1.一种基于掩码图自编码器的图异常检测方法，其特征在于，所述方法包括：对输入的待检测高光谱图像进行预处理，获取节点特征矩阵和边索引矩阵；

对所述节点特征矩阵进行随机掩码操作；

将随机掩码操作后的节点特征矩阵与所述边索引矩阵输入自编码器进行编码，得到重建特征矩阵；

根据重建特征矩阵计算重建误差，得到异常分数；

将异常分数与设定阈值进行比较，将异常分数高于设定阈值的像素标记为异常；获取节点特征矩阵的方法包括：将输入的待检测高光谱图像通过空间维度展平为像素总数×波段数的二维矩阵，其中，行数为像素总数，列数为波段数，每一行表示为一个像素在所有波段上的光谱信息；

对二维矩阵的每一列，分别计算其均值和标准差；

对二维矩阵的每一行，分别对每个像素点减去均值，再除以标准差，得到标准化后的二维矩阵；

将标准化后的二维矩阵作为节点特征矩阵；

获取边索引矩阵的方法包括：

分别计算节点特征矩阵中每个像素与其他所有像素之间的欧式距离；

根据所述欧式距离找到距离每个像素最近的K个像素作为邻居，构建边关系，从而生成二维的边索引矩阵；

所述自编码器的构建方法包括：

构建依次连接的GNN编码器、二次掩码模块和GNN解码器；

以高光谱图像及对应的已知重建特征矩阵构建训练集；

以训练集中高光谱图像随机掩码操作后的节点特征矩阵与边索引矩阵为输入，以对应的已知重建特征矩阵为输出，采用预设的损失函数训练所述自编码器至收敛；

其中，所述GNN编码器包括依次连接的第一神经网络层、第一激活层、第二神经网络层、第二激活层；

所述GNN解码器包括依次连接的第三神经网络层和第三激活层；

其中，第一神经网络层用于根据所输入的边索引矩阵对所输入的节点特征矩阵进行加权求和，从而更新每个节点的特征表示，输出一个第一节点特征矩阵；

第一激活层用于对第一节点特征矩阵进行处理，将负值裁剪为零，而正值保持不变，得到一个第二节点矩阵；

第二神经网络层用于继续对第二节点矩阵中的节点特征进行处理，将邻居节点的信息聚合到每个节点上；

第二激活层用于对第二神经网络层的输出进行非线性变换，得到隐藏表示；

二次掩码模块用于对隐藏表示进行掩码处理；

第三神经网络层用于将经过掩码处理后的隐藏表示映射回原始特征空间；

第三激活层用于对第三神经网络层的输出进行非线性变换，得到重建特征矩阵；

第一激活层、第二激活层、第三激活层的结构相同，均采用ReLU函数。

2.根据权利要求1所述的基于掩码图自编码器的图异常检测方法，其特征在于，所述对所述节点特征矩阵进行随机掩码操作，包括：随机选择 个节点进行掩码，其中，表示要被掩码的像素比例，N表示总节点数；

对所选择的节点，将其特征值置为0或者用随机值替换作为被掩码的像素位置。

3.根据权利要求1所述的基于掩码图自编码器的图异常检测方法，其特征在于，所述预设的损失函数 为：；

其中， 为重建损失， 为平滑损失， 为重建损失和平滑损失对应的权重超参数，且；

；

其中 表示经过掩码后节点的重建特征矩阵，是通过GNN编码器编码和GNN解码器重新解码后生成的； 表示掩码节点的原始特征矩阵； 表示欧氏距离的平方；Z表示所有节点的重建特征矩阵，矩阵的每一行对应一个节点的特征向量；L表示对已知高光谱图像进行拉普拉斯正则化后得到的拉普拉斯矩阵；  表示矩阵 的迹，反映特征向量在图结构中的平滑性。

