1.一种基于双重去噪联合多尺度超像素降维的高光谱图像分类算法，其特征在于：包括以下步骤，

Q×L

S1：输入原始高光谱图像X ，Q为每个波段上的像素个数，L为波段数目，将高光谱图像Q×L Q×L

每一个波段归一化x'＝X ‑X_min/(X_max‑X_min)，其中X 为原始高光谱图像，X_min为遍历所有波段中最小光谱值，X_max为遍历所有波段中最大光谱值，x′为归一化后的高光谱图像，所有光谱值的取值在[0,1]之间；

S2：对归一化后的高光谱图像x′所有波段逐一加上一定取值范围的强度系数为σ的高Q×L

斯独立噪声，加上高光谱图像X 逐个波段具有不同强度的噪声，得到含混合噪声的高光谱图像Y≡[y1,y2,...,yL]，其中yL表示第L个波段列化后的向量；

S3：对含混合噪声的图像Y中存在的噪声进行估计得到每一波段混合噪声强度其中 表示第L个噪声波段的噪声强度向量；

S4：根据含噪声图像Y和预测的混合噪声强度 对高光谱图像子空间进行预测，得到高光谱子空间

S5：基于变换域滤波算法对含噪声图像Y中因为噪声未观察到的部分进行恢复，恢复得到完全观察到的高光谱图像

S6：对步骤S5中完全观察到的高光谱图像 去噪，得到去噪后的图像S7：对步骤S6得到的高光谱图像 进行主成分分析降维后取第一主成分图像P进行多尺度熵率超像素分割，得到含超像素的多尺度第一主成分图像集PN:＝[P1,P2,...,PN]，N表示尺度数目，其中PN表示第N个尺度的含超像素的主成分图像；

S8：基于多尺度超像素的高光谱图像主成分分析降维；

S9：为了消除特征图像的小尺度纹理结构，采用基于空间域的层级递归滤波的高光谱图像去噪算法，对降维后的每一尺度特征图像Fi,i＝1,2,...,N进行M层级的递归滤波，递归滤波的基本原理为对输入的一维信号s，找到一个变换t，在变换后新域中相邻样本之间的欧几里得距离必须等于原域中相邻样本之间的距离，考虑层级结构，以上一级递归滤波输出的特征图像集，作为下一级递归滤波的输入，如此交替往复，充分的去除高光谱图像的噪声、细节纹理等信息，同时可以增强高光谱图像中的空间结构信息，即DenoRs＝HRF(Fi,σs,σr,M)，其中Fi为降维后的每一尺度特征图像，σs为空域标准差，σr为值域标准差，M为层级，HRF代表层级递归滤波；

S10：特征图像分类，对特征图像集合DenoRs中的每一幅图像进行支持向量机分类得到不同尺度的N个分类精度，然后利用基于多数投票的决策融合策略，得到最后的分类结果其中，l表示测试像素的G个可能类之一的标签、j是分类器指数、N(i)表示类别i在分类器中被预测的次数、I表示指示函数、N＝2C+1表示投票强度，该步骤使用同等的投票权。

2.根据权利要求1所述的一种基于双重去噪联合多尺度超像素降维的高光谱图像分类算法，其特征在于：所述步骤S3具体包括，S3.1：输入含噪声的图像Y≡[y1,y2,...,yQ]，计算含噪声图像Y的自相关矩阵接着求出自相关矩阵的逆矩阵

S3 .2 ：遍 历 含噪图 像 Y的 L个 波段 ，对每 一个 波段 计算 回 归系 数其中符号 表示通过删除第i行和第i列获得的自相关矩阵的逆矩阵，其中 表示删除第i行只保留第i列的自相关矩阵的逆矩阵， 表示删除第i列只保留第i行的自相关矩阵的逆矩阵，[R′]i,i表示只保留第i行第i列的自相关矩阵的逆矩阵， 表示删除第i行只保留第i列的自相关矩阵；

S3.3：假设任意波段zi可以由剩余的L‑1个波段线性表示，所以有 对求出的每一个波段的回归向量 计算 其中，zi表示高光谱传感器在第i波段读取的所有图像像素的数据， 表示删除第i波段后的其他波段图像像素的数据，结束遍历输出 得到预测的噪声强度。

3.根据权利要求2所述的一种基于双重去噪联合多尺度超像素降维的高光谱图像分类算法，其特征在于：所述步骤S4具体包括，S4.1：输入含噪声图像Y≡[y1,y2,...,yQ]，计算Y的自相关矩阵S4.2：依据步骤S3.3计算出的ξi来计算噪声的自相关矩阵 然后预测信号的自相关矩阵 并计算 的特征向量E:＝[e1,...,eL]，其中eL表示第L波段的特征向量；

