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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。