1.一种自适应软标签生成方法，其特征在于：包括以下步骤：

1)下载Indian Pines(IP)、University of Pavia(UP)、Kennedy Space Center(KSC)这三个数据集；

2)用loadmat函数分别加载高光谱图像和地面标签数据，加载后的高光谱图像和地面标签数据分别用自定义变量img、gt进行存储；

3)将地面标签数据文件(gt)分别提取出标记样本和未标记样本；然后对地面标签数据文件(gt)划分训练集(train_gt)和测试集(test_gt)，训练集(train_gt)和测试集(test_gt)的划分方式为：从地面标签数据文件(gt)中随机选取5个训练样本HSI H作为训练集，其余样本作为测试集；

4)利用未标记样本生成自适应软标签；

其中，步骤4)中，所述利用未标记样本生成自适应软标签的具体步骤为：

4.1)将随机选取的5个训练样本HSI H作为标记样本，将测试集中样本作为未标记样本，且标记样本和未标记样本分别定义为L和U，然后，计算标记样本L和未标记样本U之间的空间距离SPAD，计算公式如式(1)所示：式(1)中，(xi,yi),(xj,yj)分别是标记样本L和未标记样本U在高光谱图像HSI上二维空间坐标值；

4.2)定义标记样本L和未标记样本U之间的光谱距离为SPED，计算公式如式(2)所示:SPED＝entropy(l,u)+entropy(u,l)     (2)式(2)中，entropy是用来求两个光谱的熵，l和u分别为标记和未标记光谱向量；

4.3)结合空间距离SPAD和光谱距离SPED，定义标记样本L和未标记样本U之间空间光谱的总距离为LUD，LUD计算公式如式(3)所示:

4.4)加入自适应对比判断，选择最优数据生成自适应软标签。

2.根据权利要求1所述的自适应软标签生成方法，其特征在于：所述步骤4.4)中，加入自适应对比判断，选择最优数据生成自适应软标签的具体步骤如下：

4.4.1)利用定义标记样本L和未标记样本U之间空间光谱的总距离LUD求出属于同一类别的最小距离，计算公式如式(4)所示：LUD＝[d1,d2,...ds]

MIND＝min(LUD)     (4)

式(4)中，s表示选择的标记样本数量，min函数取出当前类别LUD中的最小值；

4.4.2)将步骤4.4.1)中得到所有类别最小值后的MIND，利用式(5)进行表示：MIND＝[d1',d2',...dc']

式(5)中，c为HSI类别数目；

4.4.3)对于步骤4.4.2)中得到的MIND，使用如式(6)所示的smin函数取其次小值SMIND，同时，利用式(7)加入类别判断：SMIND＝smin(MIND)     (6)

式(7)中，设定阈值α和β；式(7)利用最小距离值小于最优参数α以及最小值和次小值的比率小于最优参数β这两个次判断条件，将混淆数据进行清除；

4.4.4)利用标记样本和未标记样本之间空间光谱的总距离LUD对未标记样本和类别之间的距离定义为UCD，UCD的计算公式如式(8)所示；而后将生成的UCD值送入softmax函数，生成未标记样本U属于每个类的概率P，生成的P向量即构成了自适应软标签(pseudo_labels3)；

P＝softmax(UCD)    (9)

式(8)中，n是LUD中数据从小到大排序后的索引值。

3.一种如权利要求1所述的自适应软标签在高光谱图像分类中的应用，其特征在于：包括以下步骤：a)获取训练数据和标签信息：对高光谱图像(img)、对地面标签划分后的训练集(train_gt)以及软标签进行旋转和翻转操作；

b)全连接神经网络结构模型的创建：通过在光谱和空间域的几何变换扩展HSI数据，更好地提取利用HSI中的特征信息，利用连续dropout策略和Relu激活对全连接神经网络进行训练，而后利用spectral包的save_rgb函数对全连接神经网络进行测试，得到全连接神经网络结构模型；

c)将自适应软标签加入到网络训练中，提取自监督知识；

d)训练测试。

4.根据利要求3所述的自适应软标签在高光谱图像分类中的应用，其特征在于：步骤a)中，对高光谱图像(img)、对地面标签划分后的训练集(train_gt)以及软标签进行旋转和翻转操作的具体步骤如下：对高光谱图像img这个三维立方体进行旋转和翻转操作，旋转和翻转操作具体按照如下方式进行：先将高光谱图像img这个三维立方体旋转4个角度(分别为

0°,90°,180°,270°)，然后再分别镜像翻转，而后进行光谱域翻转，如图3所示，就得到了最后要的8个训练样本的训练数据和标签信息；而后，对训练集(train_gt)以及软标签进行与高光谱同样的变换操作。

