基于深度联合稀疏-协同表示的高光谱图像特征表示方法技术

本发明专利技术公开了一种基于深度联合稀疏

【技术实现步骤摘要】
基于深度联合稀疏
‑
协同表示的高光谱图像特征表示方法


[0001]本专利技术涉及高光谱图像处理
，尤其是一种基于深度联合稀疏
‑
协同表示的高光谱图像特征表示方法。

技术介绍

[0002]高光谱图像(hyperspectral image)特征表示是高光谱图像处理领域的基本问题之一，也是遥感科学和计算机科学领域中的关键技术，它主要是利用计算机对高光谱图像进行处理，提取或选择具有判别性信息的特征，从而为相关决策(如分类与识别)提供依据。由于高光谱遥感图像具有数据量大、冗余程度高、空谱结构复杂等特点，因此给特征表示带来了困难，同时也给算法设计带来了诸多机遇和思路。
[0003]相关文献指出，一个优秀的高光谱图像特征表示方法，应当能够尽可能多地保持和描述高光谱图像中的信息。对于高光谱图像而言，其蕴含了丰富的信息，不仅各像素向量内包含大量的信息，而且像素向量之间有着丰富相关性信息，尤其是在同类像素之间。如果能够有效地和准确地描述和利用这些信息，这对于设计高光谱图像特征表示方法是及其有意的。但是现有的大部分方法，如基于稀疏表示的方法和基于深度网络学习的方法，通常仅仅关注于高光谱图像各像素向量的信息，而忽略了各像素向量间的相关性信息，这限制了输出特征的判别性。另外，由于深度学习在描述数据的非线性和深层特征方面具有很大的优势，因此尝试建立具有像素间相关性描述能力的深度网络也为改善判别性特征的能力提供思路。除此之外，尽管高光谱图像的深层特征具有很好的非线性和鲁棒性，但是其可观测性往往低于浅层特征。如果能够同时利用高光谱图像的深层特征和浅层特征，那么其输出特征则更具判别性。
[0004]综上，许多现有的高光谱图像特征表示方法所面临的挑战是在像素向量间的相关性信息描述、深层和浅层特征丢失等信息利用率低等问题，这不利于高光谱图像特征表示。

