1.一种基于图卷积网络嵌入表征的高光谱图像非监督分类方法，其特征在于，包括如下步骤：S10、对待高光谱图像依次进行EMP和光谱特征提取，得到空谱联合特征；

S20、对空谱联合特征进行超像素分割，获得待高光谱图像的超像素点；

S30、求解超像素点的弹性网表示，将弹性网表示的表示系数中非零分量所关联的超像素点作为当前点的近邻，构建超像素点的图模型；

S40、基于图模型进行图卷积网络嵌入表征学习，通过层次化的顶点汇聚操作获得低维特征；

S50、根据低维特征表示，利用K‑means算法实现高光谱图像的非监督分类。

2.根据权利要求1所述的基于图卷积网络嵌入表征的高光谱图像非监督分类方法，其特征在于，对待高光谱图像依次进行EMP和光谱特征提取，得到空谱联合特征包括：其中，V表示空谱联合特征矩阵，X表示光谱特征矩阵，EMP表示EMP特征矩阵，m为主成分个数，n为半径不同的圆形结构元素的个数，d为光谱波段的数量，N为样本数量。

3.根据权利要求1所述的基于图卷积网络嵌入表征的高光谱图像非监督分类方法，其特征在于，对空谱联合特征进行超像素分割，获得待高光谱图像的超像素点包括：Di,c＝(1‑λ)×Dspectral+λ×Dspatial，Dspectral＝tan(SAD(xi,xc))，

其中，Dspectral表示tan度量的光谱间距离，SAD(xi,xc)表示光谱角距离，Dspatial表示规范化的空间欧氏距离，r是搜索邻域的对角线长度，用于约束搜索范围为每个聚类中心周围的一个局部邻域，Di,c表示光谱距离和空间距离的加权和，λ表示平衡光谱距离和空间距离的作用参数，xc＝(xc1,xc2,…,xcn)表示聚类中心，其对应的空间坐标为(cx,cy)，xi＝(xi1,xi2,…,xil)表示位于聚类中心xc局部邻域的l个像素，其对应的空间坐标为(ix,iy)。

4.根据权利要求1所述的基于图卷积网络嵌入表征的高光谱图像非监督分类方法，其特征在于，求解超像素点的解弹性网表示，将解弹性网表示的表示系数中非零分量所关联的超像素点作为当前点的近邻，构建超像素点的图模型包括：S31、基于每个超像素点选取其他所有超像素点构建字典，通过求解以下约束优化问题找到数据集中所有像素点的弹性网表示：s.t.sxi＝SDisci+ei，

其中，SDi是所有超像素点构成的字典，sci是超像素点sxi基于字典SDi获得的表示系数，SC＝[sc1,sc2,…,scN]是系数矩阵，E是表征误差矩阵，λ和γ是正则化参数，ei是误差向量；

S32、根据每个样本点的弹性网稀疏表示系数，构建超像素点的弹性网图模型，根据弹性网表示系数矩阵SC定义 作为图模型的邻接矩阵，在高光谱像素点之间建立边的连接，以得到超像素点的图模型。

5.根据权利要求1所述的基于图卷积网络嵌入表征的高光谱图像非监督分类方法，其特征在于，基于图模型进行图卷积网络嵌入表征学习，通过层次化的顶点汇聚操作获得低维特征包括：S41、为图模型的每个顶点分层采样，GraphSAGE使用随机游走的方式在图模型的每层随机采样固定数量的邻域顶点，对于没有采样到的顶点，用它的历史表达来近似；

S42、GraphSAGE通过聚合邻域顶点信息来更新自身信息，每一次聚合，都是把上一层得到的各个近邻顶点的特征聚合一次，然后联合该顶点自己在上一层的特征，得到该层的嵌入特征，如此反复聚合K次，得到该顶点最后的嵌入特征，最开始层的顶点特征就是输入的样本特征；

S43、定义图卷积：

k

其中，σ是非线性激活函数，W 是需要学习的权重矩阵，用于模型不同层之间的信息传播，AGk表示第k层的聚合操作， 表示顶点v的任意相邻顶点的聚合信息， 表示顶点v上一层得到的嵌入特征，获取第K层得到的最终低维特征表示为 N(v)表示顶点v的领域点集合，CONCAT()表示连接两个矩阵；

S44、设计损失函数：

其中，zu表示图模型中任意顶点的最终嵌入特征表示，上标T表示转置，v表示在一个固定长度的随机游走上和顶点u一同出现过的顶点，Pn是负采样分布，Q代表负样本的数量，zv表示获取第K层得到的最终低维特征。

6.根据权利要求1所述的基于图卷积网络嵌入表征的高光谱图像非监督分类方法，其特征在于，根据低维特征表示，利用K‑means算法实现高光谱图像的非监督分类包括：S51、利用K‑means算法对超像素点的低维特征进行聚类，得到超像素点的标签矩阵；

S52、将超像素点恢复到原像素点，通过匈牙利算法将聚类结果与真实类别以最佳的方式匹配起来，实现高光谱图像的非监督分类。