1.一种基于半监督加权迁移判别分析的图像分类方法，其特征在于，包括以下步骤：S1：对源域和目标域图像样本分别进行预处理，获取源域和目标域数据集DS与DT；

S2：分别采用源域和目标域数据集DS与DT，获取源域和目标域样本的跨领域均值逼近权重wS与wT；

S3：通过将wS与wT代入最大均值差异度量MMD，并代入联合分布调整JDA，构建加权联合分布调整方法WJDA，通过同时缩小领域间的边缘分布和条件分布，寻找最优特征子空间，保证源域和目标域间的图像特征在跨领域知识迁移过程中不变；

同时将半监督判别分析SDA与WJDA相结合，构建半监督加权迁移判别分析模型的目标函数；

*

采用广义特征分解方法学习特征子空间投影矩阵P ，获得不同领域间样本的共享特征*表达Z＝{ZS,ZT}；

S4：采用源域样本集DS的子空间特征表达ZS及其标签集YS训练k近邻分类器，对所述目标域数据集DT对应子空间特征表达ZT进行标签预测，获取预测结果YT，转至步骤S2，直到达到最大迭代次数或者YT不再变化；

所述步骤S2中设计样本的跨领域均值逼近权重，其表达如下:其中， μT(S)为目标(源)领域样本的均值；

所述步骤S3中加权联合分布调整目标函数构建过程为：S31：给定来自两个相关的领域的高维数据集源域 和目标域两个高维数据集共享标签集合

其中，nS和nT分别为两个数据集的样本个数，d为特征空间维数，DT中样本未含标记样本，ySi∈Y，C为类别个数；

联合分布调整JDA的目标函数为：

n

其中，X＝{DS∪DT}，P为投影矩阵， 为中心矩阵，q∈R为元素为1的列向量，n＝nS+nT；M0为(nS+nT)阶边缘分布差异矩阵，其元素为：Mc为条件分布差异矩阵，有：

其中， 和 为源域和目标域中标签类别为c的样本子集， 和 分别为和 中的样本， 分别为 和 中的样本个数；

S32：将源域和目标域数据集样本的跨领域均值逼近权重引入公式(2)，构建跨领域共享特征提取算法：加权联合分布调整WJDA，其目标函数为：T T

s.t.PXHXP＝I

(5)

式中：W0和Wc为边缘分布差异权重矩阵和条件差异权重矩阵，其元素分别为：其中， 和 分别为 和 中样本的跨领域均值逼近判别权重，其表达式为：其中， 为目标(源)领域中标签为c类样本集合的均值。

2.根据权利要求1所述的一种基于半监督加权迁移判别分析的图像分类方法，其特征在于，所述步骤S1中，所述对源域和目标域中的图像样本预处理包含如下步骤：S11：对源域和目标域中图像样本DS1与DT1分别进行分辨率一致缩放处理，得到DS2与DT2；

S12：将DS2与DT2分别进行归一化处理，得到DS3与DT3；

S13：将DS3与DT3分别进行PCA降维处理，得到DS与DT。

3.根据权利要求1所述的一种基于半监督加权迁移判别分析的图像分类方法，其特征在于，所述步骤S3中半监督加权迁移判别分析目标函数构建过程为：S33：给定样本集X＝XS∪XT，半监督判别分析SDA的目标函数如下：T T

其中，PXLX P为图正则项，参数α为图正则项与类间散度的平衡参数，图正则项的拉普拉斯矩阵为L＝D‑P， G是由X构成的图近邻相似矩阵；Sb和St分别表示类间离散度和总散度矩阵：S34：将WJDA方法与SDA相结合，即合并公式(5)和(9)，构建半监督加权迁移判别分析，其目标函数为：T T

s.t.PXHXP＝I     (13)对公式(13)进行进一步推导，得出：

其中，θ，λ是平衡参数；其中，为控制投影矩阵的稀疏度，在目标函数中加入 和平衡参数β，为了减小参数β的搜索范围，设定 μ为一个平衡参数，与β意义相同，控制分布差异权重矩阵W0，Wc对非加权分布差异矩阵M0，Mc的影响程度；则公式(14)变为：S35：当数据为非线性时，将其通过核映射转换到高维空间，即 数据集X对应的核矩阵为 则目标函数式(15)在非线性空间内，表达为：

4.根据权利要求1所述的一种基于半监督加权迁移判别分析的图像分类方法，其特征在于，所述步骤S3中半监督加权迁移判别分析目标函数的求解过程为：S36：采用Lagrange乘子法，将公式(15)的最优化问题转换为特征方程的广义特征值求解：k×k

其中，Φ＝diag(φ1,…,φk)∈R 是由前k个最大特征值构成的对角矩阵，其对应的特征向量矩阵即为投影矩阵P；

S37：当数据集X为非线性时，采用Lagrange乘子法，将公式(16)的最优化问题转换为特征方程的广义特征值求解：其中， 分别为St、Sb在核映射下的非线性形式。

5.根据权利要求1所述的一种基于半监督加权迁移判别分析的图像分类方法，其特征在于，所述步骤S4中所述基于半监督加权迁移判别分析的分类过程如下：通过半监督加权迁移判别分析模型分别提取源领域图像训练集样本特征ZS和目标领域测试集样本特征ZT；选择线性k近邻分类器，并采用{ZS,YS}训练分类器对ZT进行预测。