1.基于光谱‑空间扩散生成的高光谱图像分类方法，其特征在于，包括：

利用高光谱图像训练集对光谱‑空间扩散模型进行预训练，得到预训练光谱‑空间扩散模型；

将离散的类别标签映射为实数向量，并与时间步嵌入向量结合，形成类别条件嵌入向量；

基于类别条件嵌入向量，利用逐特征线性调制机制对每个特征通道进行线性调制，以引入的类别标签作为条件，将类别信息融入光谱‑空间扩散模型的训练目标中；

利用带标签的小样本数据对预训练光谱‑空间扩散模型微调，得到第一光谱‑空间扩散模型，基于第一光谱‑空间扩散模型得到高光谱生成样本；

对高光谱生成样本进行筛选，得到筛选后的高光谱生成样本；其中，筛选条件包括光谱物理约束、类别原型一致性约束和语义一致性验证；

所述光谱物理约束为：计算高光谱生成样本与目标类别真实样本光谱的夹角，作为光谱角度距离，保留所计算的光谱角度距离小于设定角度阈值的高光谱生成样本；

所述类别原型一致性约束为：利用预训练的分类器提取真实样本的特征向量并计算均值，得到类别原型向量；利用预训练的分类器提取高光谱生成样本相同层级的特征向量，并计算与类别原型向量的欧式距离，筛选出所计算的欧式距离小于设定距离阈值的高光谱生成样本；

所述语义一致性验证为：利用预训练的分类器对高光谱生成样本进行类别预测并计算预测置信度，保留预测置信度高于设定阈值的高光谱生成样本；

利用筛选后的高光谱生成样本对分类模型进行训练，将待分类高光谱图像输入至经过训练的分类模型，得到分类结果，所述分类模型包含三个核心组件：多尺度轻量级瓶颈模块、双注意力融合模块、原型增强特征分类头；

所述分类模型对输入的待分类高光谱图像的处理过程为：

利用多尺度轻量级瓶颈模块，捕捉待分类高光谱图像不同尺度的光谱特征，以及空间特征，将光谱特征和空间特征进行加权融合得到光谱‑空间特征；

基于双注意力融合模块，利用光谱注意力分支和空间注意力分支提升光谱‑空间特征的表达能力；

基于原型增强特征分类头，通过原型聚合策略来更新每个类别的原型，计算所述双注意力融合模块输出的特征向量与每个类别原型之间的余弦相似度，根据计算的余弦相似度进行指数运算并归一化处理，得到分类概率。

2.如权利要求1所述的基于光谱‑空间扩散生成的高光谱图像分类方法，其特征在于，在对预训练扩散模型微调阶段，仅更新与类别标签相关的高层参数。

3.如权利要求1所述的基于光谱‑空间扩散生成的高光谱图像分类方法，其特征在于，所述分类模型的损失函数由焦点损失、标签平滑损失和对比损失确定；其中，所述对比损失包括确保同类特征与原型之间的距离小于最远负类特征的距离的三元组损失，以及约束特征向所属类别的原型聚拢的原型中心损失。

4.基于光谱‑空间扩散生成的高光谱图像分类系统，其特征在于，包括：

预训练模块，被配置为：利用高光谱图像训练集对光谱‑空间扩散模型进行预训练，得到预训练光谱‑空间扩散模型；

训练和生成模块，被配置为：将离散的类别标签映射为实数向量，并与时间步嵌入向量结合，形成类别条件嵌入向量；

基于类别条件嵌入向量，利用逐特征线性调制机制对每个特征通道进行线性调制，以引入的类别标签作为条件，将类别信息融入光谱‑空间扩散模型的训练目标中；

利用带标签的小样本数据对预训练光谱‑空间扩散模型微调，得到第一光谱‑空间扩散模型，基于第一光谱‑空间扩散模型得到高光谱生成样本；

筛选模块，被配置为：对高光谱生成样本进行筛选，得到筛选后的高光谱生成样本；其中，筛选条件包括光谱物理约束、类别原型一致性约束和语义一致性验证；

所述光谱物理约束为：计算高光谱生成样本与目标类别真实样本光谱的夹角，作为光谱角度距离，保留所计算的光谱角度距离小于设定角度阈值的高光谱生成样本；

所述类别原型一致性约束为：利用预训练的分类器提取真实样本的特征向量并计算均值，得到类别原型向量；利用预训练的分类器提取高光谱生成样本相同层级的特征向量，并计算与类别原型向量的欧式距离，筛选出所计算的欧式距离小于设定距离阈值的高光谱生成样本；

所述语义一致性验证为：利用预训练的分类器对高光谱生成样本进行类别预测并计算预测置信度，保留预测置信度高于设定阈值的高光谱生成样本；

分类模块，被配置为：利用筛选后的高光谱生成样本对分类模型进行训练，将待分类高光谱图像输入至经过训练的分类模型，得到分类结果，所述分类模型包含三个核心组件：多尺度轻量级瓶颈模块，双注意力融合模块，原型增强特征分类头；

所述分类模型对输入的待分类高光谱图像的处理过程为：

利用多尺度轻量级瓶颈模块，捕捉待分类高光谱图像不同尺度的光谱特征，以及空间特征，将光谱特征和空间特征进行加权融合得到光谱‑空间特征；

基于双注意力融合模块，利用光谱注意力分支和空间注意力分支提升光谱‑空间特征的表达能力；

基于原型增强特征分类头，通过原型聚合策略来更新每个类别的原型，计算所述双注意力融合模块输出的特征向量与每个类别原型之间的余弦相似度，根据计算的余弦相似度进行指数运算并归一化处理，得到分类概率。

5.一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1‑3任一项所述的方法。

6.一种计算机可读存储介质，其特征在于，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1‑3任一项所述的方法。

7.一种计算机程序产品，其特征在于，包括计算机程序，所述计算机程序被处理器执行时实现权利要求1‑3任一项所述的方法。