1.基于增强过采样的类别不平衡高光谱图像分类方法，其特征在于，包括以下步骤：
步骤1，获取待分类高光谱图像和待训练高光谱图像集；
步骤2，采用主成分分析法分别对待分类高光谱图像和待训练高光谱图像集中的图像进行降维处理，得到降维后的待分类高光谱图像和待训练高光谱图像集；再对降维后的每幅高光谱图像进行边缘填充和分块，得到对应的待分类像素块和训练样本集；
步骤3，对训练样本集进行增强过采样不平衡处理，得到对应的增强过采样后的训练样本集；其中，训练样本集中的训练样本为训练像素块；
步骤4，搭建卷积神经网络模型，采用过采样后的训练样本集对卷积神经网络进行训练，得到训练好的卷积神经网络；将待分类像素块输入训练好的卷积神经网络进行类别预测，得到对应的预测类别，完成待分类高光谱图像的分类。
2.根据权利要求1所述的基于增强过采样的类别不平衡高光谱图像分类方法，其特征在于，所述待训练高光谱图像集内的图像上的土地覆盖类别包含待分类高光谱图像上的土地覆盖类别。
3.根据权利要求1所述的基于增强过采样的类别不平衡高光谱图像分类方法，其特征在于，所述待训练高光谱图像集中的图像是从遥感影像公共数据平台获取的大小为h×w×n的高光谱图像。
4.根据权利要求3所述的基于增强过采样的类别不平衡高光谱图像分类方法，其特征在于，所述主成分分析法分别对待分类高光谱图像和待训练高光谱图像集中的图像进行降维处理，具体为:对每幅高光谱图像进行主成分分析，即将每幅高光谱图像的n维特征映射到k维上，k＜n，该k维是全新的正交特征。
5.根据权利要求3所述的基于增强过采样的类别不平衡高光谱图像分类方法，其特征在于，所述对降维后的每幅高光谱图像进行边缘填充和分块，具体为：
首先，计算填充边缘大小：
其中，s为像素块窗口大小，
其次，以固定像素值0在每幅高光谱图像的四周填充大小为p的边缘；
最后，以二维空间像素点方式遍历每幅高光谱图像，截取大小为s×s×k的像素块作为对应样本；每幅高光谱图像创建的像素块的样本个数为h×w个。
6.根据权利要求1所述的基于增强过采样的类别不平衡高光谱图像分类方法，其特征在于，所述对训练样本集进行增强过采样不平衡处理，具体为：
(3.1)对训练样本集内的样本进行2倍ros采样：将训练样本集中的样本数目最多的类别对应的样本数目记为m，则对于每个类别的样本分别进行类内随机复制，使每个类别的样本数量达到2m，形成过采样后的训练样本集；(3.2)对过采样后的训练样本集进行数据增强：随机选取过采样后的训练样本集中一半的样本进行数据增强处理，采用增强样本替换训练样本集中对应位置的样本，形成增强过采样后的训练样本集。
7.根据权利要求6所述的基于增强过采样的类别不平衡高光谱图像分类方法，其特征在于，所述数据增强处理为：在空间维度上进行垂直翻转、水平翻转或旋转，形成增强样本；其中，所述旋转为在[-180°,180°]区间内以300为间隔随机选择旋转角度进行样本的旋转操作。
8.根据权利要求1所述的基于增强过采样的类别不平衡高光谱图像分类方法，其特征在于，所述卷积神经网络模型由依次连接的输入层、两个卷积层、第一dropout层、全连接层、第二dropout层、全连接输出层组成，其中，输入层的尺寸为步骤3得到的增强过采样后的训练样本集中的训练样本的尺寸，全连接输出层的神经元个数为n，n为总类别数。
9.根据权利要求8所述的基于增强过采样的类别不平衡高光谱图像分类方法，其特征在于，所述采用过采样后的训练样本集对卷积神经网络进行训练，具体为：所述卷积神经网络模型的权值采用随机初始化和反向传播算法进行更新，损失函数采用交叉熵损失函数，优化器采用随机梯度下降算法；将模型训练若干个epoch，每个epoch将过采样后的训练样本集中的所有训练样本输入网络进行权值更新；当训练损失函数曲线收敛时，模型对训练数据达到拟合状态，完成训练过程。