1.一种基于互信息的K均值高光谱图像波段聚类方法，其特征在于，通过波段间的平均互信息选取聚类中心加入到K均值聚类迭代中，所述方法包括如下步骤：

1)利用MATLAB中multibandread()函数读取去噪和量化后的高光谱图像{B1,…,Bl,…BL}，确定需要选择的波段数目k；

2)将连续光谱空间上的波段均匀分成k个区间，以此作为聚类的初始分类；

3)在相同的波段分类内，计算每个波段的类内平均互信息与类外平均互信息的商b；

4)对所有波段类别，取该聚类波段中b最大的波段为当前类别的聚类中心；

5)计算每一个波段与各聚类中心的相似程度，确定其归类；

6)若此次迭代未改变聚类结果，则结束迭代，进入步骤7)；否则转到步骤2)；

7)输出包含信息量多且有代表性的波段组合；

所述步骤3)和步骤4)中，当获得了图像中任意像素点亮度值的概率密度函数后，图像的信息熵如下

其中，i表示图像中第i个像素，xi为第i个像素的亮度值，p(xi)为该亮度值的概率，N为图像中像素个数；

现在考虑随机变量X和Y，设它们的概率密度函数分别为p(x)和p(y)，联合概率密度函数为p(x,y)，则这两个随机变量间的互信息表示为其中，ΩX,ΩY分别为随机变量的范围区间，x,y为ΩX,ΩY内出现的值，若随机变量x,y为离散时，对应的互信息变换为

其中，ΩX,ΩY分别为随机变量的全体可能值构成的集合，x,y为ΩX,ΩY内出现的值；对于高光谱图像，每一个波段均看成一个包含若干个可能值的随机变量，其中对应的亮度值即为该随机变量的可能值；因此，对于高光谱图像中任意两个波段Bi和Bi，波段间的互信息为

式中，ΩX,ΩY分别为波段Bi和Bj波段中全体亮度值的集合，p(x)和p(y)分别为波段Bi和Bj波段中亮度值为x和x的像素点出现的概率，(x,y)为两波段中相同位置亮度值为(x,y)的全部像素点出现的概率；为了将波段间互信息用图像熵表示，将上式互信息变换为如下形式

I(Bi,Bj)＝H(Bi)+H(Bj)‑H(Bi,Bj)               (5)其中H(Bi,Bj)为两波段的联合熵，其定义为单一波段的信息熵，在确定好每个聚类的波段分类后，为了选择当前分类的聚类中心，需要选择一种好的判决准则用于衡量波段的优越性；对于第i个波段分类Bi，首先计算类内所有波段的平均互信息Iiw，即其中，bi和bj分别为波段分类Bi内的第i个和第j个波段，Iiw表示第i个波段的类内平均互信息；同样，需要计算分类Bi中的第i个波段的类外平均互信息Iib其中，Bj为第j个分类，为了确定当前分类Bj中的聚类中心，需要找到其波段分类中平均互信息与类外平均互信息商最大的波段作为当前分类的聚类中心，即

2.如权利要求1所述的一种基于互信息的K均值高光谱图像波段聚类方法，其特征在于，所述步骤2)中，对于K均值算法初始距离中心的选择，通过在连续光谱空间上对波段进行均匀划分的方法来确定聚类的初始分类。

3.如权利要求1所述的一种基于互信息的K均值高光谱图像波段聚类方法，其特征在于，所述步骤5)中，给定一组波段(B1,…,Bl,…BL)，其中每个波段被排列成N维向量，其中N是像素的数量，K均值波段聚类旨在将L个波段划分为K个类C＝{c1,…,cm,…ck}，1≤m≤k，最小化以下目标函数：

其中μm是cm的聚类中心,D(·,·)是一个距离度量，用于衡量一个波段与其所分配的聚类中心之间的相似性，对最靠近聚类中心的波段进行分组，通过迭代的方法，逐次更新聚类中心的值，直到得到最好的结果。