[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

说明书

基于卷积稀疏分解的高光谱图像多尺度特征提取方法，属于图像处理技术领域，本发明为解决高光谱图像多尺度特征提取有效性差、图像分类精确度低的问题。它将图像信号输入至稀疏表示模型中，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投影，获得具有稀疏性质的投影系数；建立卷积稀疏分解模型，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；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。本发明用于对高光谱图像进行特征提取。

技术领域

本发明涉及一种高光谱图像多尺度特征提取方法，属于图像处理技术领域。

背景技术

高光谱图像特征提取是提高分类精度的有效手段。由于不同地物往往具有不同的空间特性，高光谱图像多尺度特征提取成为近年来广受关注的研究内容。为实现有效的多尺度特征提取，现有方法往往采取对高光谱图像的原始空间信息进行不同程度的平滑操作，从而获得从小尺度到大尺度的空间特征。然而，这些方法在提取特征时往往以模糊图像的重要结构信息为代价，从而严重限制了多尺度策略对分类任务的有效性，尤其是对于地物空间特性复杂的城市场景。

发明内容

本发明目的是为了解决高光谱图像多尺度特征提取有效性差、图像分类精确度低的问题，提供了一种基于卷积稀疏分解的高光谱图像多尺度特征提取方法。

本发明所述基于卷积稀疏分解的高光谱图像多尺度特征提取方法，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。

优选的，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。

优选的，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。

优选的，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：