[發明專利]基于嵌入式DSP的遙感圖像稀疏編碼字典學習方法

有效

• 申請號: 201610845919.X
• 申請日: 2016-09-23
• 公開（公告）號: CN106991426B
• 公開（公告）日: 2020-06-12
• 發明（設計）人: 黃帥;張廣運;張榮庭;周國清
• 申請（專利權）人: 天津大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/68
• 代理公司: 天津市北洋有限責任專利代理事務所 12201
• 代理人: 李素蘭

1.一種基于嵌入式DSP的遙感圖像稀疏編碼字典學習方法，其特征在于，該方法包括以下步驟：

步驟1、輸入待學習的遙感圖像，將遙感圖像靜態存儲在數字信號處理器DSP的外部SDRAM中；

步驟2、對遙感圖像進行重新排列，將遙感圖像通過移位提取的方式分解為相互重疊的子圖像，并將子圖像中的每個元素按順序存儲在數字信號處理器DSP內存的一個BANK中，稱其為訓練集矩陣X；

步驟3、建立字典矩陣D用于存儲字典，建立系數矩陣A和系數矩陣B用于存儲稀疏向量，并對字典矩陣D和系數矩陣A、B進行初始化；

步驟4、建立輔助系數矩陣Aodd、Bodd、Aeven以及Beven，用于存儲由于數據量大的訓練集矩陣帶有大量的重復信息產生相同的稀疏向量，并對輔助系數矩陣進行初始化；

步驟5、建立稀疏向量矩陣AT、BT，對稀疏向量矩陣AT、BT內所有元素值初始化；

步驟6、計算稀疏向量α_t并更新稀疏向量矩陣AT、BT；

步驟7、根據步驟4中建立的輔助系數矩陣，建立epoch變量和even變量對輔助系數矩陣進行選擇性操作，如果不滿足條件，則跳過此步驟；反之，則執行去除相同稀疏向量的步驟；

步驟8、更新系數矩陣A和系數矩陣B；

步驟9、更新字典矩陣D；

對步驟6至步驟9重復執行1000次，得到最終的字典矩陣D。

2.如利要求1所述的基于嵌入式DSP的遙感圖像稀疏編碼字典學習方法，其特征在于，所述步驟6中的正則化線性最小二乘問題為

其中，X_t代表訓練集X的第t列，λ代表懲罰項系數，α_t為X_t在當前字典_D的條件下所對應的稀疏向量，α為稀疏向量，|| ||₂代表2-范數，|| ||₁代表1-范數。

3.如利要求1所述的基于嵌入式DSP的遙感圖像稀疏編碼字典學習方法，其特征在于，所述步驟6的計算與更新的具體過程包括：首先建立矢量X_t，并將矢量X_t的數據地址與訓練集矩陣X的數據地址相關聯，利用隨機函數隨機的抽取訓練集矩陣X的一列賦予矢量X_t，然后通過求解正則化線性最小二乘問題得到稀疏向量α_t，最后將稀疏向量的內積α_tα_t^T與稀疏向量矩陣AT相加，將矢量X_t與稀疏向量α_t的乘積X_tα_t^T與稀疏向量矩陣BT相加完成更新過程。

4.如利要求1所述的基于嵌入式DSP的遙感圖像稀疏編碼字典學習方法，其特征在于，所述步驟7中的選擇條件為：如果epoch變量為偶數且even變量非0或epoch變量為奇數且even變量為0，那么先將輔助系數矩陣Aeven、Beven的值賦給輔助系數矩陣Aodd、Bodd，然后對輔助系數矩陣Aeven、Beven的所有元素值設為0并將even變量取反。

5.如權利要求1所述的基于嵌入式DSP的遙感圖像稀疏編碼字典學習方法，其特征在于，所述步驟7的epoch參數的求解公式為epoch＝(((i+1)％M)*400)/M其中，i為當前迭代次數，M為訓練集矩陣的列數。

6.如權利要求1所述的基于嵌入式DSP的遙感圖像稀疏編碼字典學習方法，其特征在于，所述步驟8的具體過程包括：首先將稀疏向量矩陣AT、BT與輔助系數矩陣Aeven、Beven相加，得到更新后的輔助系數矩陣Aeven、Beven，然后將系數矩陣A和輔助系數矩陣Aodd、Aeven相加，得到更新后的系數矩陣A，最后將系數矩陣B和輔助系數矩陣Bodd、Beven相加，得到更新后的系數矩陣B；將當前循環的系數信息存儲到系數矩陣中。