1.一种最大‑最小距离嵌入的无监督高光谱图像分类方法，其特征在于，包括如下具体步骤：S1：采取多尺度空间特征代替原始特征，得到多尺度特征向量；

S2：将所述多尺度特征向量输入最大‑最小距离嵌入的深度自编码器模型，进行特征提取和降维；所述S2中，所述深度自编码器模型包括编码器和解码器；所述编码器和所述解码器为对称结构；所述编码器依次将输入层、第一隐藏层、第二隐藏层、第三隐藏层和输出层连接；所述编码器的输出作为所述解码器的输入进行解码；所述S2中，输入和输出值尽量保持一致，即输入和输出之间的均方差最小，损失函数为：其中，fW(·)，gU(·)分别表示编码器和解码器；

所述S2中，选出每个元素的最近邻和最远邻，并组成最近、最远输入对；其中一个输入near far near far为x，则其对应的最近输入对为(x,x )，最远输入对为(x,x )，分别将(x,x )，(x,x )数据对作为输入，损失函数如下：其中，Lnear为最近输入对的损失函数；Lfar为最远输入对的损失函数；引入最近输入对和最远输入对的损失函数，总的损失函数为：L＝Lae+λ(Lnear‑Lfar)；

其中，λ为最大‑最小距离嵌入的权重参数；

S3：通过K‑means聚类得到初始聚类结果；

S4：利用引导滤波对所述初始聚类结果进行优化。

2.根据权利要求1所述的一种最大‑最小距离嵌入的无监督高光谱图像分类方法，其特征在于，所述S1的具体步骤如下：S11：原始图像的维度为α×β×S，其中，α×β为空间尺度，S为光谱通道；将原始图像用主成分分析法降维，得到引导图像G和降维后高光谱图像I；

S12：以降维后高光谱图像I的分量为被引导图像，设置e次不同的引导滤波半径re，其中re取3，5，7…像素，正则项ε＝0.001，得到引导后的图像分量；以同样的方式为降维后高光谱图像I的其他分量做滤波，得到降维后高光谱图像I的滤波后的图像；

S13：设置不同的引导滤波半径re得到降维后高光谱图像I的e个滤波后的图像，分别为

1 2 e

A ,A ,…,A；

S14：将每个不同的滤波后的图像中对应的分量进行拼接得到一个像素的光谱分量fi，进一步将每个光谱分量fi组合得到多尺度空间特征向量F。

3.根据权利要求1所述的一种最大‑最小距离嵌入的无监督高光谱图像分类方法，其特征在于，所述S4中，将采用K‑means聚类方法得到初始的分类图c转化成一个概率图p＝[p1,p2,…，pM]，其中，pi＝[pi1,pi2,…，piN]是一个与概率图大小一样的矩阵；M代表的是高光谱图像的不同分类；其中，概率图中的每个值的定义如下：采用引导滤波对概率图p进行过滤，得到每个pi的概率；通过PCA得到三维彩色引导图像；最后，在概率图p的像素点上，选择具有最大概率值的点作为该像素点的分类，得到的新分类图～c，即为最终结果。