1.一种基于无监督宽度学习的高光谱图像聚类方法，其特征在于，包括如下步骤：步骤1：利用层次导向滤波对原始的高光谱图像进行滤波处理，得到高光谱图像的光谱-空间表示；

步骤2：高光谱图像的光谱-空间表示作为输入，利用图正则稀疏自动编码器优化后的权重WiM和WE，先将输入通过WiM映射到映射特征，然后映射特征通过WE映射到增量节点中；

步骤3：建立由图正则项和连接权重的二范数正则项构成的无监督宽度学习的模型目标函数，求解模型目标函数，得到模型的输出层权重Wm；

步骤4：根据输出层权重Wm，计算得到无监督宽度学习的输出向量步骤5：通过对输出向量 进行谱聚类，得到高光谱图像的聚类结果。

2.根据权利要求1所述的基于无监督宽度学习的高光谱图像聚类方法，其特征在于：所述步骤1中，利用层次导向滤波对原始的高光谱图像进行滤波处理的过程表示为：式中， 为关于 和 的能量函数， 和 为基于输入高光谱图像 和导向图像G的线性系数，上标p指第p个波段；ωv是像素v和近邻像素构成的大小为(2r+1)×(2r+

1)的窗口，r为窗口半径，v是ωv中的一个像素；ε为控制参数；Gv为导向图像G的第v个像素；

为输入高光谱图像 的第v个像素的第p个波段；

式(1)的解为：

式中，|ω|为ωv中像素的个数，μv和σv分别表示导向图像G的均值和标准差， 为ωv中高光谱图像的均值， 为第p个波段的G的均值。

3.根据权利要求1所述的基于无监督宽度学习的高光谱图像聚类方法，其特征在于：所述步骤2中，给定高光谱图像的光谱-空间表示X＝{x1,…,xn}∈Rn×m，其中n表示样本个数，mn×m表示样本维数，R 表示n×m维空间；

令所需的权重和特征分别为WiM和Zi，优化如下目标函数：式中，λ表示稀疏正则参数；

根据流形假设，原始数据空间中相近邻的两个数据点xi和xj，在映射后的特征zi和zj也应相互靠近，则式(4)进一步写为：式中，α表示图正则稀疏自动编码器的图正则参数，tr(·)表示迹操作，L为拉普拉斯矩阵，wij为特征zi和zj的连接权重；n表示训练样本的个数；

式(5)通过交替方向乘子法求解，由于l1范数||·||1为非凸函数，引入辅助变量O，则将式(5)写为：式(6)的拉格朗日表达式为：

式中，ρ>0为一个常数，u为引入的拉格朗日乘子矩阵；

M

根据交替方向乘子法优化方法，Wi 、O和u交替优化，同时固定其它两个变量，直到收敛或者达到预先定义的迭代次数，从而得到所需的权重WiM；其中，所述优化方法包括如下步骤：步骤2.1：更新WiM，WiM的更新过程通过求解式(8)得到：式中，WiM(k+1)为k+1时刻的WiM，J(·)为代价函数；

通过计算J关于WiM的导数，并使导数为0，得到：式中，Zi为映射特征中的第i组映射特征，O(k)为k时刻的O，u(k)为k时刻的u，I为单位矩阵；

步骤2.2：更新O，利用软阈值操作：

式中，Sκ(g)为关于变量g的软阈值函数，g为自变量，κ为预先定义的阈值；则O的更新过程为：O(k+1)＝Sλ/ρ(WiM(k+1)+u(k))(11)式中，O(k+1)为k+1时刻的O，Sλ/ρ为在参数λ和ρ下的软阈值操作；

步骤2.3：更新u，u的更新表达式为：u(k+1)＝u(k)+(WiM(k+1)-O(k+1))(12)式中，u(k+1)为k+1时刻的u；

通过式(13)计算得到Zi：

Zi＝XWiM(13)

从映射特征到增量节点的权重也利用图正则稀疏自动编码器进行微调，则所需的微调后的权重为WE，进而增量节点通过式(14)计算得到：E

H＝ZW(14)

式中， GM表示映射特征中包含特征的组数； 为增量节点的特征，dE为增量节点中节点的个数。

4.根据权利要求1所述的基于无监督宽度学习的高光谱图像聚类方法，其特征在于：所述步骤3中，构造无监督宽度学习的模型目标函数，包括二范数正则项和图正则项，得到无监督宽度学习的模型目标函数为：m

式中，ζ为图正则项系数，L为通过利用[Z|H]构造k近邻图得到的拉普拉斯矩阵；

式(18)通过计算式(19)的c个最小特征值对应的特征向量得到模型的输出层权重Wm：(I+ζ[Z|H]TLm[Z|H])Wm＝ξ[Z|H]T[Z|H]Wm(19)。

5.根据权利要求1所述的基于无监督宽度学习的高光谱图像聚类方法，其特征在于：所述步骤4中，在得到模型的输出层权重Wm后，通过式(20)计算得到输出向量