[发明专利]一种基于自适应核稀疏表示及多特征的高光谱图像分类方法

权利要求书

1.一种基于自适应核稀疏表示及多特征的高光谱图像分类方法，其特征在于，该方法包括：

(1)采集原始高光谱图像，对所述原始高光谱图像X₀进行多个特征提取，得到联合组成特征空间X；

(2)从X中随机选取部分像素点作为训练样本集D，剩余的像素点作为测试样本集；

(3)分别为每个特征构建基础核，根据各个基础核及其权重值计算复合核；

(4)采用形状自适应算法为每一个测试样本x构建自适应区域，并根据所述自适应区域以及复合核分别对每一个测试样本x进行分类，得到分类结果；

所述步骤(3)中，分别为每个特征构建基础核，根据各个基础核及其权重值计算复合核，具体包括：

(31)构建基础核矩阵：

其中，D_ij，j＝1，2，...，C是对角块，N为提取特征的总个数；

(32)计算基础核矩阵K_i和理想核矩阵之间的相似性：

其中，S(D_ij)表示对角块D_ij所有元素的加和，S(K_i)表示矩阵K_i所有元素的加和；

(33)计算基础核的权重值：

(34)计算复合核：其中，p为基础核的个数，即提取特征的个数，所述k_i(d_ii,d_ij)为单一核，且d_ii和d_ij分别表示任意两个光谱像素，k_i(d_ii，d_ij)表示第i个高斯核函数，表示原始高光谱空间到核空间的映射函数，·，·表示内积运算，表示矩阵的转置；

步骤(4)中，分别对每一个测试样本x进行分类，得到分类结果，包括：

(41)获取x的形状自适应区域内的所有测试样本x_SA；

(42)计算K(x_SA,x_SA)和K(x_SA,D)，其中，K(x_SA，x_SA)为高斯核公式对矩阵x_SA和x_SA的运算结果矩阵，K(x_SA，D)是高斯核公式对矩阵x_SA和D的运算结果矩阵；

(43)基于核联合稀疏表示分类器计算联合稀疏表示就矩阵

(44)计算每一类的重建误差：

其中，trace(.)用于计算矩阵对角线元素的加和；

(45)根据稀疏表示分类判别准则Class(x)＝argmin_{i＝1，2，...，C}r_i(x)决定测试样本x的类别标签；

所述步骤(43)，具体包括：

(431)计算K(x_SA，x_SA)，K(D，D)和K(x_SA，D)，其中，K(x_SA，x_SA)，K(D，D)和K(x_SA，D)分别为高斯核公式对矩阵x_SA，x_SA，D，D和x_SA，D的运算结果矩阵，x_SA为测试样本，D为训练样本集；

(432)初始化系数矩阵A_SA∈R^N为全0矩阵，索引集合误差

(433)当迭代次数t≤K或者K为稀疏度，ε为最小误差界定，循环更新误差

(434)最后一次迭代得到的更新稀疏矩阵即为联合稀疏表示矩阵

所述步骤(433)具体包括：

(4331)计算提取具有最大值的索引idx_t，其中，K(：，Δ_t)表示矩阵K(D,D)中与索引集合Δ_t相对应的列所组成的矩阵，Δ_t为第t次迭代中的索引集合；

(4332)Δ_t＝[Δ_t-1 idx_t]，其中，Δ_t-1为第t-1次迭代中的索引集合；

(4333)计算K_t＝K[Δ_t，Δ_t]和K(x_SA，D(：，Δ_t))，其中，D(：，Δ_t)为矩阵D中与Δ_t索引集合相对应的列所组成的矩阵；

(4334)更新稀疏矩阵(4335)更新误差