S4.3:根据含噪声图像Y和噪声矩阵ξ的自相关矩阵和 的特征向量构造设置项K，设置项 其中， 为波段下标i＝1,...,L的置换项，tr()代表矩阵的迹，设 为投影矩阵， 为k维子空间，为k维子空间的正交补空间， 为k维子空间的正交补空间的投影矩阵，在此设变量 为变量 取值为负的个数。

S4.4:对δ进行升序排列，找到值为负值的δ并记录负值的个数 最后从特征向量E中取出下标为1到 的特征向量作为高光谱子空间预测值

4.根据权利要求3所述的一种基于双重去噪联合多尺度超像素降维的高光谱图像分类算法，其特征在于：所述步骤S5包括，S5.1:根据高光谱图像的低秩稀疏性，有Y＝MX+N'， 其中M为掩膜，N'为噪声，将X向量化(vec)为 y:＝vec(Y)，I表示单位矩阵，z表示相关系数矩阵 z＝ vec (Z) ， 表示 克罗内 克乘积 ，噪声 恢复问 题描述 为其中，φ(z)为正则化参数，λ为正则化系数；

S5.2：设Mi为掩膜M作用于因为噪声而未观察到的像素i的子矩阵，因为 其中，zi表示未观察到像素i的相关系数矩阵，xi表示因为噪声未观察到的高光谱图像部分，结合Y＝MX+N'可得， 其中，no,i′表示只含噪声的矩阵，yo,i表示包含no,i′噪声部分的含噪高光谱图像，子空间相关系数矩阵zi根据最小二乘法可以得出S5.3：通过计算 恢复未观察到的像素，得到完全观察到不含掩膜的高光谱图像

5.根据权利要求4所述的一种基于双重去噪联合多尺度超像素降维的高光谱图像分类算法，其特征在于：所述步骤S6具体为，消除高光谱图像中的噪声，噪声去除问题描述为选择三维块匹配算法来解决噪声去除问题，三维块匹配算法简述为对含噪图像 中选择一些u×u大小的参照块，在参照块周围适当大小的区域进行搜索，寻找若干差异度最小的块，并把这些块整合成一个3维矩阵，参照块自身也要整合进3维矩阵；

接下来对每个三维矩阵中的二维块进行二维变换后再在矩阵的第三维度进行一维变换，变换后采用硬阈值的方式将小于超参数的成分置0。同时统计非0成分的数量作为后续权重的参考。然后通过在第三维的一维反变换和二维变换得到处理后的图像块；最后，将这些图块逆变换后放回原位，利用非零成分数量统计叠加权重，最后将叠放后的图除以每个点的权重就得到基础估计的图像，权重取决于置0的个数和噪声强度，此时图像的噪点得到了较大的去除。所以根据三维块匹配算法求出相关系数Z，最后计算 解出修复和去噪后的高光谱图像

6.根据权利要求5所述的一种基于双重去噪联合多尺度超像素降维的高光谱图像分类算法，其特征在于：所述步骤S7具体为，S7.1：将超像素分割问题转换为子集选择问题，构造G＝(V,Ee)表示无向图，V表示顶点集，Ee表示边集用来衡量相邻像素之间的相似性；

S7.2：使用两个项的聚类目标函数H(A)和B(A)来求解子集划分问题且满足 表示选定边集。其中

其中，H(A)表示熵率项，

μi表示固定分布，pij(A)表示转移概率 B(A)表示集群分布的平衡项，其中，NA表示联通分量个数；λ≥0是控制熵率项和平衡项的权重系数。在此选择贪心算法来解决聚类目标函数的最优值；

S7.3：设置初始的超像素值为S，根据步骤S7将第一主成分图像P分割成PN，N取值为1,

2,...,2C+1表示尺度数目，其中每一个尺度的超像素数目为

7.根据权利要求6所述的一种基于双重去噪联合多尺度超像素降维的高光谱图像分类算法，其特征在于：所述步骤S8具体为，S8.1：将步骤S7.3中分割好的每一尺度含超像素的主成分图像PN依次平行投影到S6中得到的高光谱图像 得到含超像素的N个尺度的高光谱图像S8.2：对步骤S8.1中每一尺度高光谱图像 进行主成分分析降维，降维后的特征图像设为Fi,i＝1,2,...,N， 其中，SuperPCA为所定义的含超像素的主成分分析函数，其中两个参数 表示第i个尺度的含超像素的高光谱图像，num_PC为降维后特征图像Fi的维度。