[發明專利]一種基于加權聯合最近鄰的多任務稀疏表示檢測方法

有效

• 申請號: 201911150556.8
• 申請日: 2019-11-21
• 公開（公告）號: CN111079544B
• 公開（公告）日: 2022-09-16
• 發明（設計）人: 歐先鋒;徐智;張一鳴;張國云;涂兵;王勇
• 申請（專利權）人: 湖南理工學院;桂林電子科技大學
• 主分類號: G06V20/13
• 分類號: G06V20/13;G06V10/44
• 代理公司: 東莞卓為知識產權代理事務所(普通合伙) 44429
• 代理人: 湯冠萍

本發明公開了一種基于加權聯合最近鄰的多任務稀疏表示檢測方法，屬于圖像處理技術領域，一種基于加權聯合最近鄰的多任務稀疏表示檢測方法，包括以下步驟：利用多任務學習技術，構建多任務稀疏表示模型，將所有任務上累積的總重構誤差應用于檢測目標，得到多任務稀疏表示的檢測結果，利用加權聯合最近鄰方法進行計算，得到加權最近鄰的檢測結果，將加權最近鄰的檢測結果和多任務稀疏表示的檢測結果相結合，得到最終的檢測函數，可以實現通過光譜信息和鄰域空間信息同時進行檢測，利用多任務學習，聯合多個相關的子稀疏表示，得到較好目標檢測效果，并且加入了加權聯合最近鄰算法，提高了對空間信息的利用，使目標檢測效果得到了進一步提升。

技術領域

本發明涉及圖像處理技術領域，更具體地說，涉及一種基于加權聯合最近鄰的多任務稀疏表示檢測方法。

背景技術

高光譜遙感圖像作為一種擁有高空間和譜間分辨率的遙感圖像，它豐富的空間和譜間特征包含了大量的信息，在軍事、農業和工業領域被廣泛應用于地物的識別、分類和特征描述。高光譜遙感圖像分類就是將一幅高光譜圖像中的像素點劃歸到不同類別的過程，高光譜遙感圖像分類是建立在遙感圖像分類的基礎上，結合高光譜遙感圖像特點，對高光譜圖像數據進行像素級的識別和分類。

目前國內外有許多研究機構都展開了高光譜遙感圖像的分類方法的研究，提出了多種高光譜圖像分類方法，包括無監督的高光譜遙感圖像分割，基于核方法的有監督的高光譜圖像分類以及半監督的高光譜圖像分類等。其中很多方法都只使用單一的譜特征，但僅使用譜特征只能從一個角度描述高光譜圖像的特性。且由于高光譜圖像波段多且波段間相關性高，因此會出現相同的物質在不同的區域會有不同的譜特征而不同的物質很可能具有相似的譜特征的現象，因而使用單一的譜特征很難避免上述現象的發生，且容易將相同的物質劃分為不同的類別，不同的物質被認作是同類，因此會降低圖像分類的準確率。

聯合稀疏表示和多任務學習算法構建了多任務稀疏表示模型，利用多任務學習，聯合多個相關的子稀疏表示，得到較好目標檢測效果。然而，該方法對于空間信息的探索尚不夠深入，為了充分利用空間信息，是算法檢測效果更好，提出了加權聯合最近鄰和多任務學習稀疏表示方法。

發明內容

1.要解決的技術問題

針對現有技術中存在的問題，本發明的目的在于提供一種基于加權聯合最近鄰的多任務稀疏表示檢測方法，可以實現通過光譜信息和鄰域空間信息同時進行檢測，利用多任務學習，聯合多個相關的子稀疏表示，得到較好目標檢測效果，并且加入了加權聯合最近鄰算法，提高了對空間信息的利用，使目標檢測效果得到了進一步提升。

2.技術方案

為解決上述問題，本發明采用如下的技術方案。

一種基于加權聯合最近鄰的多任務稀疏表示檢測方法，包括以下步驟：

S1、利用交叉分組策略將高光譜圖像按波段分為多個子高光譜圖像，同時對測試像素進行分組得到子測試像素，y^k，k＝1，2，...，K；

S2、利用多任務學習技術，結合多個相似子高光譜圖像，構建多任務稀疏表示模型；

S3、將所有任務上累積的總重構誤差應用于檢測目標，得到多任務稀疏表示的檢測結果D_MTL(y_n)；

S4、利用加權聯合最近鄰方法進行計算，得到加權最近鄰的檢測結果

S5、將加權最近鄰的檢測結果和多任務稀疏表示的檢測結果D_MTL(y_n)相結合，得到最終的檢測函數；

S6、利用S5得到的檢測函數對高光譜圖像中所有像素進行檢測，得到最終目標檢測結果。

進一步的，所述S2具體包括以下步驟：