[发明专利]一种加权核稀疏和协同表示系数的高光谱影像分类方法

权利要求书

1.一种加权核稀疏和协同表示系数的高光谱影像分类方法，其特征在于：该方法包括以下步骤：

S1：原始高光谱数据的输入，划分出训练样本与测试样本，利用核函数映射非线性高光谱数据到线性核空间；

S2：通过核技巧的运用，在核特征空间下建立高光谱数据的稀疏表示分类和协同表示分类模型；

S3：求解核特征下的稀疏表示分类模型和协同表示分类模型，得到相对应的核稀疏表示系数和核协同表示系数；

S4：通过加权融合核稀疏表示系数和核协同表示系数得到融合表示系数，在融合表示系数下对待测样本进行重构，然后根据最小类别重构残差进行分类；

S5：重复步骤S4，直到遍历图像中每一个测试样本，最终输出分类结果图。

2.根据权利要求1所述的一种加权核稀疏和协同表示系数的高光谱影像分类方法，其特征在于：所述步骤S1具体步骤为：

S1.1：输入原始高光谱影像数据X＝[x1,x2,x3...xi...xN]∈Rb，xi表示高光谱影像中的第i个样本，i＝1,2,3...N，N表示样本总数，Rb代表每一个样本表示成一个b×1维的向量，其中b为光谱波段维度；

S1.2：假设从高光谱影像数据中选出n个样本作为训练样本，则剩下的N-n个样本作为测试样本进行分类，使用训练样本构成过完备字典D，待分类的测试样本表示为y；

S1.3：利用核函数K(x,y)＝<φ(x),φ(y)>中的映射函数φ，将训练样本组成的字典D和测试样本y映射到高维核空间φ(D)、φ(y)。

3.根据权利要求1所述的一种加权核稀疏和协同表示系数的高光谱影像分类方法，其特征在于：所述步骤S2具体步骤为：

在核特征空间下的稀疏表示分类和协同表示分类模型分别表示为：

KSRC：

KCRC：

其中K为稀疏表示分类的稀疏度约束，λ为正则化参数，用于平衡重构项和约束项，为KSRC算法求解的核稀疏表示系数，为KCRC算法求解的核协同表示系数，φ(D)、φ(y)分别为φ映射函数下的核字典、核测试样本；

通过核技巧将模型进行转换，不用明确映射函数φ的具体形式：

KSRC：

KCRC：

其中φ(D)Tφ(y)＝K(D,y)记为K(y)，φ(D)Tφ(D)＝K(D,D)记为K(D)，采用径向基RBF核函数进而将核特征下的分类模型转换成核函数的形式：

KSRC：

KCRC：