1.一种高光谱图像分类方法，其特征在于，包括步骤：

S1、对原始的高光谱图像进行超像素PCA降维，其中，对输入的高光谱图像进行超像素分割得到均匀区域，对均匀区域进行PCA处理得到低维矩阵，并将低维矩阵重新排列组合，得到降维的高光谱图像；

S2、设置多个保边滤波器，分别对降维的高光谱图像进行滤波处理，得到多个滤波图像；

S3、对多个滤波图像进行PCA处理得到多个滤波图像主成分；

S4、将步骤S1得到的降维的高光谱图像构建成基于径向基核函数的光谱核；将步骤S3得到的多个滤波图像主成分构建成多个基于径向基核函数的空间核；并使用光谱核分别和多个空间核融合构建得到多个复合核；

S5、将多个复合核输入SVM分类器，得到多个分类图；

S6、对多个分类图进行决策融合得到最终分类结果。

2.根据权利要求1所述的一种高光谱图像分类方法，其特征在于，所述高光谱图像为三维立方体，将三维立方体重塑为低维矩阵X，重塑后的低维矩阵X为二维矩阵，如下式所示：L*P

X＝[x1，x2，…，xi，…，xP]∈R ，P＝MNM×N×L

其中X表示降维之后的高光谱数据X∈R ，M，N和L分别代表了图像的行、列和采样波长的数量；其中每一列代表了一个像素的向量；xi表示原始图像中第i像素向量；

T

xi＝[xi1，xi2，…，xil]。

3.根据权利要求1所述的一种高光谱图像分类方法，其特征在于，步骤S3所述PCA处理是计算原始图像的像素从初始的高维空间到低维空间的线性映射，计算公式为：T

yi＝wxi

其中w表示变换矩阵，xi表示原始图像中第i像素向量，yi表示第i个像素向量的低维空间矩阵。

4.根据权利要求1所述的一种高光谱图像分类方法，其特征在于，步骤S2多个保边滤波器中各个保边滤波器的参数不同，所述参数包括：保边滤波器EPF的数量和控制着保边滤波器EPF的平滑程度的参数δs和δr。

5.根据权利要求1所述的一种高光谱图像分类方法，其特征在于，步骤S4构建所述空间核和光谱核分别采用以下公式：其中，kspa(xi,xj)代表空间核，Kspe(xi,xj)代表光谱核，σ代表径向基核函数的宽度是一个自由参数，σs为空谱核的宽度，σw为光谱核宽度；xi、xj归一化以后的光谱数据；

为域变换转移滤波从xi、xj得到的空间‑光谱特征， 为光谱信息；将上述得到的两个径向基核函数构建成一个复合核。

6.根据权利要求1所述的一种高光谱图像分类方法，其特征在于，步骤S6所述决策融合是通过多数投票算法实现。

7.一种计算机可读存储的介质，所述计算机可读存储的介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1‑6中任一项所述的高光谱图像分类方法。

8.一种高光谱图像分类系统，其特征在于，包括：超像素分割单元、PCA处理单元、保边滤波器、基核函数构建模块、SVM分类器、决策融合模块；

所述超像素分割单元对输入的高光谱图像进行超像素分割得到均匀区域，PCA处理单元对均匀区域进行PCA处理得到低维矩阵，并将低维矩阵重新排列组合得到降维的高光谱图像，所述保边滤波器以不同参数对降维的高光谱图像进行滤波，得到多个滤波图像，PCA处理单元对多个滤波图像进行PCA处理得到多个滤波图像主成分，基核函数构建模块将降维的高光谱图像构建成基于径向基核函数的光谱核，基核函数构建模块将多个滤波图像主成分构建成多个基于径向基核函数的空间核，并将光谱核和多个空间核分别进行融合得到多个复合核，将多个复合核输入SVM分类器，得到多个分类图，决策融合模块对多个分类图进行决策融合得到最终分类结果。

9.根据权利要求8所述的一种高光谱图像分类系统，其特征在于，所述高光谱图像为三维立方体，将三维立方体重塑为低维矩阵X，重塑后的低维矩阵X为二维矩阵，如下式所示：L*P

X＝[x1，x2，…，xi，…，xP]∈R ，P＝MNM×N×L

其中X表示降维之后的高光谱数据X∈R ，M，N和L分别代表了图像的行、列和采样波长的数量；其中每一列代表了一个像素的向量；xi表示原始图像中第i像素向量；

T

xi＝[xi1，xi2，…，xil]。

10.根据权利要求8所述的一种高光谱图像分类系统，其特征在于，所述基核函数构建模块构建空间核和光谱核分别采用以下公式：其中，kspa(xi，xj)代表空间核，Kspe(xi，xj)代表光谱核，σ代表径向基核函数的宽度是一个自由参数，σs为空谱核的宽度，σw为光谱核宽度；xi、xj归一化以后的光谱数据； 为域变换转移滤波从xi、xj得到的空间‑光谱特征， 为光谱信息；将上述得到的两个径向基核函数构建成一个复合核。