1.一种基于生成对抗网络的高分辨率遥感图像分类方法，其特征在于，包括如下步骤：步骤1：输入高分辨率遥感图像和该图像中每个像素的真实类标图像，选择训练样本集和测试样本集；

步骤2：根据训练样本集，利用5折交叉验证法，用深度卷积神经网络进行分类，得到均值混淆矩阵；

步骤3：根据均值混淆矩阵构造M组训练类别对，其中M为高分辨率遥感图像的类别数，分别对每一个训练类别对，执行步骤4‑步骤8；

步骤4：分别对每一个训练类别对，构造训练样本对xA(i)和xB(i)，i＝1，...，100，设置对应的临时类标为lA(i)和lB(i)，其中，lA(i)＝0，lB(i)＝1；分别将每一个训练样本对按照光谱维数方向组合成一个图像块；

步骤5：搭建生成对抗网络，并构造生成器和判别器损失函数；

步骤6：输入图像块，分别对生成器和判别器的损失函数交替进行训练，直到达到预先设定的迭代次数；

步骤7：根据步骤6，将训练样本对xA(i)和xB(i)按照光谱维数方向组合成一个图像块，并将图像块输入到训练好的生成器中，生成最终的混合样本gAB(i)；

步骤8：将最终的混合样本gAB(i)的类标指定为训练样本xA(i)在真实类标图上的真实类标，将最终生成的所有混合样本gAB(i)，i＝1，...，100加入训练样本集合中；

步骤9：根据更新的训练样本集合，对步骤2中构造的深度卷积神经网络再次进行训练，并将测试样本集内的样本输入到训练好的深度卷积神经网络中，输出测试样本的预测标签，获得分类结果。

2.根据权利要求1所述的一种基于生成对抗网络的高分辨率遥感图像分类方法，其特征在于，所述步骤1的具体做法为：步骤1.1：以高分辨率遥感图像中的每个有标签的像素为中心，划定一个27×27个像素大小的空间窗；

步骤1.2：将每个空间窗内所有的像素组成一个数据立方体；

步骤1.3：将所有的数据立方体组成高光谱图像的样本集；

步骤1.4：在高分辨率遥感图像的样本集中，分别对每一类随机选取100个样本，组成高分辨率遥感图像的训练样本集；将剩余样本组成高分辨率遥感图像的测试样本集。

3.根据权利要求1所述的一种基于生成对抗网络的高分辨率遥感图像分类方法，其特征在于，所述步骤2的具体做法为：步骤2.1：将训练样本集等分为5个子集，轮流将每个子集做一次验证子集，其余的4组子集结合起来作为训练子集，这样会得到5个组合，分别对每一个组合，执行步骤2.2‑步骤

2.4；

步骤2.2：构造一个4层的三维深度卷积神经网络，并将训练子集作为该三维深度卷积神经网络的输入，对该网络进行训练，得到训练好的三维深度卷积神经网络；

步骤2.3：将验证子集的样本输入到步骤2.2中训练好的三维深度卷积神经网络，根据网络中训练好的参数值，得到验证子集内每一个样本的预测类标；

步骤2.4：根据验证子集内每一个样本的预测类标和真实类标，计算混淆矩阵；

步骤2.5：计算5个混淆矩阵的均值，得到均值混淆矩阵。

4.根据权利要求1所述的一种基于生成对抗网络的高分辨率遥感图像分类方法，其特征在于，所述步骤3中的根据均值混淆矩阵构造M组训练类别对的具体做法为：分别对均值混淆矩阵的第k行，将第k个数值对应的列号设置为A类的类别，将同一行的除了第k个数值之外其余最大数值对应的列号设置为对应的B类的类别，A类和B类被认为是一个训练样本对，总共可以获得M个训练样本对。

5.根据权利要求1所述的一种基于生成对抗网络的高分辨率遥感图像分类方法，其特征在于，所述步骤4中的构造训练样本对，是分别对每一个训练类别对，分别从A类样本和B类样本中不重复的随机选择一个样本，构成训练样本对xA(i)和xB(i)，i＝1，...，100，并设置对应的临时类标lA(i)和lB(i)，其中lA(i)＝0，lB(i)＝1。

6.根据权利要求1所述的一种基于生成对抗网络的高分辨率遥感图像分类方法，其特征在于，所述步骤5的具体做法为：步骤5.1：搭建生成对抗网络：

搭建一个由卷积层和逆卷积层构成的生成器，并设置每层参数；

搭建一个由2个卷积层、2个下采样层，一个全连接层和一个分类层构成的判别器，并设置每层参数；

将生成器和判别器组成生成对抗网络；

步骤5.2：用生成器生成样本：

将步骤4得到的训练样本对xA(i)和xB(i)按照光谱维数方向组合成一个图像块，作为生成器的输入，生成混合样本gAB(i)，i＝1，...，100，并设gAB的临时类标为lA(i)，与训练样本xA(i)的临时类标相同；

步骤5.3：用鉴别器分类样本：

分别将训练样本xB(i)和混合样本gAB(i)作为判别器的输入，分别输出xB(i)和gAB(i)的预测标签l′B(i)和l′AB(i)，i＝1，...，100；

步骤5.4：构造生成器和判别器的损失函数：

分别对生成的混合样本gAB(i)与训练样本xA(i)均方根误差，混合样本gAB(i)与训练样本xB(i)的均方根误差，以及混合样本gAB(i)的预测标签l′AB(i)和训练样本xA(i)的临时类标lA(i)的交叉熵，三项加权和作为生成器的损失函数；

生成器的损失函数LG计算公式如下：

其中f(·)表示交叉熵函数，λ1和λ2表示调节参数，λ1和λ2的值均设为0.5；

分别计算训练样本xB(i)的预测标签l′B(i)和临时类标lB(i)的交叉熵，以及生成的混合样本gAB(i)的预测标签l′AB(i)和训练样本xA(i)的临时类标lA(i)的交叉熵，并将两个交叉熵的和作为鉴别器的损失函数LD；

判别器的损失函数LD计算公式如下：

7.根据权利要求1所述的一种基于生成对抗网络的高分辨率遥感图像分类方法，其特征在于，所述步骤6交替训练生成器和判别器的具体做法为：步骤6.1：利用梯度下降法，用生成器的损失函数训练生成器；

步骤6.2：利用梯度下降法，用鉴别器的损失函数训练鉴别器；

步骤6.3：重复执行步骤6.1和步骤6.2，直到达到预先设定的迭代次数，停止迭代。