一种压缩光谱特征感知方法技术

一种压缩光谱特征感知方法，通过光谱压缩测量矩阵，基于构建的光谱压缩测量矩阵能够压缩提取光谱信号的特征信号，实现光谱特征的压缩感知。另外本发明专利技术给出了基于数字微镜阵列(DMD)的光谱压缩测量矩阵Φ的物理实现方法。压缩光谱特征感知方法可以有效避免信号重构与特征提取，测量数据可以直接用于分类识别，大大减少了计算与存储开销，提高了光谱信息获取的效率。由于光谱特征信号的维度远小于光谱信号的维度，因此压缩光谱特征感知方法获取的测量数据会小于传统压缩光谱成像的测量数据。

A compressive spectrum feature sensing method

A method of compressed spectral feature sensing is proposed. The compressed spectral feature sensing can be realized by compressing the spectral feature signal based on the spectral compression measurement matrix. In addition, the physical realization method of spectral compression measurement matrix_based on digital micromirror array (DMD) is given. Compressed spectral feature sensing method can effectively avoid signal reconstruction and feature extraction. Measurement data can be directly used for classification and recognition, greatly reducing the computational and storage costs, and improving the efficiency of spectral information acquisition. Because the dimension of spectral feature signal is much smaller than that of spectral signal, the measurement data obtained by compressed spectral feature sensing method will be smaller than that obtained by traditional compressed spectral imaging.

