[发明专利]基于卷积稀疏分解的高光谱图像多尺度特征提取方法

权利要求书

1.基于卷积稀疏分解的高光谱图像多尺度特征提取方法，其特征在于，它包括：

S1、将图像信号输入至稀疏表示模型中，所述稀疏表示模型包括合成稀疏模型和分析稀疏模型，合成稀疏模型将图像信号采用合成稀疏字典中基元的线性组合进行表示，分析稀疏模型将图像信号经过分析字典的投影，获得具有稀疏性质的投影系数；

S2、建立卷积稀疏分解模型，然后分别将合成稀疏模型和分析稀疏模型的先验知识添加到卷积稀疏分解模型的两个部分，然后对卷积稀疏分解模型求解；

S3、对图像信号采用分段平均的方法进行光谱降维，对降维获得图像进行多尺度空间的频谱特征提取，采用主成分分析法提取多尺度的空间频谱特征。

2.根据权利要求1所述的基于卷积稀疏分解的高光谱图像多尺度特征提取方法，其特征在于，S1所述合成稀疏模型将图像信号采用合成稀疏字典中基元的线性组合进行表示的具体方法包括：

将一维信号表示为合成稀疏字典D中q个基元的线性组合：

x＝Dα_s,s.t.||α_s||₀＝q；

其中，d≤n具有过完备性质，合成稀疏字典D中的每个列向量是一个基元；d表示x的维度，n表示D中基元的个数；

线性表示系数稀疏特性用L₀范数度量；L₀范数为||·||₀，表示某个向量中非零元素的个数。

3.根据权利要求2所述的基于卷积稀疏分解的高光谱图像多尺度特征提取方法，其特征在于，S1所述分析稀疏模型获得具有稀疏性质的投影系数的具体方法包括：

对于一维信号分析稀疏模型利用分析字典对信号进行投影，

分析字典Ω与信号x相乘，生成具有稀疏性质的投影系数α_A＝Ωx：

α_A＝Ωx s.t.||α_A||₀＝l；

其中，获得的系数α_A是稀疏向量，是信号x的分析系数特；l表示α_A中非0元素的个数，表征信号x在分析字典Ω下的分析稀疏度。

4.根据权利要求3所述的基于卷积稀疏分解的高光谱图像多尺度特征提取方法，其特征在于，S2所述建立卷积稀疏分解模型，然后分别将合成稀疏模型和分析稀疏模型的先验知识添加到卷积稀疏分解模型的两个部分的具体方法包括：

将二维图像X分解为两个部分：

X＝F+T，其中，F为空间结构部分，T为局部纹理信息；

将分析稀疏模型的先验知识用于约束空间结构部分F，该稀疏约束项的正则化参数为λ，

将合成稀疏模型的先验知识约束局部纹理信息T，该稀疏约束项的正则化参数为β；

采用卷积的方式将二维图像X的分解改写为最小化能量方程的形式：

其中，局部纹理信息为各个合成稀疏字典d_A,n,n＝1,...,N与相应的稀疏矩阵A_n,n＝1,...,N进行卷积后求和获得；d_F,m,m＝1,...,M表示第m个分析字典；

采用矩阵乘法代替卷积运算，并对各个合成稀疏字典引入额外的约束确保有界性，获得卷积稀疏正则化模型：

其中，f是F的向量化形式，α_n，n＝1,…,N是A_n,n＝1,...,N的向量化形式，

D_A,n和D_F,m分别表示d_A,n,n＝1,...,N和d_F,m,m＝1,...,M的循环块构成的循环矩阵。