1.一种基于视觉显著性的高光谱遥感图像分类方法，其特征在于，包含如下步骤：S1、根据主成份分析法对原始高光谱遥感图像R1进行降维，得到降维后高光谱遥感像R2P×L×H，P为降维后的主成分个数，即降维后高光谱遥感图像R2P×L×H的维数，L为高光谱遥感图像R2P×L×H在空间长度方向上的像素点个数，H为高光谱遥感图像R2P×L×H在空间宽度方向上的像素点个数；

S2、对降维后高光谱遥感图像R2的每一个主成分采用扩展形态学轮廓法提取形态学特征，得到多幅形态学特征图像，将多幅形态学特征图像组合叠加，形成新的高光谱图像数据E×L×H ER3 ，E为形态学特征图的个数，即新的高光谱图像数据的维数，L为高光谱遥感图像R3×L×H在空间长度方向上的像素点个数，H为高光谱遥感图像R3E×L×H在空间宽度方向上的像素点个数；

S3、采用局部二值模式法对R3E×L×H中的每个维度提取纹理特征，并重新组合成高光谱图E×L×H像数据，得到图像R4 ；

S4、用M(I)表示R4E×L×H中所有平面组成的数据，将高光谱遥感图像R4E×L×H每一维度平面特征代表纹理特征，这些特征用于提取R3E×L×H中的显著性特征：高光谱遥感图像R4E×L×H每一维度平面特征具有一张对应的纹理特征图，对每一张纹理特征图：进行白化操作以去除冗余并将特征值都归一化到[0,255]范围内，然后根据布尔图理论的先验分布理论分别取一组范围在[0,255]范围内的符合均匀分布的阈值θi，i＝1、2、

3、…、n，n表示一张对应的纹理特征图所对应的一组布尔图的个数，然后得到一个包含n张纹理布尔图的布尔图组BTe＝{BTe1,BTe2…BTen}：BTe＝Threshold(M′(I),θi)

上式中，M′(I)表示纹理特征图M(I)的像素值； α为预设

的阈值，布尔图组的总组数为E；

接下来，对于每一张纹理布尔图，利用Flood Fill算法以图像的四个边界的像素作为种子点淹没掉不被包围的像素，保留具有闭合轮廓的像素，通过这一处理后，被包围的区域取1，不被包围的区域取0，得到一张纹理视觉注意图：ATei＝f(BTei)，

其中，ATei与BTei分别表示任意一个布尔图组中的第i张纹理布尔图以及对应的纹理视觉注意图，接下来，对每一张纹理注意力图分别进行膨胀操作及归一化处理，将处理后的纹理注意力图分为E组求平均，得到共E个纹理显著性图，每一个布尔图组的n张处理后的纹理视觉注意图为一组；

接下来，将每一个纹理显著性图和对应的形态学特征图进行加权融合，得到最终的待E×L×H分类数据，即特征提取之后的E个数据Sv，E个图像数据Sv重新构成高光谱遥感图像R5 ；

S5、将高光谱遥感图像R5E×L×H输入到分类器进行分类。

2.根据权利要求1所述的基于视觉显著性的高光谱遥感图像分类方法，其特征在于，步骤S1中，根据主成份分析法对原始高光谱遥感图像R1进行降维，得到降维后高光谱遥感像R2P×L×H的过程如下：用X＝(x1,x2,...,xQ)＝(X1,X2,...,XB)T表示原始高光谱遥感图像R1，其中，xi表示原始高光谱遥感图像R1的第i个像素点，i＝1,2,...,Q，Xj表示原始高光谱遥感图像R1的第j个维度，j＝1,2,...,B，分别利用下述公式计算原始高光谱遥感图像R1的维度均值和协方差矩阵：其中， Q和B均为正整数， 为原始高光谱遥感图像R1的维度均值， Q为像素点个数，Q＞0； 为原始高光谱遥感图像R1的协方差矩阵，B为维数，B＞0；

计算 的特征根λ1≥λ2≥...≥λB≥0，设定阈值θ，选择满足λ1≥λ2≥...≥λP≥θ的前P个主成分，P为正整数，且P＞1，B大于P，由前P个主成分的特征根得到相应的单位特征向量t1,t2,...,tP，W＝[t1,t2,...,tP]，A为W的转置矩阵，即A＝WT，以A为变换矩阵，对原始高光谱遥感图像进行变换，变换后的结果为Y，Y＝(Y1,Y2,...,Yp)T＝AX，Y即为得到的高光谱遥感图像R2P×L×H。

