1.一种基于密集残差三维卷积神经网络的高光谱遥感图像分类方法，其特征在于：该方法包括以下步骤：步骤一，利用高光谱遥感图像的原始样本构建虚拟样本，将原始样本和虚拟样本混合构成训练样本，所述训练样本为三维的数据立方体；

所述虚拟样本生成过程如下：使用高光谱遥感图像的原始样本数据通过模拟成像，将随机因子和随机噪声加入原始样本，形成虚拟样本，公式如下：其中，yk是生成的虚拟样本，xi、xj表示同一类别中两个不同的原始样本，在一定范围内变化的高光谱特征属于一个类别，yk拥有和样本xi、xj同样的类别标签；αi、αj是对应样本的光强度扰动，β表示高斯噪声ns的权重；

步骤二，利用加入密集残差结构的三维卷积神经网络，将混合训练样本作为神经网络输入，提取高光谱遥感图像的三维空谱特征，将三维特征转换为一维特征；

提取空谱特征方法具体如下：

2‑1，以待分类像元为中心提取邻域大小为s×s×L的高光谱图像数据立方体作为网络的输入，其中s×s表示图像的空间域大小，L是高光谱图像的光谱维度；

2‑2，通过三维卷积神经网络的第一个卷积层C1的卷积操作得到n个s×s×b大小的特征图，b为光谱维数，b

2‑3，将所得特征图通过密集残差连接的卷积神经网络的三个卷积层C2、C3和C4，将每层得到的特征图组合，得到m个s×s×b大小的特征图，b为光谱维数；

密集残差结构即第l层的输入是第0层到第l‑1层中每层输出的和；卷积层使用大小为a×a×d的k个卷积核学习光谱空间特征，a>1,d>1；第l层的输入 表示为：第一个卷积层C1处理的是s×s×L大小的原始像素数据，得到n个大小为s×s×b的特征图；将这些特征图作为密集残差结构中的输入 上标0表示起始位置中的数据，下标1表示密集残差结构中的数据；

密集残差连接的三个卷积层C2、C3和C4的输入和输出的特征图大小为s×s×b，输出的特征图的数量为k；输入的特征图的数量随着卷积层的增加而不断增多，第l层的输入特征图的数量kl表示为：kl＝n+(l‑1)×k

其中n是初始特征图的数目，通过密集残差结构，特征图的数目最终合并为km；

2‑4，通过卷积层C5和池化层，将三维的特征转换为一维的特征，再连接全连接层FC，全连接层输出的结果即为提取到的空谱特征；

步骤三，在神经网络的全连接层使用Soft‑max分类器进行分类预测，构建目标函数，训练卷积神经网络，得到初始分类结果，即高光谱遥感图像每个像元所属类别；

步骤四，将得到的初始分类结果通过多标签条件随机场进行全局优化，得到最终的高光谱图像的分类结果，具体如下：经过Soft‑max分类器的初步分类后，得到高光谱图像每个像元所属类别以及对应的概率，将已经标注好的标签集合T和初始分类像元类别以及对应的概率作为多标签条件随机场优化算法输入；

多标签条件随机场优化算法利用图像像元的相关性来优化分类结果，通过K最近邻分类算法得到像元节点与邻近节点的集合，该集合表示像元的相关性；

将得到的所属类别的概率与地理空间相结合，对分类的结果进行优化，输出优化后的像元标签。

2.根据权利要求1所述的一种基于密集残差三维卷积神经网络的高光谱遥感图像分类方法，其特征在于：在全连接层采用dropout方法随机丢弃50％的隐藏层节点以控制过拟合的风险。

3.根据权利要求1所述的一种基于密集残差三维卷积神经网络的高光谱遥感图像分类方法，其特征在于：所述步骤三，神经网络的全连接层输出的一维特征向量输入Soft‑max分类器进行分类预测，构建目标函数，训练卷积神经网络，对高光谱遥感图像进行初级分类；

具体如下：

(i) (i) (i)

标注混合训练样本(x ,y )用于网络的学习，样本总数为N，x 为第i个混合训练样(i) (i) (i)本，y 为样本x 的输出期望类别标签，y ∈T,T＝{t1,t2,...,tq}，T为标签集合，q为类别总数，tq为类别总数；

构建目标函数如下：

(i) (i) (i)

其中Y 为网络的实际预测值，Yj 为Y 的第j个分量，表示属于第j类的概率，θ1,θ2,θ3,...,θq为逻辑回归参数矩阵，1{·}为示性函数，即当大括号内条件为真时，结果为1，否(i)则结果为0；分类结束后得到样本x 属于第j类的概率以及样本所属的标签；

采用Adam优化器训练卷积神经网络，优化目标函数，对逻辑回归参数及网络的权重和偏置进行学习直到误差满足预期；训练过程中，在一定的批次后，如果目标函数损失不再减少，提前停止训练；训练结束后，通过训练好的卷积神经网络以及Soft‑max分类器得到初始分类结果，即高光谱遥感图像每个像元所属类别。