1.一种基于图神经网络的高光谱遥感图像分类方法，其特征在于，包括以下步骤：获取待测三维高光谱遥感图像；

根据所述待测三维高光谱遥感图像中的每个像素点构建邻接矩阵；

对待测三维高光谱遥感图像中的地物光谱特征进行重构，根据重构的地物光谱特征利用余弦相似度度量函数识别邻接矩阵中的异常像素点，去除所述异常像素点得到优化后的邻接矩阵；

对待测三维高光谱遥感图像进行降维处理；

将优化后的邻接矩阵和降维后的待测三维高光谱遥感图像输入预先训练好的图神经网络模型，得到分类结果；

所述训练好的图神经网络模型的处理过程，包括：通过优化后的邻接矩阵将降维后的待测三维高光谱遥感图像构建成图结构数据，通过平均聚合方式聚合图结构数据中每个像素点的邻居特征，得到聚合特征，通过KAN网络从聚合特征中提取中心像素点的特征，得到中心像素点的嵌入，对中心像素点的嵌入进行Softmax处理得到分类结果；

所述对待测三维高光谱遥感图像中的地物光谱特征进行重构，根据重构的地物光谱特征利用余弦相似度度量函数识别邻接矩阵中的异常像素点，去除所述异常像素点得到优化后的邻接矩阵，具体包括：对待测三维高光谱遥感图像中的地物光谱特征进行重构，表达式为：；

；

；

其中， 是重构后第 个像素点的光谱特征， 是 个像素点的第 个波段的值， 是光谱特征 的均值， 是光谱特征 的标准差；

优化邻接矩阵，表达式为：

；

；

；

其中， 为重构后第j个邻居节点的光谱特征； 是 和 的点积， 是 的欧几里得范数， 是 的欧几里得范数；

和 是 和 的第 个波段的值；当余弦相似度度量函数时，将 和 之间的边从邻接矩阵 中去掉，得到优化后的邻接矩阵 。

2.根据权利要求1所述的基于图神经网络的高光谱遥感图像分类方法，其特征在于，所述根据所述待测三维高光谱遥感图像中的每个像素点构建邻接矩阵，具体包括：将高光谱遥感图像中的每个像素点作为一个节点与其邻居节点相连，构建邻接矩阵，表达式为：；

其中： 为像素点 的邻接矩阵， 为高光谱遥感图像第i个像素点， ，为实数集， 为高光谱遥感图像的波段数量， 代表 的邻居节点， 为第j个邻居节点， 。

3.根据权利要求1所述的基于图神经网络的高光谱遥感图像分类方法，其特征在于，所述对待测三维高光谱遥感图像进行降维处理，具体包括：对每个像素点各波段值进行均值归一化，表达式为：；

其中： 为每个像素点各波段值的数据矩阵， 为去掉均值后每个像素点各波段值的数据矩阵；

计算去均值后数据矩阵的协方差矩阵 ，表达式为：；

其中，n为样本的数量；

对协方差矩阵 进行特征值分解，获取特征值 和对应的特征向量 ：；

其中：特征向量 为第 个主成分的方向，特征值 为第 个主成分的方向上的方差大小；

选择前 个特征值较大的特征向量 ，形成一个降维的转换矩阵，表达式为：；

其中， 是包含前 个特征向量的矩阵；

将高光谱遥感图像投影到低维空间，降维后的数据 为：；

其中： 是降维后的每个像素点各波段值的数据矩阵。

4.根据权利要求3所述的基于图神经网络的高光谱遥感图像分类方法，其特征在于，所述通过优化后的邻接矩阵将降维后的待测三维高光谱遥感图像构建成图结构数据，通过平均聚合方式聚合图结构数据中每个像素点的邻居特征，得到聚合特征，通过KAN网络从聚合特征中提取中心像素点的特征，得到中心像素点的嵌入，对中心像素点的嵌入进行Softmax处理得到分类结果，具体包括：；

；

；

其中： 为神经网络第 层邻居节点特征的均值， 为第层中心节点与邻居节点的均值， 是优化后的邻接矩阵 中与像素点 相邻的像素点的集合，是优化后的邻接矩阵中 像素点的邻居像素点， 是第 个像素点第层的嵌入， 是聚合 的邻居像素点第 层特征后得到的嵌入，是第 个像素点第 层的嵌入， 是第 个像素点第 层的嵌入，， 是 中第 个像素点降维后的特征；

为高光谱遥感图像中第 个波段特征经过单变量函数的输出， 是高维空间中的函数，  是第 个像素点输出的最终的嵌入。

5.一种基于图神经网络的高光谱遥感图像分类装置，其特征在于，包括：获取模块，用于获取待测三维高光谱遥感图像；

构建模块，用于根据所述待测三维高光谱遥感图像中的每个像素点构建邻接矩阵；

优化模块，用于对待测三维高光谱遥感图像中的地物光谱特征进行重构，根据重构的地物光谱特征利用余弦相似度度量函数识别邻接矩阵中的异常像素点，去除所述异常像素点得到优化后的邻接矩阵；

降维模块，用于对待测三维高光谱遥感图像进行降维处理；

分类模块，用于将优化后的邻接矩阵和降维后的待测三维高光谱遥感图像输入预先训练好的图神经网络模型，得到分类结果；

所述训练好的图神经网络模型的处理过程，包括：通过优化后的邻接矩阵将降维后的待测三维高光谱遥感图像构建成图结构数据，通过平均聚合方式聚合图结构数据中每个像素点的邻居特征，得到聚合特征，通过KAN网络从聚合特征中提取中心像素点的特征，得到中心像素点的嵌入，对中心像素点的嵌入进行Softmax处理得到分类结果；

所述对待测三维高光谱遥感图像中的地物光谱特征进行重构，根据重构的地物光谱特征利用余弦相似度度量函数识别邻接矩阵中的异常像素点，去除所述异常像素点得到优化后的邻接矩阵，具体包括：对待测三维高光谱遥感图像中的地物光谱特征进行重构，表达式为：；

；

；

其中， 是重构后第 个像素点的光谱特征， 是 个像素点的第 个波段的值， 是光谱特征 的均值， 是光谱特征 的标准差；

优化邻接矩阵，表达式为：

；

；

；

其中， 为重构后第j个邻居节点的光谱特征； 是 和 的点积， 是 的欧几里得范数， 是 的欧几里得范数；

和 是 和 的第 个波段的值；当余弦相似度度量函数时，将 和 之间的边从邻接矩阵 中去掉，得到优化后的邻接矩阵 。

6.一种基于图神经网络的高光谱遥感图像分类系统，其特征在于，包括：存储器，用于存储计算机程序/指令；

处理器，用于执行所述计算机程序/指令以实现权利要求1‑4中任一项所述的基于图神经网络的高光谱遥感图像分类方法的步骤。

7.一种计算机可读存储介质，其上存储有计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时，实现权利要求1‑4中任一所述的基于图神经网络的高光谱遥感图像分类方法的步骤。

8.一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现权利要求1‑4中任一项所述的基于图神经网络的高光谱遥感图像分类方法的步骤。