1.一种基于自适应耦合观测与非线性压缩学习的光谱成像方法,包括如下步骤:
(1)选取三组n1×n2×n3的高光谱图像,除第10谱段外随机选择n个谱段构造样本矩阵:Y=[y1,y2,…,yj,…,yn],其中,n1×n2表示高光谱图像的大小,n3为高光谱图像的总谱带数,yj表示第j个谱段拉成的列向量,j=1,2,…,n,n为训练样本的个数;
(2)利用训练样本矩阵训练字典,采用核主成份分析KPCA的方法求出训练样本的稀疏字典,记为n为样本个数,K为得到的稀疏字典的原子个数;
(3)设测量值的点数为m,并随机生成高斯随机矩阵作为初始观测矩阵i=1,2,…,m,φi是初始化观测矩阵Φ0的行向量;
(4)根据稀疏字典A,结合训练样本矩阵Y和初始观测矩阵Φ0,得到感知矩阵G=f(Φ0T)Tf(Y)A,对感知矩阵G进行训练,得到最终观测矩阵Φ,其中f为非线性映射函数,T表示转置;
(5)将三组第10谱段图像拉成列向量作为测试样本,分别记为e1,e2,e3;
(6)根据上述(4)所求的观测矩阵Φ,对(5)中的三幅测试样本e1,e2,e3进行非线性压缩成像,得到测量值M=fk(<Φ,ei>),其中ei表示第i组测试样本,i从1到3,fk为选择的核函数;
(7)利用最小二乘法计算稀疏系数其中表示伪逆;
(8)根据稀疏系数β以及稀疏字典A,利用pre-image方法重构出原图像其中为第i组恢复的图像。
2.根据权利要求1所述的方法,其中步骤(4)中对感知矩阵G进行训练,按如下步骤进行:
2a)选定核函数为多项式核函数k(x,y)=fk(<x,y>)=(<x,y>+c)d,c为核函数的截距参数,其值为c=0.5,d为指数参数,其值为d=5;
2b)计算感知矩阵G的格兰姆矩阵,即GTG,求解下列优化问题,得到与特征空间中的稀疏字典相关性最小的观测矩阵:
其中IK是大小为K×K的单位矩阵,F表示矩阵的Frobenius范数;
2c)将上述优化问题转化为GTG≈IK,把感知矩阵G=f(Φ0T)Tf(Y)A带入(G)TG≈IK,并对其两边分别左乘稀疏字典A,右乘其转置AT,得到如下关系式:
AATf(Y)Tf(Φ0T)f(Φ0T)Tf(Y)AAT≈AAT
2d)对上述AAT进行奇异值分解,即AAT=VΛVT,其中,是奇异值分解后所求得的正交矩阵,是对角矩阵,n为训练样本的数量。
2e)将AAT=VΛVT代入3c)中的关系式,得到如下关系式:
VΛVTf(Y)Tf(Φ0T)f(Φ0T)Tf(Y)VΛVT≈VΛVT
2f)根据样本矩阵Y以及初始化观测矩阵Φ0,结合核函数,计算过渡核矩阵Knm:
2g)把3e)的关系式简化为:
其中,
2h)把对角矩阵Λ写为diag(λ1,…,λn),将Γmn写成行向量的形式Γmn=[τ1,…,τm]T,把目标函数转化为:其中,vi=[λ1τi,1,…,λnτi,n]T;
2i)将上述展开为:同时,定义误差矩阵为:
2j)根据过渡核矩阵Knm以及正交矩阵V,利用下式初始化Γmn:
2k)设置循环次数t的最大值为m,t从1开始循环;
2l)在第t次循环中,计算误差矩阵Et,并对其进行特征值分解,得到最大的特征值ξt以及与其对应的特征向量ut,
2m)利用下式,更新的每一个行向量:
2n)循环m次,就能得到具有最小相关性的
2o)计算过渡核矩阵
2p)求解下式得到经过耦合优化的观测矩阵Φ:
其中,k(x,y)=fk(<x,y>)。
3.根据权利要求1所述的方法,其中所述步骤(8)是根据稀疏系数β以及稀疏字典A,利用pre-image方法重构出原图像通过如下公式进行:
其中,up表示单位正交基的第p列,p=1,2,…,w,w为高光谱图像像素点的个数,Aβ=[c1,c2,…,cj,…,cn]T,cj表示Aβ的第j个元素,fk为先前选定的多项式核函数,fk-1是fk的逆函数。