMESC и Vit-cov, оценивались по общей точности (Overall Accuracy, OA), средней точности (Average Accuracy, AA) и коэффициенту Каппа. Метод показывает наилучшие результаты, демонстрируя преимущества классификации в растительных, искусственных и гетерогенных сценах, а также хорошую обобщающую способность.

классификация гиперспектральных изображений;механизм внимания;гауссова функция;извлечение признаков;слияние признаков