1.一种基于边缘保留滤波的CNN高光谱图像分类方法，其特征在于，具体步骤包括如下：

步骤一：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；在原始图像中任取其中的Z个分量得到高光谱图像I和经主成分分析法降维提取引导图像G，其中Z≤S；

步骤二：以高光谱图像I的分量为被引导图像，以引导滤波半径r＝3，得到引导后的图像分量；以同样的方式为高光谱图像I的其他分量做滤波，得到高光谱图像I的滤波后的图像；

步骤四：将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组合得到图像F；

步骤五：将每个光谱分量fi变形为X1×X2的二维矩阵，作为卷积神经网络的输入；其中，X1×X2＝Z+K；

步骤六：将图像F的分量按比例分为训练集和测试集利用卷积神经网络进行分类；其中在卷积神经网络的损失函数Loss(T,Y)中加入正则项约束和类别权重系数，得到高光谱图像卷积神经网络的损失函数：

式中λ为正则项系数，其变化范围从1×10-6～1，间隔10倍调整λ的值，选择最高识别率时的λ值作为上式中的λ值，其中，n是训练集样本个数为有限正整数，C是高光谱遥感图像D的类别数，tic为测试集第i个样本的真实类标，当i样本属于第c类时，tic为1，其余为0；yic是测试集第i个样本的预测类标，定义方式与tic相同，W为卷积神经网络的所有参数；类别权重系数weightc的计算公式为：其中，nc为训练集中第c类的样本个数，nmax为训练集中样本数量最多的类的样本个数。

2.根据权利要求1所述的一种基于边缘保留滤波的CNN高光谱图像分类方法，其特征在于，所述步骤一中，原始图像为D＝[d1,d2,...，ds]，其中，di＝[di1,di2,...，diN]，其中，S为光谱通道，i＝1,...，S；N＝α×β；将原始图像进行主成分分析法降维，取前三个分量作为引导图像G＝[P1,P2,P3]，高光谱图像I＝[P1,P2,...，PK]，其中，P1＝[Pi1,Pi2,...，PiN]，N＝α×β，K＝Z。

3.根据权利要求1所述的一种基于边缘保留滤波的CNN高光谱图像分类方法，其特征在于，所述步骤四中，对应的分量进行拼接成分量fi＝[Pi ai]T，进一步将每个分量fi组合得到图像