1.一种基于类字典的高光谱图像分类装置，其特征在于，装置包含依次连接的设置模块、类字典学习模块、稀疏特征提取模块以及分类模块，其中，所述设置模块用于选取训练集和测试集，初始化字典，以及设置相关参数；

所述类字典学习模块利用构成类内稀疏向量的原子具有协作性而构成类间稀疏向量的原子具有竞争性这一特性，进而学习到包含类别信息的字典；

所述稀疏特征提取模块利用类字典在协作稀疏表示方法下获取具有一定可分性的稀疏特征；

所述分类模块利用支持向量机对高光谱像元的稀疏特征进行分类。

2.根据权利要求1所述的基于类字典的高光谱图像分类装置，其特征在于，所述设置模块还执行如下步骤：(1)配置实验平台MATLAB8.2，i7核、8GB RAM计算机，选取整体分类精度(Overall accuracy,OA)、平均分类精度(Average accuracy,AA)、Kappa系数()对实验结果进行评价；

(2)选取印第安纳农林高光谱图像，将其包含的每个像元进行归一化；随机地选取总像元个数的10％组成训练集Xtrain 剩余90％组成测试集Xtest B表示高光谱图像波段数目，Ntrain、Ntest分别表示训练集和测试集的样本个数；随后，在Xtrain中每类选取t＝15个样本组成初始字典D0；

(3)选取基于随机字典、K-均值字典、LVQ字典、KSVD字典以及LC-KSVD2字典的分类算法为对比方法且设置相关参数，其中LC-KSVD2字典的稀疏水平、标签约束项权重、分类误差项权重分别为30、0.01和0.1；提出的类字典的类内协作正则因子、类间竞争正则因子均在[10-5,10-4,...,100]区间变化；协作稀疏表示方法的参数是调节稀疏项和分类误差项比例的权重因子，在区间[10-3,10-2,…,102]中变化；支持向量机采用高斯核函数，利用十字交叉验证估计惩罚因子以及核宽度，且利用“一对余”多分类器策略。

3.根据权利要求1所述的基于类字典的高光谱图像分类装置，其特征在于，所述类字典学习模块还执行如下步骤：(1)对比传统稀疏框架与协作稀疏框架，考虑到计算复杂度，选取在协作稀疏框架下对类字典进行学习与优化，公式如下：

其中xi表示训练集中的像元，对应的稀疏向量为si，D表示学习到的字典，是调节稀疏项和分类误差项比例的权重因子，Ntrain表示训练集包含样本的个数；

(2)类字典学习方程的构建，由于①来自同一类别像元对应的稀疏向量通常由字典中相似的原子组成；②来自不同类别像元对应的稀疏向量通常由不同的原子构成；构建类间竞争正则项 和类内协作正则项 这时，类字典学习方程为：

其中N表示图像包含的类别数，Sp,p{1,2,...,N}表示第p类样本对应的稀疏矩阵，S/Sp表示除类别p外其他类别的稀疏矩阵，N表示类别总数，di,i{1,2,...,K}表示字典中的第i个原子，和分别表示类间竞争正则项和类内协作正则项的权重；同时，当si，sj属于同一类别时，相似矩阵对应元素为Wij 1，否则Wij 0；

(3)类字典学习方程的优化，在加入类间竞争正则项和类内协作正则项时，上述类字典学习方程的优化问题变为包含两个矩阵变量的无约束条件的非凸问题，方程仅存在局部最优解；因此，采用交替迭代的方式对其进行优化；

当字典D为一定值的情况下，稀疏向量为：

其中S Lij和Lki分别表示相似矩阵W对应的拉普拉斯矩阵对角线上的元素和非对角线上的元素；

当稀疏矩阵S为一定值的情况下，优化字典为：

D XS*T S*S*T+I1   (4)

(4)将上述字典和稀疏矩阵代入公式(2)求得残差，当其小于预先设定值＝0.01时，停止上述交替迭代，这时类字典最优。

4.根据权利要求1所述的基于类字典的高光谱图像分类装置，其特征在于，所述稀疏特征提取模块还执行如下步骤：(1)稀疏特征获取，在协作稀疏表示方法中，利用类字典学习模块学习到的类字典将高光谱图像中的所有像元转化为具有一定可分性的稀疏向量，转化公式为：

其中D*表示类字典学习模块学习到的字典，是调节稀疏项和分类误差项比例的权重因子，z为高光谱图像中的任意像元，为对应的稀疏向量。

5.根据权利要求1所述的基于类字典的高光谱图像分类装置，其特征在于，所述分类模块还执行如下步骤：(1)首先，随机地选取10％的稀疏特征向量为支持向量机的训练集Strain 剩余特征向量组成测试集Stest 这里Ntrain、Ntest分别表示训练集和测试集的样本个数，K表示稀疏水平，且采用十字交叉验证的方法确定惩罚因子和核宽度；

