1.一种基于虚拟分类器的高光谱图像领域自适应方法，其特征在于，包括如下步骤：步骤1：利用高光谱图像的光谱向量和空间坐标构建空‑谱近邻图，并将光谱向量和空‑谱近邻图联合输入到图卷积网络中，从而得到高光谱图像的高层特征，所述高层特征包括源域高层特征和目标域高层特征；

步骤2：构建一个基于特征相似性度量的虚拟分类器来输出目标域样本的类别概率，通过最小化真实和虚拟分类器的确定性差异损失来增强真实和虚拟分类器的预测一致性，以使不同领域但具有相似特征的像素被分为同一个类别；

步骤3：为目标域样本的正负样本分配置信系数，构造一个软原型对比损失并将其最小化，以对齐不同领域特征相似的样本且使不相似的样本互相远离；

步骤4：通过领域对抗策略减少两个领域的整体分布差异；

所述步骤1中，给定源域高光谱图像 及其对应空间坐标其中， 为第i个源域样本， 和 分别为第i个源域样本的横纵坐(S) (S)

标， i＝1，2...n ，n 为源域样本总数，b为特征维度；定义一个(S) (S) (S) (S)

无向图G ＝(V ，A )，其中V 为节点 的集合，每个节点 表示一个像素的特征向量； 为一个对称且稀疏的近邻矩阵，其矩阵元素 表示连接节点和 的边的权重；定义度矩阵 其中 为第i行近邻矩(S)

阵A 的和；每个节点选择与之相似度最大的k个节点作为其近邻，并用高斯核函数来度量节点之间的相似度，则 被定义为：式中， 为 近邻点的集合，σ为高斯核函数的带宽，dist(·，·)为距离度量函数，此处采用空‑谱距离 表示为：式中 ， 为两 个节 点的 光谱 向量 之间 的欧 式 距离 ，为两个节点的空间坐标之间的欧式距离，ψ为控制光谱距离和空间距离相对重要程度的权重因子；若两节点越相似，则 越小， 越大；对(S)近邻矩阵A 进行规范化处理：

(S)

式中，I为单位矩阵， 为(A +I)对应的度矩阵；规范化操处理得到的 每行的和与每列的和均为1，则第(m+1)层图卷积网络提取到的特征表示为：(S)m+1 (S)m

式中，φ(·)为修正线性单元，H 和H 分别表示图卷积网络第(m+1)层的输出和输(s)0 (S) m入特征，H ＝X ；W为图卷积网络第m层的滤波器矩阵；最终，经过图卷积网络提取的源域高层特征表示为：式中， 为特征提取器，θF为特征提取器的网络参数；

所述步骤2中，虚拟分类器能够输出目标域样本与源域每类原型的特征相似度；首先计(T) C算一个相似度矩阵 其中n 是目标域的样本总数，n是类别总数； 表示第i个目标域样本与源域第j类原型的特征相似度；源域类原型的计算方式为：式中， 为源域第c类样本， 为源域第c类样本总数；利用修改后的归一化的逆欧氏距离来计算目标域样本与源域每类原型的特征相似度：式中， 为最小‑最大归一化后的欧式距离， 为目标域高层特征；虚拟分类器的输出表示为：式中， 表示虚拟分类器对第i个目标域样本的类别概率预测；

真实分类器对第i个目标域样本的类别预测 表示为：式中， 为真实分类器，θC为真实分类器的网络参数， 为第i个目标域样本，为softmax的概率输出；最小化以下目标函数：式中， 表示为交叉熵损失， 为第i个源域样本的类别标签， 为真实分类器将第i个源域样本分到第c类的概率；构建预测相关矩阵：C

式中， 为真实分类器将第i个目标域样本分到第j类的概率，j＝1，2...n ； 为C虚拟分类器将第i个目标域样本分到第j类的概率，j＝1，2...n ，最大化 的对角线上的元素并最小化剩余的元素，定义真实和虚拟分类器的确定性差异损失：式中， 表示 的第m行和第n列的元素，

所述步骤3中，使用相似度矩阵来计算软原型对比损失；将与目标域样本相似度最高的源域类原型作为正样本 其中 [·]v表示第v个元素；其余的源域类原型作为负样本，真实分类器的输出 作为正负样本对相似度的置信系数；软原型对比损失表示为：式中， 是目标域样本和正样本之间的相似度， 是真实分类器将目标域样本分配给第v类的概率，将 作为 是 正样本的置信系数。

2.根据权利要求1所述的基于虚拟分类器的高光谱图像领域自适应方法，其特征在于：所述步骤4中，领域对抗策略通过领域判别器和特征提取器之间的对抗来实现；领域判别损失定义为：式中， 为二元交叉熵损失，di为样本xi的对应领域标签， 为领域判别器，θD为领域判别器的网络参数；在领域判别器和特征提取器之间添加梯度反转层，梯度反转层没有可更新的网络参数，只定义了前向和后向传播的计算规则：R(x)＝x

式中，R(x)为梯度反转层的伪函数，x为梯度反转层的输入，λ为适应参数，λ从0逐渐变化为1，定义为：式中，α为决定λ从0到1的增长速度的参数，ρ∈[0，1]是当前迭代次数与总迭代次数的比率。