1.一种基于近邻传播聚类和稀疏多核学习的高光谱分类方法，包括：
(1)获取训练样本集Xp和测试样本集Xq：
输入高光谱图像：1≤i≤l，该图像包含l个光谱波段，n个样本；
随机取这些样本的10％组成初始训练样本集：1≤i≤l，其余样本组成初始测试样本集1≤i≤l，其中，pp，qq分别代表初始训练样本和初始测试样本的数量，满足pp+qq＝n；
对训练样本集Xpp和测试样本集Xqq分别进行列归一化操作，得到列归一化后的训练样本集Xp和测试样本集Xq；
(2)获取训练样本集Xp的核矩阵集合K：
(2a)抽取初始训练样本集Xp中第i个波段1≤k≤p，p表示列归一化后初始训练样本的数量；
(2b)利用中任意两个样本和计算高斯核矩阵其中σj是第j个核参数；通过m个不同核参数构成核矩阵m＝5，1≤j≤m；
(2c)抽取训练样本集Xp中所有l个波段通过上述(2a)和(2b)步骤得出核矩阵集合为：共有m×l个核矩阵，将做变换，即则K表示为K＝{K1,K2,…,Kt,…,Kml}，1≤t≤ml；
(3)计算核矩阵集合K中任意两个核Ka,Kb基于核排列的相似度，得到一个m×l行m×l列的相似度矩阵S(Ka,Kb)，其中Ka和Kb是核矩阵集合K＝{K1,K2,…,Kt,…,Kml}中第a个和第b个核矩阵，1≤a≤m×l，1≤b≤m×l；
(4)通过近邻传播聚类算法，对K中包含的m×l个核进行聚类，得到c个核矩阵聚类中心序列{λ1,λ2,…,λγ,…,λc}，1≤γ≤c，并保留该聚类中心序列的核，对核矩阵集合K进行更新，得到更新后的核矩阵集合
(5)对训练样本集和测试样本集进行更新：
根据核矩阵聚类中心序列{λ1,λ2,…,λγ,…,λc}，1≤γ≤c，通过计算出选择的波段序列编号{β1,β2,…,βγ,…,βc}，并去掉重复的序列编号，得到最终的波段序列编号{β1,β2,…,βs,…,βd}；1≤s≤d≤c
根据最终的波段序列编号将训练样本集更新为：将测试样本集更新为：
(6)将更新后的核矩阵集合K′、训练样本集Xp′、训练样本标签集Yp＝{yk＝±1，1≤k≤p}，通过多核学习方法，学习出核矩阵集合K′的核权重和SVM分类器的支撑向量系数；使用该SVM分类器，对测试样本集合Xq′进行分类，得到所有测试样本的类别标签Yq，即为高光谱图像的分类结果。
2.根据权利要求1所述的高光谱图像分类方法，其中步骤(3)中计算核矩阵集合K中任意两个核的基于核排列的相似度S(Ka,Kb)，按如下步骤进行：
当a≠b时，通过下式计算核矩阵集合K中任意两个核Ka和Kb之间基于核排列的相似度：
其中，〈Ka,Kb〉F代表核矩阵Ka和Kb的Frobenius积，∑表示求和符号，Tr表示矩阵迹函数，和分别表示训练样本集中第u个样本和第v个样本；
(2.2)当a＝b时，计算核矩阵集合K中任意一个核Ka和由训练样本类别标签Yp构成的理想核矩阵Kideal＝YpYpT之间基于核排列的相似度：
其中，T表示向量的转置。
3.根据权利要求1所述的高光谱图像分类方法，其中步骤(4)中通过近邻传播聚类算法，对K中包含的m×l个核进行聚类，按如下步骤进行：
(4.1)将吸引度矩阵R和归属度矩阵A初始化为m×l行m×l列全0矩阵，迭代次数g初始化为1；
(4.2)令g＝g+1，通过公式<3>至<5>进行迭代，更新吸引度矩阵R和归属度矩阵A，其中，吸引度矩阵R中第a行第b列的元素R(a,b)和归属度矩阵A中第a行第b列的元素A(a,b)表示如下：
其中，S(a,b)表示核矩阵集合K中第a个核Ka和第b个核Kb之间基于核排列的相似度，S(a,b')表示核矩阵集合K中第a个核Ka和第b'个核Kb'之间基于核排列的相似度，b'≠b，R(b,b)表示吸引度矩阵R中第b行第b列的元素，R(a',b)表示吸引度矩阵R中第a'行第b列的元素，a'≠a和A(a,b')表示归属度矩阵A中第a行第b'列的元素，b'≠b；
(4.3)重复步骤(4.2)，直到迭代次数g＝1000，迭代结束；
(4.4)根据迭代结束后得到的吸引度矩阵R和归属度矩阵A，如果满足A(a,a)+R(a,a)>0，其中A(a,a)表示归属度矩阵A中第a行第a列的元素，R(a,a)表示吸引度矩阵R中第a行第a列的元素，将所对应的序列号a组成聚类中心{λ1,λ2,…,λγ,…,λc}，1≤γ≤c，γ＝a，其中c是聚类中心的个数。
4.根据权利要求1所述的高光谱图像分类方法，步骤(6)中通过多核学习方法，学习出核权重dγ和SVM分类器的支撑向量系数α；使用该分类器，对测试样本集合Xq′进行分类，得到所有测试样本的类别标签Yq，按如下步骤进行：
(6.1)输入训练样本集Xp′、训练样本标签集Yp，核矩阵集合K′，根据如下L1稀疏约束的多核学习优化目标函数<6>，通过交替优化，得到支撑矢量系数α和核权重dγ：
其中，C是一个平衡因子，其取值为常数，p是训练样本的个数，αk和αu分别表示支撑矢量系数α中第k个和第u个元素，yk和yu分别表示训练样本标签集Yp中第k个和第u个元素，是训练样本集Xp′中样本的第k个样本xk′和第u个样本xu′的核；
(6.2)利用支撑矢量系数α和核权重dγ，通过下式<7>计算求得SVM偏执量b：
其中，S＝{xk′,1≤k≤p,αk≠0}表示支撑矢量样本的集合，NS是S集合中支撑矢量样本对应的支撑向量的个数；
(6.3)利用支撑矢量系数α，核权重dγ，SVM偏执量b，通过下式<8>得到测试样本集合Xq′的类别标签Yq：
。