1.一种基于多波段熵率超像素分割的高光谱图像分类方法，其特征在于，包括如下步骤：

(1)对高光谱图像进行多波段熵率超像素分割：(1a)输入一幅包含K类不同地物的高光谱图像 和对应的标签图 其中，K≥2， 表示空间符号，m表示X和Y行像素点个数、n表示X和Y列像素点个数，b表示X的光谱波段数；

(1b)在量化区间[0,L]内对X中第i个光谱波段的二维图像 中每个像素点的值xp,q进行均匀量化，得到均匀量化后的二维图像X′i，其中，i∈[1,b]，xp,q的均匀量化公式为：

其中，xp,q表示图像Xi第p行第q列像素点的值，p∈[1,m]，q∈[1,n]，x′p,q表示xp,q均匀量化的值，min(·)表示取最小值操作，max(·)表示取最大值操作，ceil(·)表示向下取整操作；

(1c)对每个二维图像X′i进行熵率超像素分割，得到C个超像素Ui＝{ui1,ui2,...,uij,...,uiC，}，j∈[1,C]，并将uij中所有像素点的值设为j，得到每个二维图像X′i对应的二维分割标签图像Si，然后将b个二维分割标签图像组合成分割标签图像 其中，uij表示第j个超像素；

(2)获取训练集和测试集：

(2a)对高光谱图像X和分割标签图像S分别进行标准化处理，并对标准化后的X和标准化后的S分别沿光谱维度方向进行降维，得到预处理后的高光谱图像 和预处理后的分割标签图像 其中，b1表示X′的通道数，b2表示S′的通道数，1≤b1+b2≤b；

(2b)沿光谱维度方向对X′与S′进行组合，得到组合图像(2c)采用分层抽样方法从X″中随机抽取w个像素点组成训练集Xtrain＝{x1,x2,...,xt,...,xw}，并从标签图Y中取出对应的w个像素点组成训练标签集Ytrain＝{y1,y2,...,yt,...yw}，将X″中剩余的m×n‑w个像素点作为测试集Xtest，其中，w≤m×n，t∈[1,w]，xt表示Xtrain中第t个样本，yt表示xt对应的标签，yt∈[1,K]；

(3)对多分类支持向量机分类器进行训练：(3a)初始化数量与高光谱图像X地物类别K相同的多二分类支持向量机分类器M＝{M1,M2,...,Mk...,MK}，每个二分类支持向量机分类器Mk的核函数为径向基核函数，其中，k∈[1,K]；

(3b)对训练标签集Ytrain中的每个标签yt进行二值化，得到二值化后的训练标签集并将Xtrain和 作为每个二分类支持向量机分类器Mk的输入，通过径向基核函数对Xtrain中的每两个样本xt与xt′进行内积计算，得到内积集合Dtrain＝{dt,t′|1≤t≤w,1≤t′≤w}，并通过Dtrain和 对Mk的支持向量集进行求解，得到训练好的多分类支持向量机分类器M′，其中，dt,t′表示对xt与xt′的内积，xt′表示Xtrain中第t′个样本，yt的二值化公式为：

其中， 表示yt二值化后的训练标签；

(4)获取高光谱图像的分类结果：

将测试集Xtest作为训练好的多分类支持向量机分类器M′的输入进行分类，得到测试集Xtest中每个测试样本的标签。

2.根据权利要求1所述的基于多波段熵率超像素分割的高光谱图像分类方法，其特征在于，步骤(2a)中所述的对高光谱图像X和分割标签图像S分别进行标准化处理，标准化公式的表达式为：

其中，xp,q,i表示高光谱图像X或分割标签图像S第p行第q列第i个波段的值， σ分别表示X或S中所有元素的均值和标准差。

3.根据权利要求1所述的基于多波段熵率超像素分割的高光谱图像分类方法，其特征在于，步骤(3b)中所述的通过径向基核函数对Xtrain中的每两个样本xt与xt′进行内积计算，计算公式为：

其中，exp(·)表示以e为底数的指数函数，||·||表示求二范数操作，σ表示径向基核函数的作用宽度。