【技术实现步骤摘要】
一种压缩光谱特征感知方法
本专利技术涉及光谱信息获取方法，具体涉及一种压缩光谱特征感知方法。
技术介绍
光谱数据可涵盖数十、乃至数百光谱频段，蕴含目标丰富的光谱特征，因此在目标检测、分类、识别等领域具有重要的应用。然而，光谱数据的空谱维度较高，对光谱数据的获取、存储、处理等造成了很大的困难，同时对光谱特征提取与分类识别的实时性带来巨大的挑战。压缩感知理论为解决光谱数据的维度灾难提供了新思路，有望提升光谱数据获取与处理效率。压缩感知理论表明，当信号具有稀疏特性时，可以利用远小于传统香农采样量的采样数据，通过稀疏约束重构，以很高的概率精确恢复原信号。据此，压缩光谱成像系统已经研制成功，例如孔径编码快照式光谱成像仪，其通过压缩采样大大降低了光谱数据的采样量。压缩光谱成像降低了采样数据量，但是依然需要稀疏重构原始信号，这同样需要大量计算与时间开销；同时，重构的原始信号再经过特征提取，才能用于光谱信号的分类识别。一个新奇的想法是，能否从压缩数据中直接重构特征信号？RamirezA.等提出了特征重构的思路，即通过分析已获得的具有标签信息的光谱数据，设计能够对光谱信号进行稀疏表示的特征表示基，则其表示系数可视为光谱信号的特征信号；进而在压缩感知的框架下，利用稀疏重构算法重构这些表示系数，则重构信号作为特征信号可直接用于光谱数据的分类识别，大大提高了光谱信息获取的效率。特征重构可以避免重构后对光谱信息再进行处理、特征提取等后续操作，但是无法避免稀疏重构这一关键环节，因此重构同样需要计算、时间等开销。
技术实现思路
为了解决现有技术存在的问题，本专利技术目的在于提供一种压缩光谱特征感知方法，即通过设计压缩采样矩阵，使得压缩采样数据即为光谱的特征数据，可直接用于光谱分类识别，避免重构环节。本专利技术利用了两个主要先验信息，一个为光谱数据所代表的目标类别有限，且一般远小于光谱维度，因此通过分析光谱数据的空间结构，寻找其主要成分，可以利用更少的数据量表示原光谱，进而实现更大的数据压缩；另一个先验信息为属于同类的光谱数据具有高度的相似性，因此由光谱数据构成的信号矩阵一般具有低秩特性，可以利用矩阵分解等工具去除训练光谱数据中的非理想成分，提高感知矩阵设计精度。本专利技术通过压缩测量矩阵设计，直接获取光谱的特征信号，提高光谱信息获取的效率。需要解决的问题包括：其一，去除训练光谱数据中的非理想成分；其二，挖掘训练光谱数据中的结构信息。最终设计合适光谱压缩测量矩阵，实现光谱特征的压缩感知。为实现本专利技术之目的，本专利技术采用以下技术方案予以实现：一种压缩光谱特征感知方法，包括以下步骤：S1：训练光谱数据预处理S1.1训练光谱数据的选择设成像区域待识别的目标共S类，光谱维度为N,L个训练光谱信号分别为{x1,x2,…,xL}，其中，xl∈RN，l＝1,2,…，L，RN表示N维实向量空间；则要求选择的训练光谱数据(即所有的训练光谱信号)中含有成像区域待识别的S类目标的光谱信号。S1.2构建光谱矩阵：X＝[x1,x2,…,xL]∈RN×L，其中RN×L表示N*L维实向量空间；S1.3稀疏低秩矩阵分解利用稀疏低秩矩阵将光谱矩阵X＝[x1,x2,…,xL]∈RN×L进行分解，获得低秩矩阵XL与稀疏矩阵XS：其中XL与XS分别为低秩矩阵与稀疏矩阵，||·||*与||·||1分别为矩阵核范数与矩阵范数，μ为模型参数，μ＞0。获得的低秩矩阵XL即为经预处理后的训练光谱数据；S2：基于低秩矩阵XL进行训练光谱数据的空间结构分析。S2.1对S1中得到的预处理后的训练光谱数据去均值令其中E(·)表示对矩阵每列分别求平均值，因此为一行向量。R1×L表示1*L维实向量空间。进而对S1中得到的预处理后的训练光谱数据去均值，可表示为其中，a∈RN为全1矩阵，为去均值后的训练光谱数据。S2.2主成分分析主成分分析即训练光谱数据的协方差矩阵的特征值分解。令为去均值后的训练光谱数据的协方差矩阵，其中T为矩阵转置，则特征值分解可表示为A＝UΣUT(3)其中，U为特征矩阵，矩阵Σ的对角元素为特征向量对应的特征值。S3构建光谱压缩测量矩阵，基于构建的光谱压缩测量矩阵能够压缩提取光谱信号的特征信号，实现光谱特征的压缩感知。S3.1特征维度M估计特征维度M定义为训练光谱数据所位于的子空间的维度，子空间维度越小，特征维度越小，即光谱的特征信号长度越小，因此特征维度M决定了压缩采样的压缩比。根据训练光谱信号的类别标签个数可实现对特征维度M的估计。假设训练光谱信号的类别个数为S，基于光谱信号同类相似、异类相异的原则(同类光谱信号具有相似性，异类光谱信号具有差异性)，训练光谱信号具有S个主要成分，同时可以观测到前S个特征值(该过程的特征值是由s2.2所描述而获得的，矩阵Σ的对角元素为特征向量对应的特征值。因为训练光谱信号的主要成分有s个，在特征值的反应上也必定会有s个较大的值，其他的值相比这些值会很小，属于训练信号的次要成分。)具有较大的值，一般可设特征维度M＝S。为了实现更加稳健的压缩采样，保证特征信号完备，一般取M＝[rS]，其中，[a]取为不小于a的最小整数即[rS]取为不小于rS的最小整数，r≥1为采样因子，一般取r＝2。S3.2：压缩光谱测量矩阵Φ设计特征维度M决定了光谱特征信号的长度，光谱特征信号的长度为N，M<N，特征维度M不能大于光谱特征信号的长度。因此压缩光谱测量矩阵Φ满足Φ∈RM×N，RM×N表示M*N维实向量空间。由于特征矩阵U的列向量，即特征向量张成训练光谱信号空间，而M个最大特征值对应的特征向量，设为张成的子空间同样包含了训练光谱信号的主要成分。uk,k＝1,2,3...M，表示特征矩阵U中对应M个最大特征值的特征向量。令压缩光谱测量矩阵Φ＝[u1,u2,…,uM]T∈RM×N。S3.3：基于设计的压缩光谱测量矩阵Φ，实现对光谱信号的特征信号压缩提取。则对于训练光谱信号{x1,x2,…,xL}而言，yl＝Φxl,l＝1,2,…,L(4)yl表示提取得到的训练光谱信号的特征信号，其中特征信号yl∈RM，且M＜N。对于待成像目标而言，y＝Φx(5)y表示压缩光谱的压缩测量数据，x表示待成像目标数据，其中压缩光谱的压缩测量数据y∈RM，且M＜N，RM表示M维实向量空间。对比(4)与(5)可发现，光谱的压缩测量数据y即为光谱信号的特征信号。可以直接用于后续分类识别，避免稀疏重构。S1至S3基于训练光谱信号{x1,x2,…,xL}设计了压缩光谱特征测量矩阵Φ,基于设计的压缩光谱测量矩阵Φ能够实现光谱信号的特征信号压缩提取。接下来本专利技术给出了基于数字微镜阵列(DMD)的光谱压缩测量矩阵Φ的物理实现方法，方法如下：S4.1：数字微镜阵列的多灰度级调制数字微镜阵列(DMD)由微小镜面阵列构成，阵列中的每个镜面可以在与DMD平面法向方向夹角±12度两个方向反射光线，通过调控微镜方向可以使得入射光线反射或不反射，因此DMD每个微镜可以实现0-1二值调制。考虑到设计的光谱压缩测量矩阵元素具有多个数值，因此需要数字微镜阵列(DMD)实现多灰度级调制。若将p个微镜组合在一起作为一个调制单位，则其具有的灰度级为2p。在这里，令p＝9，即将3×3微镜阵列组合为一个调制单位，此时灰度级为29本文档来自技高网...

