1.一种高光谱图像变化检测方法，其特征在于，包括：

获取双时相高光谱图像；

对所述双时相高光谱图像分别进行空间层次和光谱层次上的特征提取，得到空间特征图和光谱特征图，通过预构建的自适应融合块聚合所述空间特征图和光谱特征图，获得融合特征图；

通过超像素算法对所述双时相高光谱图像进行分割，生成超像素标签图，将所述超像素标签图投影到所述融合特征图中，形成超像素特征图；

根据所述超像素特征图构建拓扑图，所述拓扑图中包含节点特征向量和邻接矩阵；

将所述拓扑图中的节点特征向量和邻接矩阵输入预训练的KAN‑GAT网络，获得节点嵌入向量；对所述节点嵌入向量进行相似性度量找出变化节点，将所述变化节点映射回所述超像素特征图，通过所述超像素标签图检测出所述超像素特征图变化的超像素区域，生成像素级别的变化区域显示。

2.根据权利要求1所述的高光谱图像变化检测方法，其特征在于，对所述双时相高光谱图像分别进行空间层次和光谱层次上的特征提取，得到空间特征图和光谱特征图，包括：在空间层次上，将所述双时相高光谱图像输入到预构建的RSAB模块中，通过所述RSAB模块对所述双时相高光谱图像进行卷积和归一化处理获得第一高光谱图像特征图，将所述第一高光谱图像特征图输入到所述RSAB模块中的通道注意力机制中进行压缩得到第一通道注意力特征图，将所述第一通道注意力特征图的第一通道注意力特征输入所述RSAB模块中的空间注意力机制中，通过所述空间注意力机制的最大池化层和平均池化层提取所述第一通道注意力特征的边缘和纹理信息，通过二维卷积层对所述边缘和纹理信息进行变换，输出空间特征图；

所述通道注意力机制的描述公式包括：

；

所述空间注意力机制的描述公式包括：

；

其中， 表示空间特征图， 表示激活函数， 表示第一高光谱图像特征图，是卷积核为1x1的二维卷积， 是平均池化层， 是最大池化层， 是卷积核为7x7的二维卷积， 为第一通道注意力特征图， 为第一通道注意力特征；

在光谱层次上，将所述双时相高光谱图像输入到预构建的RSCB模块中，通过所述RSCB模块对所述双时相高光谱图像进行卷积和归一化处理获得第二高光谱图像特征图，将所述第二高光谱图像特征图输入到所述RSCB模块中的通道注意力机制中进行压缩，得到第二通道注意力特征图，将所述第二通道注意力特征图的第二通道注意力特征输入预构建权重通道注意力机制模块的1D卷积，获得第二通道注意力特征的注意力权重，将所述第二通道注意力特征和注意力权重输入到二维卷积层中归一化处理，输出光谱特征图。

3.根据权利要求1所述的高光谱图像变化检测方法，其特征在于，通过超像素算法对所述双时相高光谱图像进行分割，生成超像素标签图包括：将所述双时相高光谱图像划分成等大小的块，每个块的中心像素作为一个超像素中心，相邻所述超像素中心之间的间距为：；

其中， 是所述双时相高光谱图像中的像素总数， 是期望的超像素中心数量，是相邻超像素中心之间的间距；

将所述双时相高光谱图像的颜色从其原始颜色空间转换到CIELab颜色空间，在所述CIELab颜色空间中计算像素点和超像素中心的颜色距离，在所述双时相高光谱图像的图像空间中计算像素点和超像素中心的空间距离，计算公式包括：；

；

其中， 是CIELab颜色空间中像素点和超像素中心的颜色距离， 是图像空间中像素点和超像素中心的空间距离， 、 和 分别表示第 个像素颜色的CIELab值， 、 和 表示第 个超像素中心的CIELab值，为亮度分量，表示颜色的明亮程度，为从绿色到红色的分量，为从蓝色到黄色的分量； 表示第 个像素的横坐标， 表示第 个像素的纵坐标，表示第 个超像素中心的横坐标， 表示第 个超像素中心的纵坐标，为像素序数，取值范围为 ，为超像素中心序数，取值范围为 ；

