[发明专利]一种基于加权联合最近邻的多任务稀疏表示检测方法

说明书

本发明公开了一种基于加权联合最近邻的多任务稀疏表示检测方法，属于图像处理技术领域，一种基于加权联合最近邻的多任务稀疏表示检测方法，包括以下步骤：利用多任务学习技术，构建多任务稀疏表示模型，将所有任务上累积的总重构误差应用于检测目标，得到多任务稀疏表示的检测结果，利用加权联合最近邻方法进行计算，得到加权最近邻的检测结果，将加权最近邻的检测结果和多任务稀疏表示的检测结果相结合，得到最终的检测函数，可以实现通过光谱信息和邻域空间信息同时进行检测，利用多任务学习，联合多个相关的子稀疏表示，得到较好目标检测效果，并且加入了加权联合最近邻算法，提高了对空间信息的利用，使目标检测效果得到了进一步提升。

技术领域

本发明涉及图像处理技术领域，更具体地说，涉及一种基于加权联合最近邻的多任务稀疏表示检测方法。

背景技术

高光谱遥感图像作为一种拥有高空间和谱间分辨率的遥感图像，它丰富的空间和谱间特征包含了大量的信息，在军事、农业和工业领域被广泛应用于地物的识别、分类和特征描述。高光谱遥感图像分类就是将一幅高光谱图像中的像素点划归到不同类别的过程，高光谱遥感图像分类是建立在遥感图像分类的基础上，结合高光谱遥感图像特点，对高光谱图像数据进行像素级的识别和分类。

目前国内外有许多研究机构都展开了高光谱遥感图像的分类方法的研究，提出了多种高光谱图像分类方法，包括无监督的高光谱遥感图像分割，基于核方法的有监督的高光谱图像分类以及半监督的高光谱图像分类等。其中很多方法都只使用单一的谱特征，但仅使用谱特征只能从一个角度描述高光谱图像的特性。且由于高光谱图像波段多且波段间相关性高，因此会出现相同的物质在不同的区域会有不同的谱特征而不同的物质很可能具有相似的谱特征的现象，因而使用单一的谱特征很难避免上述现象的发生，且容易将相同的物质划分为不同的类别，不同的物质被认作是同类，因此会降低图像分类的准确率。

联合稀疏表示和多任务学习算法构建了多任务稀疏表示模型，利用多任务学习，联合多个相关的子稀疏表示，得到较好目标检测效果。然而，该方法对于空间信息的探索尚不够深入，为了充分利用空间信息，是算法检测效果更好，提出了加权联合最近邻和多任务学习稀疏表示方法。

发明内容

1.要解决的技术问题

针对现有技术中存在的问题，本发明的目的在于提供一种基于加权联合最近邻的多任务稀疏表示检测方法，可以实现通过光谱信息和邻域空间信息同时进行检测，利用多任务学习，联合多个相关的子稀疏表示，得到较好目标检测效果，并且加入了加权联合最近邻算法，提高了对空间信息的利用，使目标检测效果得到了进一步提升。

2.技术方案

为解决上述问题，本发明采用如下的技术方案。

一种基于加权联合最近邻的多任务稀疏表示检测方法，包括以下步骤：

S1、利用交叉分组策略将高光谱图像按波段分为多个子高光谱图像，同时对测试像素进行分组得到子测试像素，y^k，k＝1，2，...，K；

S2、利用多任务学习技术，结合多个相似子高光谱图像，构建多任务稀疏表示模型；

S3、将所有任务上累积的总重构误差应用于检测目标，得到多任务稀疏表示的检测结果D_MTL(y_n)；

S4、利用加权联合最近邻方法进行计算，得到加权最近邻的检测结果

S5、将加权最近邻的检测结果和多任务稀疏表示的检测结果D_MTL(y_n)相结合，得到最终的检测函数；

S6、利用S5得到的检测函数对高光谱图像中所有像素进行检测，得到最终目标检测结果。

进一步的，所述S2具体包括以下步骤：