【技术保护点】
1.一种压缩光谱特征感知方法方法，其特征在于，包括以下步骤：S1：训练光谱数据预处理S1.1训练光谱数据的选择设成像区域待识别的目标共S类，光谱维度为N,L个训练光谱信号分别为{x1,x2,…,xL}，其中，xl∈RN，l＝1,2,…，L，RN表示N维实向量空间；则要求选择的训练光谱数据中含有成像区域待识别的S类目标的光谱信号；S1.2构建光谱矩阵：X＝[x1,x2,…,xL]∈RN×L，其中RN×L表示N*L维实向量空间；S1.3稀疏低秩矩阵分解利用稀疏低秩矩阵将光谱矩阵X＝[x1,x2,…,xL]∈RN×L进行分解，获得低秩矩阵XL与稀疏矩阵XS：

【技术特征摘要】
1.一种压缩光谱特征感知方法方法，其特征在于，包括以下步骤：S1：训练光谱数据预处理S1.1训练光谱数据的选择设成像区域待识别的目标共S类，光谱维度为N,L个训练光谱信号分别为{x1,x2,…,xL}，其中，xl∈RN，l＝1,2,…，L，RN表示N维实向量空间；则要求选择的训练光谱数据中含有成像区域待识别的S类目标的光谱信号；S1.2构建光谱矩阵：X＝[x1,x2,…,xL]∈RN×L，其中RN×L表示N*L维实向量空间；S1.3稀疏低秩矩阵分解利用稀疏低秩矩阵将光谱矩阵X＝[x1,x2,…,xL]∈RN×L进行分解，获得低秩矩阵XL与稀疏矩阵XS：其中XL与XS分别为低秩矩阵与稀疏矩阵，||·||*与||·||1分别为矩阵核范数与矩阵l1范数，μ为模型参数，μ＞0；获得的低秩矩阵XL即为经预处理后的训练光谱数据；S2：基于低秩矩阵XL进行训练光谱数据的空间结构分析；S2.1对S1中得到的预处理后的训练光谱数据去均值令其中E(·)表示对矩阵每列分别求平均值，因此为一行向量，R1×L表示1*L维实向量空间；进而对S1中得到的预处理后的训练光谱数据去均值，可表示为其中，a∈RN为全1矩阵，为去均值后的训练光谱数据；S2.2主成分分析主成分分析即训练光谱数据的协方差矩阵的特征值分解；令为去均值后的训练光谱数据的协方差矩阵，其中T为矩阵转置，则特征值分解可表示为A＝UΣUT(3)其中，U为特征矩阵，矩阵Σ的对角元素为特征向量对应的特征值；S3构建光谱压缩测量矩阵，基于构建的光谱压缩测量矩阵能够压缩提取光谱信号的特征信号，实现光谱特征的压缩感知。2.根据权利要求1所述的压缩光谱特征感知方法方法，其特征在于，S3通过以下步骤实现：S3.1特征维度M估计假设训练光谱信号的类别个数为S，可设特征维度M＝[rS]，其中，[rS]取为不小于rS的最小整数，r≥1为采样因子；S3.2：压缩光谱测量矩阵Φ设计特征维度M决定了光谱特征信号的长度，光谱特征信号的长度为N，M<N，特征维度M不能大于光谱特征信号的长度，因此压缩光谱测量矩阵Φ满足Φ∈RM...

【专利技术属性】
技术研发人员：王泽龙，刘吉英，叶钒，袁翰，谭欣桐，严奉霞，朱炬波，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：湖南,43