Para abordar el problema del desequilibrio entre características locales y globales en los métodos existentes de clasificación de imágenes hiperespectrales (Hyperspectral Image, HSI), este artículo construye un modelo de fusión de características cruzadas gaussianas. A través de una operación de multiplicación elemento a elemento se logra la interacción entre diferentes características, se diseñó un algoritmo de fusión de características con atención cruzada gaussiana, que analiza la relación intrínseca entre dos tipos de características según la similitud de los vectores de mapeo, utiliza una función gaussiana para cuantificar los pesos de fusión, y mediante la optimización de parámetros clave logra un ponderado dinámico de características locales y globales, asegurando su equilibrio en la fusión. Para validar la efectividad del método se realizaron experimentos en conjuntos de datos públicos en cuatro escenarios típicos: cultivo agrícola Indian Pines, escenario urbano Pavia University, vegetación agrícola Salinas y escenario heterogéneo LongKou, comparando los resultados experimentales con 11 métodos principales como DCSST, SMESC y Vit-cov. Se evaluó el método usando exactitud global (Overall Accuracy, OA), exactitud promedio (Average Accuracy, AA) y coeficiente Kappa. El método propuesto obtuvo los mejores resultados, demostrando ventajas en la clasificación en escenas de plantas, estructuras artificiales y escenarios heterogéneos, así como una buena capacidad de generalización.

clasificación de imágenes hiperespectrales;mecanismo de atención;función gaussiana;extracción de características;fusión de características