1.一种基于频域主动学习的高光谱图像分类方法，其特征在于，包括：获取高光谱图像数据集；

采用主成分分析算法对高光谱图像数据集进行降维处理，获得降维图像数据；

对降维图像数据依次进行傅里叶变换、高通滤波、傅里叶逆变换得到图像的高频部分；

以及将降维图像数据代入熵率超像素分割算法，获得三个尺度的超像素分割图；

根据三个尺度的超像素分割图，分别提取出三个尺度的超像素分割图特征；

对三个尺度的超像素分割图特征分别进行部分特征的随机选择，获得三个尺度下的部分样本作为训练样本并将其余样本作为测试样本；

将训练样本导入SVM分类器进行训练，获得训练好的SVM分类器并基于训练好的SVM分类器输出三个尺度SVM分类的初步结果；

将SVM分类的初步结果导入随机游走算法进行优化，获得优化后的三个尺度分类结果；

对比优化后的三个尺度分类结果，获得三个尺度分类结果中不同的像素点的像素点集；

基于图像的高频部分对像素点集进行查找，获得图像的高频部分所关联的像素点以及像素点的信息量；

根据像素点的信息量对图像的高频部分所关联的像素点进行信息量排序，获得信息量满足设定条件的若干像素点；

将信息量满足设定条件的若干像素点重新加入训练样本，并通过循环训练、测试、评估获得频域学习的SVM分类器模型并输出频域主动学习的高光谱分类图像；

其中，采用主成分分析算法对高光谱图像数据集进行降维处理，获得降维图像数据的方法包括：对高光谱图像数据集进行零均值化处理，获得零均值化后的数据集；

将零均值化后的数据集代入协方差矩阵计算，获得协方差矩阵的特征值及特征向量；

根据特征值的大小对特征向量进行从上至下的排列，并选取预设数量行的特征向量构造为向量矩阵；

根据向量矩阵对高光谱图像数据集进行线性转换，获得降维图像数据；

协方差矩阵的表达式为：

                              (1)式中， 表示协方差矩阵， 代表样本的数量， 表示高光谱图像数据集，， 表示对零均值化后的数据集的转置；

根据向量矩阵对高光谱图像数据集进行线性转换，获得降维图像数据，具体为：                                (2)式中，表示向量矩阵，表示降维图像数据；

对降维图像数据依次进行傅里叶变换、高通滤波、傅里叶逆变换得到图像的高频部分的方法包括：对降维图像数据进行傅里叶正变换，获得频域数据；

对频域数据进行复数转换，获得幅度谱；

对幅度谱进行高通滤波，获得保留有高频信息的幅度谱；

对保留有高频信息的幅度谱进行傅里叶逆变换，得到降维图像数据的高频部分；

其中，对降维图像数据进行傅里叶正变换，获得频域数据的计算表达式为：         (3)

式中， 代表原始数据立方体， 代表频域数据立方体， 是频域中的空间频域变量， 是原始数据立方体的长、宽、高，表示自然常数，表示虚数单位；

对频域数据进行复数转换，获得幅度谱的过程表达式为：            (4)

               (5)

式中， 为复数， 为复数的实部， 为复数的

虚部， 为幅度谱的数值；

对保留有高频信息的幅度谱进行傅里叶逆变换，得到降维图像数据的高频部分的表达式为：          (6)

式中， 表示降维图像数据的高频部分；

将SVM分类的初步结果导入随机游走算法进行优化，获得优化后的三个尺度分类结果的方法包括：对三个尺度SVM分类的初步结果分别进行节点图映射，获得三个尺度SVM分类的初步结果对应的节点图；

对三个尺度SVM分类的初步结果对应的节点图进行随机游走迭代计算，获得每个尺度下被访问频率高于其它的节点；

根据被访问频率高于其它的节点所关联的数据样本，获得随机游走算法优化后的三个尺度分类结果；

其中，节点图中具有多个节点，每个节点代表一个数据样本；多个节点之间通过多条边进行相互联接，每条边代表两个数据样本之间的相似度，以及代表节点之间的相似性；

对三个尺度SVM分类的初步结果对应的节点图进行随机游走迭代计算，获得每个尺度下被访问频率高于其它的节点的方法包括：根据三个尺度SVM分类的初步结果对应的节点图中，获得节点之间的相似性、初始节点；

