1.一种利用空洞卷积的高光谱遥感图像分类方法，其特征在于，包括以下步骤：(1)读取一幅带分类标签的高光谱遥感图像，将每个像素与标注好的标签，一起送入模型进行训练；

(2)对步骤(1)中，高光谱遥感图像的单像素，送入NG‑APC模块进行基于分支组合的空洞卷积处理，获取特征图谱，其中NG‑APC模块为：无网格化(Non‑Gridding)多层级联的空洞卷积轻量级深度学习模块(Non‑Gridding Atrous Pyramid Convolution)，简称为NG‑APC模块；

其中，所述的送入NG‑APC模块进行基于分支组合的空洞卷积处理，按照如下步骤进行：(2a)计算NG‑APC模块的串行空洞卷积，NG‑APC模块的空洞扩展率rate和感受野F，通过公式(1)、(2)计算得到：

其中，F表示感受野；r表示空洞扩展率；下标d表示串行卷积中所在的层数；rd和Fd表示d层卷积的空洞扩展率和感受野；rdmax和Fdmax表示在保证Non‑gridding时，d层卷积的空洞扩展率和感受野可取到的最大值；设F1表示第一层卷积的感受野，F1＝(k‑1)×r+1，其中k＝3表示卷积核的尺寸，初始设置为r1max＝1,F1max＝3,F1＝3；

(2b)设置NG‑APC模块的分支空洞卷积部分，其中分支数可根据实际应用中对感受野的要求设定，默认值为2；设置NG‑APC模块的不同分支下达到Non‑gridding的空洞卷积级联最大化的空洞扩展率r和感受野F的值：

其中，上标i表示NG‑APC模块的第i个分支； 和 为第i个分支、第d层卷积的空洞扩展率和感受野在保证Non‑gridding时可取到的最大值；初始值设置为根据公式(2)、(3)，在已知卷积级联深度为n的前提下，先计算1～n‑1层的空洞扩展率和感受野，取值可根据实际情况在保证Non‑gridding的情况下适当缩小；

(2c)根据公式(3)计算第n层卷积的第i个分支的r和F；

(2d)根据NG‑APC模块中空洞扩展率和感受野的设置值要求，输入数据的光谱维度的大小，调整选择每个分支中r和F的取值，并计算出输入像素的特征图谱；

(3)使用激活函数Relu对步骤(2)的结果进行特征筛选，其中Relu为激活函数，公式为：f(x)＝max(0,x)，表示取0和x值两者中的最大值；

(4)使用Concat对步骤(3)的结果进行特征组合，其中Concat的作用就是将两个及以上的特征图按照在通道(Channel)维度上进行拼接；

(5)对步骤(4)的结果构造一个具有三个卷积层，三个激活层卷积神经网络，提取主要特征；

(6)利用一个全连接层和Softmax函数做分类器，其中Softmax表示输出此分类对应的所有分类概率中最大的类别，即属于该类别的可能性概率，公式为： j＝1…T，jj

为图像中某类别的指数e占所有类别数的指数和的比值Sj，T为总的类别数；

(7)对步骤(6)的分类结果，设定学习率为0.005，优化策略使用随机梯度下降法(SGD)，进行迭代训练，得到训练好的深度卷积神经网络；

(8)将测试样本输入到训练好的网络中，得到预测的分类标签，通过与实际标签比对，可测试分类准确率；将待分类高光谱单像素与测试样本的参考标签进行对比，完成高光谱图像的地物分类。