一种基于加权联合最近邻的多任务稀疏表示检测方法技术

本发明专利技术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。

A multi task sparse representation detection method based on weighted joint nearest neighbor

【技术实现步骤摘要】
一种基于加权联合最近邻的多任务稀疏表示检测方法
本专利技术涉及图像处理
，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。
技术介绍
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，且容易本文档来自技高网...

【技术保护点】
1.一种基于加权联合最近邻的多任务稀疏表示检测方法，其特征在于：包括以下步骤：/nS1、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

【技术特征摘要】
1.一种基于加权联合最近邻的多任务稀疏表示检测方法，其特征在于：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，yk，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DMTL(yn)；
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DMTL(yn)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。


2.根据权利要求1所述的一种基于加权联合最近邻的多任务稀疏表示检测方法，其特征在于：所述S2具体包括以下步骤：
S21：用目标训练像素和背景训练像素构成D＝[Dt，Db],并利用交叉分组策略进行分组，得到多个子字典Dk，k＝1，2，...，K；
S22：对每个子训练样本进行稀疏表示



αk，k＝1，2，...，K为子稀疏系数；
S23：根据



利用加速近端梯度算法求出

【专利技术属性】
技术研发人员：欧先锋，徐智，张一鸣，张国云，涂兵，王勇，
申请(专利权)人：湖南理工学院，桂林电子科技大学，
类型：发明
国别省市：湖南;43