(2)利用训练得到的分类模型对Stest进行分类，进而得到测试样本的类标签yi(i 

1,...,Ntest)。

6.一种基于类字典的高光谱图像分类方法，其特征在于，方法包括下列步骤：(1)初始设置：选取训练集和测试集，初始化字典，以及设置相关参数；

(2)字典学习方程构建：利用构成类内稀疏向量的原子具有协作性而构成类间稀疏向量的原子具有竞争性这一特性，进而学习到包含类别信息的字典；

(3)稀疏特征获取：利用类字典在协作稀疏表示方法下获取具有一定可分性的稀疏特征；

(4)分类过程：利用支持向量机对高光谱像元的稀疏特征进行分类。

7.根据权利要求6所述的基于类字典的高光谱图像分类方法，其特征在于，步骤(1)还包括以下步骤：(1)配置实验平台MATLAB8.2，i7核、8GB  RAM计算机，选取整体分类精度(Overallaccuracy,OA)、平均分类精度(Average accuracy,AA)、Kappa系数()对实验结果进行评价；

(2)选取印第安纳农林高光谱图像，将其包含的每个像元进行归一化；随机地选取总像元个数的10％组成训练集Xtrain 剩余90％组成测试集Xtest B表示高光谱图像波段数目，Ntrain、Ntest分别表示训练集和测试集的样本个数；随后，在Xtrain中每类选取t＝15个样本组成初始字典D0；

(3)选取基于随机字典、K-均值字典、LVQ字典、KSVD字典以及LC-KSVD2字典的分类算法为对比方法且设置相关参数，其中LC-KSVD2字典的稀疏水平、标签约束项权重、分类误差项权重分别为30、0.01和0.1；提出的类字典的类内协作正则因子、类间竞争正则因子均在[10-5,10-4,...,100]区间变化；协作稀疏表示方法的参数是调节稀疏项和分类误差项比例的权重因子，在区间[10-3,10-2,…,102]中变化；支持向量机采用高斯核函数，利用十字交叉验证估计惩罚因子以及核宽度，且利用“一对余”多分类器策略。

8.根据权利要求6所述的基于类字典的高光谱图像分类方法，其特征在于，步骤(2)还包括以下步骤：(1)对比传统稀疏框架与协作稀疏框架，考虑到计算复杂度，选取在协作稀疏框架下对类字典进行学习与优化，公式如下：

其中xi表示训练集中的像元，对应的稀疏向量为si，是调节稀疏项和分类误差项比例的权重因子，Ntrain表示训练集的样本个数，D表示学习到的字典；

(2)类字典学习方程的构建，由于①来自同一类别像元对应的稀疏向量通常由字典中相似的原子组成；②来自不同类别像元对应的稀疏向量通常由不同的原子构成；构建类间竞争正则项 和类内协作正则项 这时，类字典学习方程为：

其中N表示图像包含的类别数，Sp,p{1,2,...,N}表示第p类样本对应的稀疏矩阵，S/Sp表示除类别p外其他类别的稀疏矩阵，N表示类别总数，di,i{1,2,...,K}表示字典中的第i个原子，和分别表示类间竞争正则项和类内协作正则项的权重；同时，当si，sj属于同一类别时，相似矩阵对应元素为Wij 1，否则Wij 0；

(3)类字典学习方程的优化，在加入类间竞争正则项和类内协作正则项时，上述类字典学习方程的优化问题变为包含两个矩阵变量的无约束条件的非凸问题，方程仅存在局部最优解；因此，采用交替迭代的方式对其进行优化；

当字典D为一定值的情况下，稀疏向量为：

其中S Lij和Lki分别表示相似矩阵W对应的拉普拉斯矩阵对角线上的元素和非对角线上的元素；

当稀疏矩阵S为一定值的情况下，优化字典为：

D XS*T S*S*T+I1   (d)

(4)将上述字典和稀疏矩阵代入公式(b)求得残差，当其小于预先设定值＝0.01时，停止上述交替迭代，这时类字典最优。

9.根据权利要求6所述的基于类字典的高光谱图像分类方法，其特征在于，步骤(4)还包括以下步骤：(1)首先，随机地选取10％的稀疏特征向量为支持向量机的训练集Strain 剩余特征向量组成测试集Stest 这里Ntrain、Ntest分别表示训练集和测试集的样本个数，K表示稀疏水平，且采用十字交叉验证的方法确定惩罚因子和核宽度；

(2)利用训练得到的分类模型对Stest进行分类，进而得到测试样本的类标签yi(i 

1,...,Ntest)。