[发明专利]一种压缩光谱特征感知方法

说明书

一种压缩光谱特征感知方法，通过光谱压缩测量矩阵，基于构建的光谱压缩测量矩阵能够压缩提取光谱信号的特征信号，实现光谱特征的压缩感知。另外本发明给出了基于数字微镜阵列(DMD)的光谱压缩测量矩阵Φ的物理实现方法。压缩光谱特征感知方法可以有效避免信号重构与特征提取，测量数据可以直接用于分类识别，大大减少了计算与存储开销，提高了光谱信息获取的效率。由于光谱特征信号的维度远小于光谱信号的维度，因此压缩光谱特征感知方法获取的测量数据会小于传统压缩光谱成像的测量数据。

技术领域

本发明涉及光谱信息获取方法，具体涉及一种压缩光谱特征感知方法。

背景技术

光谱数据可涵盖数十、乃至数百光谱频段，蕴含目标丰富的光谱特征，因此在目标检测、分类、识别等领域具有重要的应用。然而，光谱数据的空谱维度较高，对光谱数据的获取、存储、处理等造成了很大的困难，同时对光谱特征提取与分类识别的实时性带来巨大的挑战。压缩感知理论为解决光谱数据的维度灾难提供了新思路，有望提升光谱数据获取与处理效率。压缩感知理论表明，当信号具有稀疏特性时，可以利用远小于传统香农采样量的采样数据，通过稀疏约束重构，以很高的概率精确恢复原信号。据此，压缩光谱成像系统已经研制成功，例如孔径编码快照式光谱成像仪，其通过压缩采样大大降低了光谱数据的采样量。

压缩光谱成像降低了采样数据量，但是依然需要稀疏重构原始信号，这同样需要大量计算与时间开销；同时，重构的原始信号再经过特征提取，才能用于光谱信号的分类识别。一个新奇的想法是，能否从压缩数据中直接重构特征信号？Ramirez A.等提出了特征重构的思路，即通过分析已获得的具有标签信息的光谱数据，设计能够对光谱信号进行稀疏表示的特征表示基，则其表示系数可视为光谱信号的特征信号；进而在压缩感知的框架下，利用稀疏重构算法重构这些表示系数，则重构信号作为特征信号可直接用于光谱数据的分类识别，大大提高了光谱信息获取的效率。

特征重构可以避免重构后对光谱信息再进行处理、特征提取等后续操作，但是无法避免稀疏重构这一关键环节，因此重构同样需要计算、时间等开销。

发明内容

为了解决现有技术存在的问题，本发明目的在于提供一种压缩光谱特征感知方法，即通过设计压缩采样矩阵，使得压缩采样数据即为光谱的特征数据，可直接用于光谱分类识别，避免重构环节。本发明利用了两个主要先验信息，一个为光谱数据所代表的目标类别有限，且一般远小于光谱维度，因此通过分析光谱数据的空间结构，寻找其主要成分，可以利用更少的数据量表示原光谱，进而实现更大的数据压缩；另一个先验信息为属于同类的光谱数据具有高度的相似性，因此由光谱数据构成的信号矩阵一般具有低秩特性，可以利用矩阵分解等工具去除训练光谱数据中的非理想成分，提高感知矩阵设计精度。

本发明通过压缩测量矩阵设计，直接获取光谱的特征信号，提高光谱信息获取的效率。需要解决的问题包括：其一，去除训练光谱数据中的非理想成分；其二，挖掘训练光谱数据中的结构信息。最终设计合适光谱压缩测量矩阵，实现光谱特征的压缩感知。

为实现本发明之目的，本发明采用以下技术方案予以实现：

一种压缩光谱特征感知方法，包括以下步骤：

S1：训练光谱数据预处理

S1.1训练光谱数据的选择

设成像区域待识别的目标共S类，光谱维度为N,L个训练光谱信号分别为 {x₁,x₂,…,x_L}，其中，x_l∈R^N，l＝1,2,…，L，RN表示N维实向量空间；则要求选择的训练光谱数据(即所有的训练光谱信号)中含有成像区域待识别的S类目标的光谱信号。

S1.2构建光谱矩阵：X＝[x₁,x₂,…,x_L]∈R^N×L，其中R^N×L表示N*L维实向量空间；