1.一种基于波段聚类和改进域变换递归滤波的高光谱图像分类算法，其特征在于，包括以下步骤：

Q×D

S1：输入原始高光谱图像X ，Q为每个波段上的像素个数，D为波段数目，将高光谱图像k∈(1,...,K)

的所有的D个波段划分为K个高光谱子波段集合；计算第k个子波段集合P ，计算方Q×D

法为： 其中，X＝(X1,...,XD)∈R 表示原始的拥有D个波段数目和每个波段上有Q个像素的高光谱图像X， 表示不超过D/K的最大整数步长；

k∈(1,...,K)

S2：对S1求得的波段集合中的每一个子集P 确定聚类中心波段集Mi，i∈(1,

2,...,K)；

S3：对聚类中心波段集Mi，i∈(1,2,...,K)进行高斯滤波，具体公式为式中，Mi为输入图像，a和b为输入图像像素的索引坐标，是正则化参数，N(a)是关于a的邻域像素集合，σs是空间标准差，Gi是高斯滤波的结果；

S4：初始化引导图像，即将高斯滤波后的图像设为初始引导图像，Fi[0]＝Gi；

S5：将聚类得到的中心波段集Mii∈(1,2,...,K)作为输入图像集和引导图像Fi[0]执行域变换递归滤波；域变换递归滤波的原理是对给定的变换域Dt将输入图像Mi变换到Dt中，递归滤波的公式为

c c

Fi[N]＝(1‑d)Mi[N]+dFi[N‑1]式中，Fi[N]为递归滤波后的特征图像，d∈[0,1]是反馈系数，并且 σs是空间标准差，c＝ct(xn)‑ct(xn‑1)，为变换域Dt中相邻样本点xn和xn‑1之间的距离，变换函数ct(u)的公式为

式中，σs是空间标准差，σr是光谱标准差。Mi′(x)为输入图像Mi在像素x处的一阶导函数，c

随着c的增大，d趋近于0，从而起到边缘保护的作用；

S6：将域变换递归滤波最后一次的滤波图像集Fi[N]i∈(1,2,...,K)运用支持向量机进行分类，得出分类精度。

2.根据权利要求1所述的一种基于波段聚类和改进域变换递归滤波的高光谱图像分类算法，其特征在于，所述步骤S2具体包括：S2.1：初始化聚类中心，以 k为整数，为每一组聚类的初始中心波段；

S2.2：设高光谱数据中任意两个波段Xp和Xq其中p≠q，那么波段Xp和Xq的相对熵为p,q∈(X1,...,XD) 其中，mp(x)、mq(x)代表任意两个波段中每个像素x对应的概率，两个波段之间的相对熵越大，表示两个波段像素对应的随机分布概率差异越大，波段之间的相似度就越低；反之波段之间的相似度就越高；

S2 .3 ：基 于 相对 熵 更 新聚 类 中心 ，更新 聚 类中 心 的 度量 公 式 为k k

其中，Xp∈p ，AVXp表示波段子集p中Xp波段和其他波段的k

之间相对熵和的平方均值，Xq表示波段子集p中除了Xp外的其他波段，B表示该波段子集的波段数目。将波段子集中平方均值最小的波段作为该波段子集的聚类中心波段；

k

S2.4：将任意波段组p的非聚类中心波段Xi∈(X1,X2,..,Xi,Xp‑1,Xp+1,..,XB)与其他组i

p ，i∈(1,2,...,i,k‑1,k+1,...,K)的聚类中心波段按照S2.3计算相对熵和的平方均值，如果聚类中心未发生改变，则将K个聚类中心波段作为特征图像集Mi，i∈(1,2,...,K)否则，重新确定聚类中心。即每个聚类中心等于对应聚类波段的平均值，公式为其中i∈(1,2,...,K)，j∈(1,2,...,B)。

3.根据权利要求2所述的一种基于波段聚类和改进域变换递归滤波的高光谱图像分类算法，其特征在于，所述步骤6具体包括：S6.1：首先对S5得到的滤波图像集Fi[N]i∈(1,2,...,K)，将Fi[N]随机划分为训练样本train_samples和test_samples，对训练样本train_samples进行交叉验证，交叉验证的具体方法是，首先随机生成惩罚系数p'以及rbf核函数g两个参数集合parameter，然后利用生成的参数集合parameter和训练样本train_samples来训练支持向量机；

S6.2：训练支持向量机的函数可以设为svmtrain(train_samples,parameter)，输出的结果为一个含参数的结构体model，将model和测试样本test_samples运用支持向量机进行预测，输出最后预测到的地物分类图；

S6.3：根据预测到的预测标签和真实标签计算混淆矩阵confusion_matrix，然后依据混淆矩阵计算出预测到的地物分类图的分类精度Ni，i∈(1,2,...,K)；

S6.4：对K个分类精度运用基于多数投票的决策融合策略得到最后的分类结果；具体公式为 其中，l表示测试像素的G个可能地物类别之一的标签、j是分类器指数、N(e)表示类别e在支持向量机中被预测的次数、I表示指数函数、表示投票强度，该步骤使用同等的投票权。