4.根据权利要求1或3所述的基于掩码图自编码器的图异常检测方法，其特征在于，所述将随机掩码操作后的节点特征矩阵与所述边索引矩阵输入自编码器进行编码，得到重建特征矩阵，包括：将随机掩码操作后的节点特征矩阵与边索引矩阵作为输入，通过GNN编码器进行编码，得到隐藏表示；

对GNN编码器输出的隐藏表示进行掩码处理；

GNN解码器接收经过掩码处理后的隐藏表示，并对其进行解码，重建完整的节点特征矩阵，得到重建特征矩阵。

5.根据权利要求1所述的基于掩码图自编码器的图异常检测方法，其特征在于，所述重建误差的计算公式如下：；

其中， 为第i个节点的重建误差； 是第i个节点初始的特征表示， 是经过重建后得到的第i个节点的特征表示， 表示欧氏距离的平方。

6.根据权利要求1所述的基于掩码图自编码器的图异常检测方法，其特征在于，所述将异常分数与设定阈值进行比较之前，还包括：将所述异常分数进行标准化；

所述标准化后的异常分数 的计算公式如下：；

其中， 是第i个节点的异常分数， ； 为第i个节点的重建误差；n是所述待检测图像的像素点个数；j表示第j个像素点；Sj是第j个节点的异常分数。

7.一种基于掩码图自编码器的图异常检测系统，其特征在于，所述系统包括：预处理模块，用于对输入的待检测高光谱图像进行预处理，获取节点特征矩阵和边索引矩阵；

掩码模块，用于对所述节点特征矩阵进行随机掩码操作；

自编码器，用于根据所输入的随机掩码操作后的节点特征矩阵与所述边索引矩进行编码，得到重建特征矩阵；

异常评估模块，用于根据重建特征矩阵计算重建误差，得到异常分数，并将异常分数与设定阈值进行比较，将异常分数高于设定阈值的像素标记为异常；

获取节点特征矩阵的方法包括：

将输入的待检测高光谱图像通过空间维度展平为像素总数×波段数的二维矩阵，其中，行数为像素总数，列数为波段数，每一行表示为一个像素在所有波段上的光谱信息；

对二维矩阵的每一列，分别计算其均值和标准差；

对二维矩阵的每一行，分别对每个像素点减去均值，再除以标准差，得到标准化后的二维矩阵；

将标准化后的二维矩阵作为节点特征矩阵；

获取边索引矩阵的方法包括：

分别计算节点特征矩阵中每个像素与其他所有像素之间的欧式距离；

根据所述欧式距离找到距离每个像素最近的K个像素作为邻居，构建边关系，从而生成二维的边索引矩阵；

所述自编码器的构建方法包括：

构建依次连接的GNN编码器、二次掩码模块和GNN解码器；

以高光谱图像及对应的已知重建特征矩阵构建训练集；

以训练集中高光谱图像随机掩码操作后的节点特征矩阵与边索引矩阵为输入，以对应的已知重建特征矩阵为输出，采用预设的损失函数训练所述自编码器至收敛；

其中，所述GNN编码器包括依次连接的第一神经网络层、第一激活层、第二神经网络层、第二激活层；

所述GNN解码器包括依次连接的第三神经网络层和第三激活层；

其中，第一神经网络层用于根据所输入的边索引矩阵对所输入的节点特征矩阵进行加权求和，从而更新每个节点的特征表示，输出一个第一节点特征矩阵；

第一激活层用于对第一节点特征矩阵进行处理，将负值裁剪为零，而正值保持不变，得到一个第二节点矩阵；

第二神经网络层用于继续对第二节点矩阵中的节点特征进行处理，将邻居节点的信息聚合到每个节点上；

第二激活层用于对第二神经网络层的输出进行非线性变换，得到隐藏表示；

二次掩码模块用于对隐藏表示进行掩码处理；

第三神经网络层用于将经过掩码处理后的隐藏表示映射回原始特征空间；

第三激活层用于对第三神经网络层的输出进行非线性变换，得到重建特征矩阵；

第一激活层、第二激活层、第三激活层的结构相同，均采用ReLU函数。