1.一种高光谱图像分类方法，其特征是，包括，

获取高光谱图像，从所述高光谱图像中提取出第一特征图；

对所述第一特征图进行KAN卷积运算以捕捉空间和光谱特征，使用自适应注意力机制更新所述第一特征图，以放大所述第一特征图中空间和光谱特征，得到第二特征图，所述自适应注意力机制基于汉明距离计算查询和键之间的相似性；

对所述第二特征图进行重聚焦卷积，调整所述第二特征图中局部区域的响应强度，根据每个局部区域的响应强度放大局部区域内的特征表达，得到第三特征图；

将所述第三特征图中的特征进行线性组合，识别被线性组合后的特征得到分类结果；

所述使用自适应注意力机制更新所述第一特征图，以放大所述第一特征图中空间和光谱特征，得到第二特征图，还包括，获取二值化处理后的第一特征图，对二值化处理后的第一特征图进行KAN卷积运算，以获得突出所述空间和光谱特征的第一特征图；使用脉冲激活函数再对突出了所述空间和光谱特征的第一特征图进行第二次二值化处理，实现所述第一特征图内噪声的抑制；通过多尺度池化操作降低第二次二值化处理后的第一特征图的维度。

2.根据权利要求1所述高光谱图像分类方法，其特征是，所述从所述高光谱图像中提取出第一特征图，包括，使用滤波器扫描所述高光谱图像中每个局部区域，提取关键特征位置；针对所述关键特征位置对所述高光谱图像进行KAN卷积运算，获得第一特征图；使用脉冲激活函数对所述第一特征图进行二值化处理；

所述使用自适应注意力机制更新所述第一特征图，以放大所述第一特征图中空间和光谱特征，得到第二特征图，还包括，使用脉冲激活函数对经过所述自适应注意力机制处理后的第一特征图进行二值化处理；其中，降维后的第一特征图通过下式计算获取： ，

式中， 为降维后的第一特征图，和 分别为坐标， 为池化窗口大小， 为池化遍历元素的计数序号， 为第二次二值化处理后的第一特征图；

根据降维后的第一特征图得到第二特征图。

3.根据权利要求1所述高光谱图像分类方法，其特征是，所述对所述第二特征图进行重聚焦卷积，调整所述第二特征图中局部区域的响应强度，根据每个局部区域的响应强度放大局部区域内的特征表达，得到第三特征图，包括，对所述第二特征图进行多次重聚焦卷积，在每次完成重聚焦卷积之后，使用脉冲激活函数对所述第二特征图进行二值化处理以放大局部区域内的特征表达；

每次重聚焦卷积过程如下：

通过下式计算重聚焦卷积后的特征值：

，

式中， 为重聚焦卷积后的特征值， 为重聚焦卷积核的权重矩阵， 为输入的第二特征图，和 分别为坐标， 为偏置项，用于在重聚焦卷积操作中调整输出的偏移量；

引入可学习参数动态调整重聚焦卷积后的特征值，动态调整后的特征值通过下式计算获取： ，

式中， 为第 条通道被动态调整后的特征值，表示通道索引， 为第 条通道的可学习参数，用于控制第 条通道的响应强度， 是重聚焦卷积后的第 条通道的特征值；

根据被动态调整后每条通道的特征值进行重组，获得完成单次重聚焦卷积的第二特征图。

4.根据权利要求3所述高光谱图像分类方法，其特征是，对于经过特征表达放大的第二特征图，还使用自适应注意力机制进行更新，所述自适应注意力机制基于汉明距离计算查询和键之间的相似性，根据所述查询和键之间的相似性优化所述第二特征图中的关键特征；

对使用自适应注意力机制进行更新后的第二特征图再进行重聚焦卷积更新；

通过多尺度池化操作降低经过再进行重聚焦卷积更新后的第二特征图的维度，降维后的第二特征图通过下式计算获取： ，

式中， 为降维后的第二特征图， 为池化窗口大小， 为池化遍历元素的计数序号， 为经过再进行重聚焦卷积更新后的第二特征图；

根据降维后的第二特征图得到第三特征图。

5.根据权利要求4所述高光谱图像分类方法，其特征是，所述将所述第三特征图中的特征进行线性组合，识别被线性组合后的特征得到分类结果，包括，根据下式获取所述被线性组合后的特征：

，

式中， 为自适应注意力机制中全连接层的权重矩阵， 为第三特征图， 为偏置项， 为被线性组合后的特征。

6.根据权利要求1所述高光谱图像分类方法，其特征是，所述KAN卷积运算的运算式如下： ，

式中，和 分别为坐标，为光谱维度， 为KAN卷积运算后的第一特征图，为KAN卷积核的权重矩阵， 和 分别为卷积核的坐标， 表示KAN卷积核的滑动操作， 为卷积核的光谱维度， 为坐标和光谱维度为 处的像素值；

所述KAN卷积运算的首个卷积核采用高斯径向基函数卷积核。

7.根据权利要求2所述高光谱图像分类方法，其特征是，所述使用脉冲激活函数对所述第一特征图进行二值化处理的处理公式如下： ，

式中，和 分别为坐标，为光谱维度， 为二值化处理后的第一特征图， 表示后面的不等式为执行条件，为激活阈值， 为第一特征图。

8.根据权利要求1所述高光谱图像分类方法，其特征是，所述使用自适应注意力机制更新所述第一特征图，包括，对所述第一特征图进行线性变换处理，获得查询向量、键向量和值向量；

通过汉明距离计算查询向量和键向量之间的相似性，所述相似性通过下式计算获取： ，

式中， 为汉明距离的计算操作， 为查询向量， 为键向量， 为查询向量的计数序号， 为键向量的计数序号， 表示查询向量 与键向量 之间的相似性，为第 个查询向量中第 个元素， 为第 个键向量中第 个元素， 表示二进制向量的异或操作，计算结果为1时表示两个元素不相同，计算结果为0时表示两个元素相同，为向量的元素长度， 为元素的计数序号；

基于所述查询向量和键向量之间的相似性，生成注意力权重，所述注意力权重通过下式计算获取： ，

式中，为相似性的计数序号， 为第 个查询向量和第 个键向量的注意力权重；

根据注意力权重和值向量生成新的特征向量，根据新的特征向量获得更新后的第一特征图，所述特征向量通过下式计算获取： ，

式中， 示更新后的特征向量， 代表值向量的计数序号， 为与键向量 对应的值向量。

9.一种计算机设备，其特征在于，包括处理器以及与所述处理器连接的存储器，在所述存储器内存储有计算机程序，当所述计算机程序被所述处理器执行时，执行如权利要求1至

8任一项所述高光谱图像分类方法的步骤。

10.一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现权利要求1至8中任一项所述高光谱图像分类方法的步骤。