[发明专利]基于低秩矩阵恢复的空谱联合高光谱图像目标识别方法

权利要求书

1.基于低秩矩阵恢复的空谱联合高光谱图像目标识别方法，该目标识别方法的具体过程为：

步骤1、通过低秩矩阵恢复方法对高光谱图像进行原图和噪声的分离，将被噪声干扰的高光谱图像从噪声中恢复出来；

步骤2、通过有约束能量最小化方法，将待识别光谱与目标光谱进行匹配；

步骤3、从空间角度利用不变矩特征对光谱匹配的结果进行识别，获得高光谱图像数据的目标识别结果；

步骤1所述通过低秩矩阵恢复方法对高光谱图像进行原图和噪声的分离的具体过程为：

步骤1-1、从数据的空间角度将高光谱数据立方按照顺序进行分块，作为低秩矩阵恢复方法的输入；

步骤1-2、采用低秩矩阵恢复方法对高光谱数据进行分离恢复；

步骤1-3、采用增广拉格朗日算法对低秩恢复进行优化处理，获得优化后的恢复结果；

其特征在于，步骤1-3所述对低秩恢复进行优化处理的具体过程为：

设矩阵D为受噪声干扰的高光谱数据，矩阵A为经低秩恢复得到的数据，E是分离出来的噪声矩阵；

加上一个惩罚因子，构造拉格朗日函数：

其中，μ是设定的较小正数因子，Y是与D同形的矩阵，λ是一个为正的加权因子，<Y,D-E-A>表示矩阵Y与矩阵(D-E-A)的内积；

令g(X)＝D-E-X，X表示每步迭代的输出，最终逼近A；

再根据步骤1-3-1至步骤1-3-3的增广拉格朗日迭代方法进行迭代：

步骤1-3-1、根据X_K+1＝argmin L(X,Y_K,μ_K)，得出使L(X,Y_K,μ_K)最小的X，令X_K+1＝X；其中，K表示迭代次数，其取值范围为1～1000；Y_K表示迭代次数为K的Y矩阵；μ_K表示迭代次数为K的较小正数因子；

步骤1-3-2、根据Y_K+1＝Y_K+μ_Kg(X_K+1)，由X_K和Y_K得出Y_K+1；

步骤1-3-3、根据μ_K+1＝ρμ_K，ρ≥1，由μ_K得出μ_K+1；

根据步骤1-3-1至步骤1-3-3的增广拉格朗日迭代方法，迭代至满足迭代终止条件，输出X_K，即获得优化恢复后的低秩矩阵X_K。

2.根据权利要求1所述的基于低秩矩阵恢复的空谱联合高光谱图像目标识别方法，其特征在于，时，能够获得优化恢复后的低秩矩阵，其中，m和n分别表示步骤1-1中高光谱数据分块后得到的二维矩阵的行和列。

3.根据权利要求1或2所述的基于低秩矩阵恢复的空谱联合高光谱图像目标识别方法，其特征在于，步骤2所述通过有约束能量最小化方将待识别光谱与目标光谱进行匹配的具体过程为：

步骤2-1、输入低秩恢复获得的矩阵和目标光谱曲线；

步骤2-2、根据有约束能量最小化公式：计算出每个待测光谱属于目标光谱的隶属度D_CEM，数值越大，待测光谱属于目标光谱的可能性越大；有约束能量最小化公式中，s为目标光谱向量，x为待检测光谱向量；

步骤2-3、对光谱识别得到的数据进行阈值分割，获得待测光谱的识别结果。

4.根据权利要求3所述的基于低秩矩阵恢复的空谱联合高光谱图像目标识别方法，其特征在于，步骤3所述从空间角度利用不变矩特征对光谱匹配的结果进行识别的具体过程为：首先计算待测图像数据的不变矩特征和目标图像数据的不变矩特征，然后将不变矩特征结果进行匹配。

5.根据权利要求4所述的基于低秩矩阵恢复的空谱联合高光谱图像目标识别方法，其特征在于，不变矩特征根据图像数据的一阶、二阶和三阶的中心距构造出图像数据的七个不变矩特征，满足图像数据的尺度、平移和旋转不变形。