技术实现思路

[0005]本专利技术所要解决的技术问题在于，提供一种基于深度联合稀疏
‑
协同表示的高光谱图像特征表示方法，能够充分利用高光谱图像的信息，从而提高输出特征的判别性，从而为相关决策提供可靠的依据。
[0006]为解决上述技术问题，本专利技术提供一种基于深度联合稀疏
‑
协同表示的高光谱图像特征表示方法，包括如下步骤：
[0007]步骤一、对三维高光谱图像进行矩阵展开，获得其二维矩阵形式H∈R
L
×
N
，其各列均表示像素样本，列数N为高光谱图像的空间分辨率大小，行数L为高光谱图像的光谱分辨率大小；
[0008]步骤二、从上述矩阵中进行取样，即从各类取出一定数量的像素向量，并组成训练样本余下像素向量为测试样本且N＝N
r
+N
e
；
[0009]步骤三、引入多层前向神经网络，将每个样本映射到一个非线性特征空间，通过这
样的方式来描述和挖掘样本之间的非线性关系；然后，在网络各层引入稀疏表示和协同表示，建立深度联合稀疏
‑
协同表示模型，学习各层的稀疏系数和协同系数；
[0010]步骤四、设计一种交替迭代更新算法对步骤三中提出的深度联合稀疏
‑
协同表示模型进行求解；
[0011]步骤五、当模型从训练样本X中并通过步骤四的交替迭代更新算法学习到最优的稀疏字典协同字典以及神经网络参数θ
(m)
之后，预测出测试样本Y所对应的特征表示。
[0012]优选的，步骤三中，引入多层前向神经网络，将每个样本映射到一个非线性特征空间，通过这样的方式来描述和挖掘样本之间的非线性关系；然后，在网络各层引入稀疏表示和协同表示，建立深度联合稀疏
‑
协同表示模型，学习各层的稀疏系数和协同系数，即：
[0013][0014]其中，θ＝{W
(m)
,b
(m)
,m＝1:M}表示前向神经网络的参数，其包含权重和偏差，M为网络的层数；D
s
和D
c
表示稀疏字典和协同字典；C
s
和C
c
是稀疏系数和协同稀疏；)为系数；p
s
和p
c
是很小的正数；对于神经网络，第m层的输出为是很小的正数；对于神经网络，第m层的输出为其中，O
(0)
＝X；G(
·
)表示激活函数，d
m
是第m层中输出的维数；进一步地，上述模型的可以进一步表示为：
[0015][0016]其中，和是第m层的稀疏字典和协同字典；和是第m层的稀疏系数和协同系数；θ
(m)
＝{W
(m)
,b
(m)
}为网络在第m层的参数。
[0017]优选的，步骤四中，设计一种交替迭代更新算法对步骤三中提出的深度联合稀疏
‑
协同表示模型进行求解具体为：将步骤三中的深度联合稀疏
‑
协同表示模型(2)变换至如下无约束形式：
[0018][0019]1)更新θ
(m)
＝{W
(m)
，b
(m)
}：固定以及得到如下形式：
[0020][0021]结合O
(m)
＝G(W
(m)
O
(m
‑
1)
+b
(m)
)，对(4)的目标函数分别求关于W
(m)
和b
(m)
的导数，并取零，然后利用链式法得到如下方程：
[0022][0023][0024]其中，和分别有如下形式：
[0025][0026][0027]其中，T
(m)
＝W
(m+1)
O
(m
‑
1)
+b
(m)
，G
′
(
·
)是激活函数G(
·
)的导数，
⊙
表示矩阵点乘运算符，这样，神经网络的参数θ
(m)
＝{W
(m)
，b
(m)
}可通过如下式子更新：
[0028][0029]其中，Γ为步长；
[0030]2)更新字典和固定θ
(m)
、和则(3)转化为：
[0031][0032]此问题(3)的解和可直接给出，即：
[0033][0034][0035]3)更新系数和固定θ
(m)
、和则(3)转化为：
[0036][0037]引入辅助变量则(13)可变为：
[0038][0039]这样，V
(m)
，可通过下面子问题交替迭代得到：
[0040][0041][0042][0043][0044]根据最小平方优化求解方法，可知(14)和(15)的解为：
[0045][本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度联合稀疏
‑
协同表示的高光谱图像特征表示方法，其特征在于，包括如下步骤：步骤一、对三维高光谱图像进行矩阵展开，获得其二维矩阵形式H∈R
L
×
N
，其各列均表示像素样本，列数N为高光谱图像的空间分辨率大小，行数L为高光谱图像的光谱分辨率大小；步骤二、从上述矩阵中进行取样，即从各类取出一定数量的像素向量，并组成训练样本余下像素向量为测试样本且N＝N
r
+N
e
；步骤三、引入多层前向神经网络，将每个样本映射到一个非线性特征空间，通过这样的方式来描述和挖掘样本之间的非线性关系；然后，在网络各层引入稀疏表示和协同表示，建立深度联合稀疏
‑
协同表示模型，学习各层的稀疏系数和协同系数；步骤四、设计一种交替迭代更新算法对步骤三中提出的深度联合稀疏
‑
协同表示模型进行求解；步骤五、当模型从训练样本X中并通过步骤四的交替迭代更新算法学习到最优的稀疏字典协同字典以及神经网络参数θ
(m)
之后，预测出测试样本Y所对应的特征表示。2.如权利要求1所述的基于深度联合稀疏
‑
协同表示的高光谱图像特征表示方法，其特征在于，步骤三中，引入多层前向神经网络，将每个样本映射到一个非线性特征空间，通过这样的方式来描述和挖掘样本之间的非线性关系；然后，在网络各层引入稀疏表示和协同表示，建立深度联合稀疏
‑
协同表示模型，学习各层的稀疏系数和协同系数，即：协同表示模型，学习各层的稀疏系数和协同系数，即：其中，θ＝{W
(m)
，b
(m)
，m＝1：M}表示前向神经网络的参数，其包含权重和偏差，M为网络的层数；D
s
和D
c
表示稀疏字典和协同字典；C
s
和C
c
是稀疏系数和协同稀疏；α为系数；p
s
和p
c
是很小的正数；对于神经网络，第m层的输出为小的正数；对于神经网络，第m层的输出为其中，O
(0)
＝X；G(
·
)表示激活函数，d
m
是第m层中输出的维数；进一步地，上述模型的进一步表示为：是第m层中输出的维数；进一步地，上述模型的进一步表示为：其中，和是第m层的稀疏字典和协同字典；和是第m层的稀疏系数和协同系数；θ
(m)
＝{W
(m)
，b
(m)
}为网络在第m层的参数。3.如权利要求1所述的基于深度联合稀疏
‑
协同表示的高光谱图像特征表示方法，其特征在于，步骤四中，设计一种交替迭代更新算法对步骤三中...

【专利技术属性】
技术研发人员：邢长达，汪美玲，段朝伟，丛玉华，王志胜，刘一柳，
申请(专利权)人：南京航空航天大学深圳研究院，
类型：发明
国别省市：