根据节点之间的相似性计算与初始节点相连的邻域节点的权重；

对邻域节点的权重进行归一化处理，获得归一化后的邻域节点权重；

对归一化后的邻域节点权重进行概率分布转换，获得邻域节点权重的概率分布；

根据预设的迭代次数、加权平均规则、邻域节点权重的概率分布进行初始节点沿边游走，获得最终游走的节点；

在最终游走的节点上停止游走，并收集每个节点被访问的次数，形成一个关于图像像素访问频率的记录；

根据图像像素访问频率的记录，确定每个尺度下被访问频率高于其它的节点，以及确定被访问频率高于其它的节点所关联的数据样本；其中，归一化后邻域节点权重的概率计算表达式为：                           (7)式中，和j代表两个节点，j是 的邻域节点，表示的邻域节点个数， 表示节点到节点 的权重； 表示节点的所有邻域节点的权重之和。

2.根据权利要求1所述的基于频域主动学习的高光谱图像分类方法，其特征在于，将降维图像数据代入熵率超像素分割算法，获得三个尺度的超像素分割图的方法为：对降维图像数据进行主成分提取并排序，获得与第一主成分所关联的图像数据；

对第一主成分所关联的图像数据进行熵率超像素分割，获得三个尺度的超像素分割图，其中，超像素分割图包括一个或一个以上的超像素区域。

3.根据权利要求1所述的基于频域主动学习的高光谱图像分类方法，其特征在于，根据三个尺度的超像素分割图，分别提取出三个尺度的超像素分割图特征的方法包括：根据三个尺度的超像素分割图进行超像素区域的奇异谱分析，确定每个超像素区域的特征；

对每个超像素区域的特征进行特征提取，获得超像素分割图的特征图。

4.根据权利要求1所述的基于频域主动学习的高光谱图像分类方法，其特征在于，对三个尺度的超像素分割图特征分别进行部分特征的随机选择，获得三个尺度下的部分样本作为训练样本并将其余样本作为测试样本的方法包括：根据预存的真实地面标签对超像素分割图特征进行标注，获得具有多个标签类别的超像素分割图特征；

根据具有多个标签类别的超像素分割图特征，分别从每一类特征图中随机选择预设量的像素点作为训练样本，并将其余像素点作为测试样本。

5.根据权利要求1所述的基于频域主动学习的高光谱图像分类方法，其特征在于，将训练样本导入SVM分类器进行训练，获得训练好的SVM分类器并基于训练好的SVM分类器输出三个尺度SVM分类的初步结果的方法包括：将训练样本输入到初始SVM分类器中进行训练，获得训练好的SVM分类器参数；根据训练好的SVM分类器参数更新初始SVM分类器，获得更新后的SVM分类器；

基于更新后的SVM分类器对测试样本进行分类，得到三个尺度的测试结果；

根据三个尺度的测试结果对更新后的SVM分类器进行评估，确定最优的SVM分类器模型用于作为训练好的SVM分类器；其中，若确定SVM分类器模型不为最优，则重新训练SVM分类器直至确定最优的SVM分类器或满足预设训练条件；

根据最优的SVM分类器模型，输出三个尺度SVM分类的初步结果。

6.根据权利要求1所述的基于频域主动学习的高光谱图像分类方法，其特征在于，对比优化后的三个尺度分类结果，获得三个尺度分类结果中不同的像素点的像素点集的方法包括：基于三个尺度SVM分类的初步结果、优化后的三个尺度分类结果，确定三个尺度下的图像分类结果；

根据三个尺度下的图像分类结果，查找三个尺度分类结果中不同的像素点的像素点集；其中，当SVM分类器分别输出的三个尺度SVM分类的初步结果概率值高于初步分类预设值时，以SVM分类器的输出的三个尺度SVM分类的初步结果为三个尺度下的图像分类结果；

当SVM分类器分别输出的三个尺度SVM分类的初步结果概率值低于初步分类预设值时，且当随机游走图像像素访问频率高于访问预设值时，以随机游走算法优化后的三个尺度分类结果为三个尺度下的图像分类结果。