1.一种基于测地线空谱协同图学习的高光谱图像特征提取方法，其特征在于，该方法包括以下步骤：步骤1：利用协同表示方法与局部约束学习高光谱图像的全局信息与局部流形结构信息；

步骤2：将空间信息与基于测地线的光谱信息 嵌入协同表示正则化项中,其中S代表高光谱数据X的基于测地线的光谱信息矩阵，D代表空间信息矩阵，β为正则化参数；

D的构造：D包含xi和xj间的距离i≠j，其对应的像素坐标为 和 则样本间的空间距离为：dist(﹒)代表欧氏距离；

S的构造：保证近邻样本点在嵌入低维空间仍然是近邻的条件下，使得原本相互远离的样本在嵌入低维空间中也相互远离；因此，利用测地线距离表示两个像素之间的最短光谱距离；

测地线距离测量如下：

(1)计算xi和xj之间的欧氏距离dx(xi,xj)，如果xi是xj的K近邻，或者xi和xj之间的欧氏距离dx(xi,xj)小于ε，则认为xi是xj的近邻点，则这条边的权重是dx(xi,xj)；

(2)计算最短路径，如果xi和xj之间存在边，则认为最短路径为dG(xi,xj)＝dx(xi,xj)，如果不存在，则最短路径为dG(xi,xj)＝∞；

光谱测地线距离：

dG(xi,xj)＝min(dG(xi,xj),dG(xi,xl)+dG(xl,xj)) (2)式中，l＝1,2,…,n；

(3)即可得到矩阵S＝{dG(xi,xj)}；

进而求解得到ai值为：

其中，Xi是不包含xi的d×(N‑1)维字典， λ>0是一个正则化参数，是像素xi的k个近邻，则其余N‑k个像素的值被设置为零，μ>0为正则化参数；

令A＝[a1,a2,…,aN]，其中矩阵A的对角线元素为0，计算求得图嵌入权重矩阵为：W＝(AT+A)/2；

步骤3：基于得到的测地线空谱协同表示系数，构建测地线空谱协同图，继而利用图嵌入框架，通过求解广义特征值分解问题，获得最优投影矩阵，得到高光谱图像数据的低维特征子空间。

2.根据权利要求1中所述的方法，其特征在于，所述步骤1中包括以下具体内容：首先利用协同表示来学习高光谱图像的全局信息；对于数据集X中的每个像素xi，典型的协同表示方法可以用数学形式表示为l2范数优化问题：其中，Xi是不包含xi的d×(N‑1)维字典， λ>0是一个正则化参数，用来平衡协同表示的剩余项 和正则化项在协同表示中，对于每个像素是利用所有类中的所有其他像素协同表示它，能够揭示像素间的协同表示关系，但无法有效刻画数据的局部流形结构，在投影到低维子空间后，无法保持其固有的流形分布结构及判别能力，因此在协同表示中引入局部约束，以刻画不同像素之间的局部邻近结构关系：式中， 是像素xi的k个近邻，则其余N‑k个像素的值被设置为零，μ>0为正则化参数。

3.根据权利要求1中所述的方法，其特征还在于，所述步骤3中包括以下具体内容：d×d′ d×1

特征提取的目的是找到一个变换矩阵P∈R 将高维数据xi∈R 映射到一个低维特d′×1 T征子空间yi∈R (d′＜＜d)：yi＝Pxi；

在低维特征子空间中，根据图嵌入原理，以顶点为索引的xi和xj的相似关系，其目标函数可以表示为：其中，B为约束矩阵，是为了避免平凡解，可以是尺度归一化的对角矩阵也可以是惩罚P P图G的拉普拉斯矩阵L；

因此，最优投影矩阵可以求解为：

上式可以用广义特征值分解问题求解为：

T P T

XLXP＝ΛXLXP (8)

综上，Λ是对角特征矩阵，投影矩阵P由d′个最小非零特征值对应的特征向量组成，从而得到低维特征子空间