1.一种基于全局胶囊神经网络的高光谱遥感图像分类方法，其特征在于，包括以下步骤：

S1：图像预处理；

S2：对全局胶囊神经网络模型进行训练；

S3：对训练好的模型进行测试。

2.根据权利要求1所述的基于全局胶囊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S1的具体过程是：S11：将高光谱图像先通过reshape再进行归一化处理操作之后再使用PCA进行降维处理获取到前三个主成分，接着对数据边缘进行填充操作；

S12：获取数据块，从降维并归一化后的高光谱图像中分别提取以待分类像元为中心的H×W×C邻域范围内的高光谱数据块PH×W×C作为输入的图像特征，C是降维后高光谱图像通道数，所取的数据块大小为27×27×3，把它们划分为训练集、验证集与测试集。

3.根据权利要求2所述的基于全局胶囊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S2的具体过程是：S21：利用5×5卷积核对训练集中大小为27×27×3高光谱数据块进行卷积处理，得到

256张卷积特征图；

S22：将256张卷积特征图输入到整合全局信息的全局块进行处理，得到256张大小为23×23的全局特征图；

S23：接着利用3×3卷积核对步骤2中获取的256张全局特征图进行卷积操作处理，得到

128张大小为21×21的卷积特征图；

S24：将128张特征图输入到Primary Caps层通过动态路由算法迭代并经过自注意力模块处理之后封装成3200×8的胶囊向量；

S25：将3200×8的胶囊向量输入到Class Caps层，最终得到9个类别胶囊向量，每个胶囊向量的模长代表了对应类别的存在概率；

S26：通过对应类别的存在概率来计算出margin loss的分类损失，并利用Adam优化器进行模型各项参数的优化，同时保存下在验证集中损失函数最小的分类模型作为最终的测试模型。

4.根据权利要求3所述的基于全局胶囊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S3的具体过程是：将划分好的测试集高光谱数据块输入到测试模型中，得到最终分类结果，同时将整个高光谱数据集输入到模型中，得到整个高光谱图像的分类效果图。

5.根据权利要求4所述的基于全局胶囊神经网络的高光谱遥感图像分类方法，其特征在于，步骤S24中，动态路由算法迭代如下：其中，vj表示激活函数层的第j个输出向量，sj表示激活函数层的第j个输入向量，||sj|2

|表示1范数操作，||sj||表示2范数操作。

6.根据权利要求1‑5任一项所述的基于全局胶囊神经网络的高光谱遥感图像分类方法，其特征在于，所述全局胶囊神经网络包括2个Conv2D卷积层、1个全局块、1个Primary Caps层、1个自注意力模块和1个Class Caps层。

7.根据权利要求6所述的基于全局胶囊神经网络的高光谱遥感图像分类方法，其特征在于，所述的2Conv2D卷积层分别为5×5、3×3的卷积层，其中，5×5的卷积层的卷积核个数为256，3×3的卷积层的卷积核个数为128；1个全局块用于对高光谱输入图像整合全局信息，全局块包括4个1×1Conv2D卷积层、2个dot矩阵乘法操作和1个add矩阵加法操作，其中，

3个1×1Conv2D卷积层的卷积核个数为128，1个1×1Conv2D卷积层的卷积核个数为256。

8.根据权利要求7所述的基于全局胶囊神经网络的高光谱遥感图像分类方法，其特征在于，所述的Primary Caps层总共有32个胶囊，经过自注意力模块处理之后每个输出一个由3×3卷积核生成的8维向量。

9.根据权利要求8所述的基于全局胶囊神经网络的高光谱遥感图像分类方法，其特征在于，所述Class Caps层中有n个胶囊，每个胶囊输出一个16维的向量，代表一个类的实体。