1.一种基于组块低秩张量模型的无监督高光谱数据降维方法，包括以下步骤：(1)输入高光谱图像数据，将所有像素点的灰度值归一化到0～1之间，并将高光谱图像表示为三阶张量形式，得到高光谱图像 其中I10是高光谱图像的空间高度像素点个数，I20高光谱图像的空间宽度像素点个数，I3是高光谱图像的波段数；

(2)设定高光谱图像空间像素分块高度像素参数B1＜＜I10，宽度像素参数B2＜＜I20，保持波段维I3不变，对原始高光谱图像X0在空间维边缘进行镜像扩展，得到扩展后的高光谱图像 其中I1和I2分别是高光谱图像扩展后的空间高度像素点个数和空间宽度像素点个数，且I1mod B1＝0、I2mod B2＝0，以保证高光谱图像能被像素尺寸为B1×B2的图像块整分；

(3)对扩展后的高光谱图像在空间维按像素大小为B1×B2进行无重叠分块，得到m个大小相同的三阶图像块；

其中，m＝(I1×I2)/(B1×B2)；

(4)设定对分块结果进行聚类的聚类组数K＜＜m，并对m个大小相同的三阶图像块进行聚类操作，得到K个聚类组 i＝1,2,…,K，其中ki表示每个聚类组中图像块X'的个数，且

(5)用低秩张量分析对各个聚类组Xi分别进行降维，得到各聚类组的降维结果Yi：

5a)设定每个聚类组低秩张量分析的秩参数Ri＝(ri1,ri2,ri3,ri4)，其中，ri1、ri2分别为聚类组Xi空间维高度和宽度方向的秩，ri3为原始高光谱图像降维后的维数，ri4为每个聚类组中相同大小图像块的个数；

5b)将聚类组Xi按照n模方式展开得到n模矩阵Rin，用 前rin个大特征值对应的特征向量组成初始化分解矩阵 n＝1,2,3,4；

5c)利用交替最小二乘方法最大化下式，依次计算四个分解矩阵Ui1,Ui2,Ui3,Ui4；

其中， 指二次Frobenius范数，Uin的秩分别等于rin，n＝1,2,3,4；

5d)计算协方差矩阵 n＝1,2,4，取第三协方差矩阵 前ri3个大的特征值对应的特征向量组成特征矩阵Λi，计算降维矩阵

5e)使用tucker分解方法计算降维后的聚类组Yi；

(6)将降维后所有聚类组Yi中大小相同的三阶图像块按照其在镜像扩展后高光谱图像中的位置进行重新排列，得到降维后的镜像扩展高光谱图像的三阶张量表示并裁剪掉步骤(2)中镜像扩展的像素，得到原始高光谱图像X0降维后的结果

2.如权利要求1的方法，其中所述5b)中将聚类组Xi按照n模方式展开，是保持聚类组Xi第n阶不变，将其余各阶依次展开，即得到n模矩阵Rin，n＝1,2,3,4。

3.如权利要求1的方法，其中所述5e)中利用tucker分解方法方法计算Yi，按如下步骤进行：

5e1)将聚类组Xi按1模展开得到1模矩阵Ri1，并将其与第一协方差矩阵Pi1进行1模乘法，得到1模乘积矩阵Qi1；

5e2)将Qi1按2模展开得到2模矩阵Ri2，并将其与第二协方差矩阵Pi2进行2模乘法，得到2模乘积矩阵Qi2；

5e3)将Qi2按3模展开得到3模矩阵Ri3，并将其与降维矩阵ci3进行3模乘法，得到3模乘积矩阵Qi3；

5e4)将Qi3按4模展开得到4模矩阵Ri4，并将其与第四协方差矩阵Pi4进行4模乘法，求得聚类组Xi降维后的结果：Yi＝Xi×1Pi1×2Pi2×3ci3×4Pi4，