根据相邻所述超像素中心之间的间距、CIELab颜色空间中像素点和超像素中心的颜色距离和图像空间中像素点和超像素中心的空间距离计算距离度量，计算公式包括：；

其中， 是平衡颜色距离和空间距离的参数，表示距离度量；

基于所述距离度量，将每个像素归属到与其距离最近的超像素中心；

当所有像素都分配完毕，根据超像素中心内所有像素的颜色值和位置坐标重新计算每个超像素的中心，计算公式包括：；

；

；

；

；

其中， 、 和 分别表示新超像素中心的CIELab值，为新超像素中心的亮度分量，表示颜色的明亮程度，为新超像素中心的从绿色到红色的分量，为新超像素中心的从蓝色到黄色的分量， 表示基于第 个超像素中心获得的新超像素中心的横坐标， 表示基于第 个超像素中心获得的新超像素中心的纵坐标； 是第 个超像素中心关联的像素集合， 是 中像素的数量；

重复迭代至超像素中心的位置坐标和颜色值在两次迭代之间的变化均低于预设定的稳定阈值，根据最后一次迭代的超像素中心的位置坐标和颜色值生成超像素标签图。

4.根据权利要求1所述的高光谱图像变化检测方法，其特征在于，将所述拓扑图中的节点特征向量和邻接矩阵输入预训练的KAN‑GAT网络，获得节点嵌入向量包括：通过B样条基函数计算节点与其邻居节点之间的加权系数；

根据所述加权系数生成加权后的邻接矩阵；

将加权后的邻接矩阵作用于节点特征向量生成维度变换后的节点特征向量；

对所述维度变换后的节点特征向量进行线性变换，生成线性变换后的节点特征向量；

基于所述线性变换后的节点特征向量，通过预设定的自注意力机制计算节点与其邻居节点之间的注意力分数，通过Softmax函数对所述注意力分数进行归一化处理，获得节点的注意力系数；

根据所述节点的注意力系数对邻居节点的特征向量进行加权求和，获得节点嵌入向量。

5.根据权利要求1所述的高光谱图像变化检测方法，其特征在于，所述KAN‑GAT网络的训练过程包括：根据所述拓扑图生成训练样本对；

将所述训练样本对输入所述KAN‑GAT网络，结合对比损失函数来训练KAN‑GAT网络，直至所述对比损失函数收敛，所述对比损失函数的定义为：；

其中， 为对比损失函数， 和 是所述训练样本对的特征向量，y是所述训练样本对的标签，当所述训练样本对中的样本属于相同类别时 ，不属于相同类别时， 是所述训练样本对之间的欧氏距离， 是超参数，表示负样本对的距离下限。

6.根据权利要求5所述的高光谱图像变化检测方法，其特征在于，对所述节点嵌入向量进行相似性度量找出变化节点包括：通过综合度量值的统计特性来确定变化阈值，根据综合度量值与变化阈值的比较来辨别变化节点，所述综合度量值的计算公式为：；

其中， 为所述综合度量值，节点 和节点 的特征向量分别为 和 ，表示特征向量 和 之间的欧式距离， 表示特征向

量 和 之间的余弦相似度，和 是权重参数，用于调节欧式距离和余弦相似度在比较所述变化节点的影响。

7.一种高光谱图像变化检测装置，其特征在于，包括：

图像采集模块，用于获取双时相高光谱图像；

特征图获取模块，用于对所述双时相高光谱图像分别进行空间层次和光谱层次上的特征提取，得到空间特征图和光谱特征图，通过预构建的自适应融合块聚合所述空间特征图和光谱特征图，获得融合特征图；

投影模块，用于通过超像素算法对所述双时相高光谱图像进行分割，生成超像素标签图，将所述超像素标签图投影到所述融合特征图中，形成超像素特征图；

拓扑图生成模块，用于根据所述超像素特征图构建拓扑图，所述拓扑图中包含节点特征向量和邻接矩阵；

显示模块，用于将所述拓扑图中的节点特征向量和邻接矩阵输入预训练的KAN‑GAT网络，获得节点嵌入向量；对所述节点嵌入向量进行相似性度量找出变化节点，将所述变化节点映射回所述超像素特征图，通过所述超像素标签图检测出所述超像素特征图变化的超像素区域，生成像素级别的变化区域显示。

8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1～6任一项所述方法的步骤。