[发明专利]一种用于单幅RGB图像重建光谱的降维方法

权利要求书

1.一种用于单幅RGB图像重建光谱的降维方法，其特征在于，包括以下步骤：包括以下步骤：

步骤(1)、选取样本集，测量样本集中各样本的反射率光谱，获得反射率光谱库；将相邻颜色块的光谱数据分别分为训练集和测试集；

步骤(2)、设置正则化参数集合和隐藏层数量集合；

步骤(3)、设定提取特征向量数量m，针对训练集，从步骤(2)的集合中分别任意选择正则化参数值和隐藏层数值，利用改进的非线性主成分分析方法进行训练，获得n组提取特征向量的模型，每组包含特征向量{u_i(i＝1，2，…，m)}_j(j＝1，2，…，n)和参数组合

所述步骤(3)中的改进的非线性主成分分析方法提取特征值的算法公式如下：

其中，J(u)表示改进的代价函数，p表示正则化参数，·表示向量的平均操作，表示提取的特征值构成的矩阵，W^(r)表示m×l权重矩阵，下标k＝1，2，…，m，i＝1，2，…，l；r＝[r₁ r₂ … r_l]^T表示可见光范围内各波长下反射率比构成的反射率光谱，下标l表示反射率光谱的维数；表示由获得的光谱特征向量利用前馈神经网络方法重构的反射率光谱，其重建公式如下：

f₄表示在神经网络框架下将h^(u)映射成的过程；h^(u)表示神经网络框架下隐含层神经元，h^(u)的公式为：

h^(u)＝f₃(w^(u)u+b^(u))，

其中，f₃表示在神经网络框架下将光谱的特征向量u映射成的过程；光谱的特征向量u的公式为：

其中，f₂表示在神经网络框架下将隐含层神经元h^(r)映射成光谱特征向量u的过程；隐含层神经元h^(r)的公式为：

h^(r)＝f₁(W^(r)r+b^(r))，

其中，f₁表示在神经网络框架下将反射率光谱r映射成h^(r)的过程；为m维向量；

步骤(4)、利用步骤(3)所得各组征向量与参数组合，分别重建训练集中的光谱，并计算各组重建光谱与原光谱的平均误差值，依据平均误差值最小的一组，选定其对应的正则化参数值p和隐藏层数值o；所述步骤(4)中的平均误差值计算如下：

步骤(5)、利用步骤(4)得到的正则化参数值p和隐藏层数值o，通过利用步骤(3)中改进的非线性主成分分析方法对训练集进行k交叉验证，依据最小平均重建误差值选取最优训练模型，并获得对应的参数组合和特征向量，获得的特征向量即为用于光谱重建的目标特征向量。

2.根据权利要求1所述的用于单幅RGB图像重建光谱的降维方法，其特征在于：所述步骤(5)获取目标特征向量后再验证提取准确度。

3.根据权利要求2所述的用于单幅RGB图像重建光谱的降维方法，其特征在于：所述验证提取准确度的方法为：首先，针对测试集，采用利用步骤(3)中改进的非线性主成分分析方法训练，获取最优参数组合和特征向量；然后，利用步骤(5)中获得的特征向量和测试集训练所得的参数组合,重建测试集中的各个光谱，获得重建光谱；最后，计算重建光谱与测试集中原光谱的平均误差和标准偏差，以检测训练集提取特征向量的准确程度。