3.根据权利要求1所述的基于视觉显著性的高光谱遥感图像分类方法，其特征在于，步骤S2中，对降维后高光谱遥感图像R2的每一个主成分采用扩展形态学轮廓法提取形态学特征，得到多幅形态学特征图像的过程如下：设f(x,y)和g(x,y)为定义在二维离散空间F和G上的两个离散函数，其中f(x,y)为每一主成分图像在点(x,y)处的灰度函数，g(x,y)为结构元素在点(x,y)处的灰度函数，Df为f(x,y)的域，Dg为g(x,y)的域，则f(x,y)对g(x,y)的扩展腐蚀和扩展膨胀被分别定义为:式中，dist算子为距离算子，定义如下：

定义扩展开、闭运算为：

经过多次开闭运算，即得到多幅形态学特征图像。

4.根据权利要求1所述的基于视觉显著性的高光谱遥感图像分类方法，其特征在于，步E×L×H骤S2中，对图像R3 提取纹理特征时，仍然是分别对E个空间图像进行处理；局部二值模式算子定义为在NL*ML的窗口内，以窗口中心像素为阈值，将相邻的NL·ML个像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0；这样，NL*ML邻域内的NL·ML个点经比较产生NL·ML位二进制数，即得到该窗口中心像素点的LBP值，并用这个值来反映该区域的纹理信息用公式表示如下：其中，(xc,yc)为中间像素点的值，P为邻域的第P个像素，ip为邻域像素的灰度值，ic为中心像素的灰度值，s(x)为符号函数，定义如下：

5.根据权利要求1所述的基于视觉显著性的高光谱遥感图像分类方法，其特征在于，步骤S4中，通过下列公式对纹理特征图进行白化操作以去除冗余并将特征值都归一化到[0,

255]范围内：

其中，k为像素数，pij为像素值，σ和u分别为标准差和均值，σ2为方差，Xij为白化操作后得到的对应像素值。

6.根据权利要求1所述的基于视觉显著性的高光谱遥感图像分类方法，其特征在于，步骤S4中加权融合的公式如下：Sv＝ξSi+ηSm+β

其中，Si表示形态学特征图，Sm表示纹理显著性图，ξ为形态学特征图Si的权值，η为显著性图Sm的权值，β为常数，表示偏置。

7.根据权利要求1所述的基于视觉显著性的高光谱遥感图像分类方法，其特征在于，步骤S4中，n＝50。

8.根据权利要求1所述的基于视觉显著性的高光谱遥感图像分类方法，其特征在于，步骤S4中，根据下列公式对纹理注意图ATe在其L2范数范围内进行归一化处理以保留小的视觉注意区域；为了使得具有小的、分散的显著性区域的视觉注意图不被抑制，在对纹理注意图ATe进行归一化处理之前进行了内核宽为ωd1的膨胀操作，归一化后将视觉注意图分为E组求平均，即得到E个纹理显著图Sm：Sm＝average(S)，

其中，A*为膨胀操作之后的注意力图，||A*||2表示L2范数，S即为归一化后的初步显著性图。

9.根据权利要求1所述的基于视觉显著性的高光谱遥感图像分类方法，其特征在于，步骤S5中，分类器采用激活函数为softmax函数的神经网络，在softmax函数前有一层神经网络，高光谱遥感图像R5E×L×H中每一个光谱向量与邻域像素点经过拉伸后输入到神经网络，经过神经网络后得到一个向量T，向量T进入softmax函数后，实现分类；

softmax函数为：

其中，Yi表示向量T中的第Yi个元素，softmax函数 将输入向量中的元素映射到(0，1)区间内，得到输入向量的概率向量，则原始高光谱遥感图像R1的类别为softmax函数映射得到的概率向量中最大概率值所对应的类别。

10.一种基于视觉显著性的高光谱遥感图像分类系统，其特征在于，具备计算机存储介质，所述计算机存储介质存储有计算机可执行指令，用于执行如权利要求1-9任一项所述的基于视觉显著性的高光谱遥感图像分类方法。