5.根据利要求3所述的自适应软标签在高光谱图像分类中的应用，其特征在于：步骤b)创建全连接神经网络结构模型的具体步骤包括：b‑1)通过在光谱和空间域的几何变换扩展HSI数据，获取网络训练数据T；

b‑2)网络训练：为了更好的训练HSI数据，本发明使用全连接神经网络模型，该全连接网络模型的特点是每次层的输出都要作为下一层的输入，通过递进的图像特征累加，卷积层可以有效地学习多尺度特征信息。

6.根据利要求5所述的自适应软标签在高光谱图像分类中的应用，其特征在于：步骤b‑

1)中，获取网络训练数据T的具体步骤为：在空间域，对HSI图像(即训练样本HSIH的图像数据)水平旋转4个角度(0°，90°，180°，270°)之后生成的4个图像分别进行镜像翻转操作，从而得到8个变换之后的图像数据；在光谱域，对于HSI图像进行光谱域反转操作，指定任务为预测光谱序列顺序，通过此任务学习图像光谱域相关信息；通过空间和光谱变换操作，最后得到训练数据T。

7.根据利要求5所述的自适应软标签在高光谱图像分类中的应用，其特征在于：所述步骤b‑2)中，网络训练具体过程如下：b‑2‑1)，通过如下方式使输出矩阵可以和输入矩阵连接；具体来说就是：先从训练集中选出训练样本HSIH＝(w,h,d)；然后，对输入矩阵进行padding操作；然后使用D个[3*3,d]fileters对训练样本HSI H进行卷积操作，生成特征向量F＝(w,h,d)，将F和H联合作为下一层的输入，该上述步骤公式描述如式(10)所示：式(10)中，Fn代表第n层的输出,Conv代指每层的卷积操作；通过此结构网络可以有效提取HSI多尺度特征；

b‑2‑2)，在网络的每一层卷积操作之后加入Relu激活函数来提高网络的学习能力；

b‑2‑3)，在每层网络中还要添加dropout策略，目的是为了防止过拟合和提高网络的鲁棒性；每一层网络的卷积操作之后都要加入Relu激活函数以及添加dropout策略如此才完成每一层的卷积层操作；

b‑2‑4)，多层信息融合。

8.根据利要求7所述的自适应软标签在高光谱图像分类中的应用，其特征在于：所述步骤b‑2‑4)中，所述多层信息融合具体步骤如下：首先对每个卷积层引入全连接层FC，然后使用softmax函数生成类别预测结果b，然后，对步骤a)中经过变换操作得到的8个训练样本的输出类别预测结果b取平均值a；然后，对所有层采用该上述相同策略得到所有n层的输出结果为 然后，对每一层的类别预测结果平均值a进行融合平均，然后，利用argmax函数生成有最大logit值的像素级分类标记；其中，融合平均按照式(11)所示公式进行：式(11)中，是网络的最终预测输出，n是网络层数。

9.根据利要求3所述的自适应软标签在高光谱图像分类中的应用，其特征在于：所述步骤c)中提取自监督知识的具体步骤为：通过引入与教师网络相关的软目标(soft‑target)作为总体损失的一部分，来指导学生网络的训练，实现知识迁移(knowledge transfer)；为了利用HSI自监督知识，本发明将软标签加入网络训练中，本发明中整个全连接神经网络损失Loss由三个部分组成，分别是：网络输出预测和样本真实标签之间的Lh；网络输出预测和软标签之间的Ls以及光谱序列翻转前后之间的Lq，本发明对Lh、Ls、Lq分别用pytorch自带CrossEntropyLoss()函数进行计算求和得到全连接神经网络损失Loss；全连接神经网络损失Loss如式(12)所示：其中，式(12)中，网络的层数定义为R。

10.根据利要求3所述的自适应软标签在高光谱图像分类中的应用，其特征在于：所述步骤d)中训练测试的具体步骤如下：将步骤a)中经过变换操作得到的8个训练样本的训练数据输入公式(10)所示网络结构，开始训练，根据公式(11)和公式(12)计算全连接神经网络损失Loss，使用pytorch包自带函数loss.backward()进行反向传播，找到最优参数，得到最优参数模型；测试阶段，首先加载之前拥有的最优参数模型，对测试集进行与训练集相同预处理工作，将处理后的数据放入网络模型，将网络预测输出与测试样本真实标签进行比较，得到精度结果，利用spectral包的save_rgb函数，传入参数为预测数据结果b，并利用自带颜色库spectral.spy_colors将每一类的预测结果b用不同颜色标记出来，得到结果。