1.一种基于TRANSFORMER特征融合的高光谱影像分类方法，其特征在于，包括以下步骤：S1：将原始高光谱影像进行主成分分析(PCA)处理；

B×M×N

S2：影像转置处理，令X∈R 表示PCA后获得的图像立方体，其中B，M和N分别是通道数、高度和宽度，X1和X3是转置X后的图像立方体，其大小分别为B×N×M和M×B×N，X2代表原始X；

S3：将X1、X2、X3作为三通道卷积神经网络的输入，进行空‑谱信息挖掘，三个卷积神经网络均由三维和二维卷积神经网络组成，将三通道卷积神经网络挖掘得到的空‑谱信息的特征图分别表示为X1new、X2new、X3new；

S4：将S3所述特征图X1new、X2new、X3new，通过语义标记器传递转换为序列T1、T2和T3；

S5：将T1、T2和T3输入三个Transformer的三个编码器中，这三个编码器具有相同的结构，由多头自注意力（MSA）和多层感知模块（MLP）组成，来获取不同维度特征的更高层次关联信息T1new、T2new和T3new；

S6：将空‑谱信息特征图级联Xnew=concat{X1new, X2new, X3new}，同时将深层关联序列信息级联Tnew=concat{ T1new, T2new, T3new}；

S7：采用Transformer的解码器模块进行特征融合，将Xnew和Tnew融合，获得融合特征Xfusion，更有效地利用影像光谱特征与空间特征；

S8：从解码器获得的融合特征Xfusion直接输入预测模块进行分类。

2.根据权利要求1所述的一种基于TRANSFORMER特征融合的高光谱影像分类方法，其特征在于，所述步骤S2中影像转置处理的公式为X1, X3=Transpose(X)，Transpose(.)表示一次转置。

3.根据权利要求1所述的一种基于TRANSFORMER特征融合的高光谱影像分类方法，其特征在于，所述步骤S3中三通道卷积神经网络的卷积核的大小，需要根据输入图像尺寸进行调整。

4.根据权利要求1所述的一种基于TRANSFORMER特征融合的高光谱影像分类方法，其特征在于，所述步骤S4中通过语义标记器传递X1new, X2new, X3new得到序列T1、T2和T3，公式为：T

Ti=(Ai) Xinew

T

Ai=(σ(φ(Xinew; W)))

C×L (HW)×L

其中φ(.)表示具有可学习核W∈R 的逐点卷积，σ(.)是用于规范特征图Ai∈R 。