1.一种空谱联合超图嵌入的高光谱图像极限学习机聚类方法，其特征在于，包括：步骤1：高光谱数据预处理：输入高光谱图像X0∈RD×W×H，D、W、H分别表示该高光谱图像的特征维数及空间维的宽度、高度，将所述高光谱数据X0按行逐像素排列形成预处理后的高光谱数据 作为极限学习机模型的输入，其中，N＝W×H表示高光谱像元的个数，xi∈RD表示一个高光谱像元；

步骤2：计算预处理后的高光谱数据的空谱联合信息：对任意高光谱像元xi通过双边滤波计算其空谱联合信息 得到新的包含空谱联合信息的高光谱数据步骤3：通过XS构造空谱联合超图：以XS表示超图的顶点的集合，E表示超图的超边的集合，W表示超图的超边的权重的集合构造空谱联合超图GS＝(XS,E,W)；

步骤4：通过所述空谱联合超图计算超图拉普拉斯矩阵Lh；

步骤5：设定隐含层网络权重参数：设定初始隐含层的节点数M，随机选择隐含层节点输入连接权重wj∈RD和隐含层节点偏移值bj∈RD，j∈[1,M]，选择激活函数为sigmoid函数；

步骤6：计算隐含层特征：按照公式hi＝[g(w1xi+b1)…g(wMxi+bM)]T计算像元xi的隐层输出，其中，g(·)表示激活函数，i∈[1,N]；则X对应的隐含层特征为H＝[h1,h2,…,hN]∈RM×N；

步骤7：构造空谱联合超图拉普拉斯正则项及优化模型：基于空谱联合超图结构的相似性保持方法建立空谱联合超图拉普拉斯正则项Tr(ATHLhHTA)及优化模型，其中，Tr(.)表示矩阵的迹，A为空谱联合超图结构的相似性保持投影特征矩阵；

步骤8：对所述优化模型进行求解，得出空谱联合超图结构的相似性保持投影特征，并进行谱聚类得到最终的聚类标签。

2.根据权利要求1所述的空谱联合超图嵌入的高光谱图像极限学习机聚类方法，其特征在于，所述步骤2中计算预处理后的高光谱数据的空谱联合信息包括：步骤2.1：对(mi,ni)位置的高光谱像元xi进行相邻像元的选择处理，得到xi的相邻像元集合 w是窗口的大小，(mj,nj)是像元xj的位置；

步骤2.2：求解xi和xj的光谱相似性权重 计算公式为：其中，σr是 的高斯核的方差；

步骤2.3：求解xi和xj的空间相似性权重 计算公式为：其中，σd是 的高斯核的方差；

步骤2.4：通过所述 及 计算归一化空谱联合相似性权重fij，计算公式为：步骤2.5：计算xi的空谱联合信息 其计算公式为：其中，f(xi)是xi空谱联合信息的表示函数。

3.根据权利要求2所述的空谱联合超图嵌入的高光谱图像极限学习机聚类方法，其特征在于，所述步骤3中通过XS构造空谱联合超图包括：步骤3.1：空谱联合超图表示为：

GS＝(XS,E,W)

步骤3.2：构造超图的超边：

根据光谱联合信息计算原始数据的相似性权重矩阵S∈RN×N，计算公式为：其中， 是求得的相似性权重矩阵，σ>0表示尺度参数；

根据所得的相似性权重矩阵S，对xi根据所得的对应相似性权重Si∈RN选取最相关的K+

1个像元{xi,1,…,xi,K+1}，其中xi,K+1＝xi，对{xi,1,…,xi,K}中每个像元按照步骤2计算其对应的空谱联合信息 将 作为xi的空谱联合超边ei，则X对应的超边集合为E＝[e1,e2,…,eN]；

步骤3.3：构造空谱联合超边权重，其计算公式为：其中，w(ei)是空谱联合超边ei对应的权重， 是高斯核参数， 表示xi最相关的K个近邻。

4.根据权利要求3所述的空谱联合超图嵌入的高光谱图像极限学习机聚类方法，其特征在于，所述步骤4包括：步骤4.1：构造指示矩阵

步骤4.2：计算顶点 的度，其计算公式为：

其中， 表示顶点 的度， 表示顶点 在超边ej内，w(ej)表示超边ej的权重；

步骤4.3：计算超边的度，其计算公式为：

其中，δ(ej)表示超边ej的度；

步骤4.4：计算空谱联合超图的超图拉普拉斯矩阵：其中，Dv＝diag([d(e1),d(e2),…,d(eN)])是顶点的度的对角矩阵，De＝diag([δ(e1),δ(e2),…,δ(eN)])是超边的度的对角矩阵，W＝diag([w(e1),w(e2),…,w(eN)])是超边的权重矩阵。

5.根据权利要求4所述的空谱联合超图嵌入的高光谱图像极限学习机聚类方法，其特征在于，所述步骤7中构造空谱联合超图拉普拉斯正则项及优化模型包括：步骤7.1：基于空谱联合超图结构的相似性保持方法，建立空谱联合超图拉普拉斯正则项：步骤7.2：建立空谱联合超图结构的相似性保持的优化模型：s.t.(HTA)T(HTA)＝IC

其中，λ是正则化参数，IC是C×C的单位矩阵。

6.根据权利要求5所述的空谱联合超图嵌入的高光谱图像极限学习机聚类方法，其特征在于，所述步骤8包括：步骤8.1：利用拉格朗日乘子法得出优化模型的解为：其中，β1,β2,…,βC+1是(IM+λHLhHT)βi＝γHHTβi求解的前C+1个最小特征值γ1,γ2,…,γC+1对应的特征向量，γ1≤γ2≤…≤γC+1， 是标准化的特征向量，C表示输出特征的维度，IM表示M×M的单位矩阵；

步骤8.2：对于输入的高光谱数据最终的输出特征为HTA，将HTA的每一行看作一个高光谱像元的空谱联合超图结构的相似性保持投影特征向量，用谱聚类的方法将N个高光谱像元聚成k类，得到最终类别标签向量y。