基于稀疏保持流形嵌入的高光譜遙感影像分類方法
【專利摘要】本發(fā)明公開了一種基于稀疏保持流形嵌入的高光譜遙感影像分類方法，對訓(xùn)練樣本數(shù)據(jù)點(diǎn)由其余訓(xùn)練樣本進(jìn)行稀疏表示，通過各數(shù)據(jù)點(diǎn)的稀疏系數(shù)可得所有訓(xùn)練樣本的稀疏表示矩陣S；根據(jù)稀疏表示矩陣S構(gòu)建無向權(quán)重圖G；根據(jù)無向權(quán)重圖G設(shè)置各邊線的權(quán)重系數(shù)，得到權(quán)值矩陣W；由權(quán)值矩陣W，保持?jǐn)?shù)據(jù)間由稀疏表示體現(xiàn)的相似性不變，得到投影矩陣A；根據(jù)投影矩陣A，分別對訓(xùn)練樣本和測試樣本實(shí)現(xiàn)數(shù)據(jù)的維數(shù)約簡，得到低維鑒別特征；利用分類器分類，判斷出測試樣本的低維鑒別特征所屬類別，即得到測試樣本的類別信息。本發(fā)明能夠更有效地提取出鑒別特征，且分類結(jié)果更準(zhǔn)確，對高光譜遙感影像的地物分類效果更好。
【專利說明】基于稀疏保持流形嵌入的高光譜遙感影像分類方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及高光譜遙感影像特征提取和分類方法的改進(jìn)，具體涉及一種基于稀疏保持流形嵌入的高光譜遙感影像分類方法，屬于高光譜遙感影像特征提取和分類【技術(shù)領(lǐng)域】。
【背景技術(shù)】
[0002]科學(xué)研究者們于20世紀(jì)80年代初在多光譜遙感的基礎(chǔ)上提出了高光譜遙感。高光譜遙感影像的光譜分辨率高達(dá)ιο_2λ數(shù)量級(屬于納米級)，波段范圍從可見光到短波紅外，光譜波段數(shù)多達(dá)數(shù)十個甚至數(shù)百個以上，高光譜分辨率高的特點(diǎn)使高光譜圖像數(shù)據(jù)相鄰波段間的間隔較窄，存在波段重疊區(qū)域，光譜通道不再離散而呈現(xiàn)出連續(xù)，因此高光譜遙感通常又被稱為成像光譜遙感。高光譜遙感不僅可以解決地物大類的識別問題，而且可以進(jìn)行類內(nèi)細(xì)分或精細(xì)光譜特征提取。高光譜遙感影像分類首先需要對待測數(shù)據(jù)進(jìn)行特征提取，實(shí)現(xiàn)維數(shù)約簡，然后再對提取出來的特征進(jìn)行分類。
[0003]一、特征提取方法介紹
[0004]高光譜遙感影像是由成像光譜儀獲取的，含有豐富的信息，給地物研究帶來了新的機(jī)遇。但由于高光譜遙感影像數(shù)據(jù)量大、數(shù)據(jù)間相關(guān)性強(qiáng)、冗余度大、維數(shù)高、信息隱含，傳統(tǒng)分類方法很易導(dǎo)致Hughes現(xiàn)象，即“維數(shù)災(zāi)難”。因此，如何從高維數(shù)據(jù)中有效地提取出隱含特征，降低數(shù)據(jù)維數(shù)成為高光譜遙感影像在數(shù)據(jù)處理方面研究的重點(diǎn)。
[0005]1、稀疏表示方法
[0006]現(xiàn)有研究發(fā)現(xiàn)高光譜遙感影像在高維空間中呈現(xiàn)出稀疏分布，由于稀疏表示能夠較好地反映各數(shù)據(jù)在全局結(jié)構(gòu)中的相似性，能夠有效地提取出各數(shù)據(jù)的鑒別特征，現(xiàn)稀疏表示在高光譜遙感分類中已有一些應(yīng)用，并有較好的效果。
[0007]稀疏表示(SR)是以壓縮感知理論為基礎(chǔ)，最初主要在生理視覺研究、語音處理、信號處理中得到廣泛應(yīng)用，近年被成功地引入到模式識別領(lǐng)域。稀疏表示的主要思想是在一個訓(xùn)練樣本足夠大的空間內(nèi)，對于某一個樣本，可以近似地由訓(xùn)練樣本中同類樣本子空間線性表示；當(dāng)某個樣本用整個樣本空間表示時，其表示系數(shù)是稀疏的，即絕大多數(shù)的系數(shù)為零，只存在少數(shù)反映此樣本內(nèi)在特性的系數(shù)為非零。稀疏表示能從全局結(jié)構(gòu)中揭示出反映某樣本內(nèi)在特性的信息，且能反映出數(shù)據(jù)間的相似關(guān)系，受局部空間分布和噪聲影響較小，在高光譜遙感影像特征提取的應(yīng)用中具有較好的優(yōu)勢。
[0008]稀疏系數(shù)矩陣S是對各數(shù)據(jù)點(diǎn)由其余數(shù)據(jù)線性表示得到的系數(shù)值，某個數(shù)據(jù)點(diǎn)的稀疏系數(shù)只有少數(shù)能夠反映該數(shù)據(jù)在全局結(jié)構(gòu)中內(nèi)在特性的系數(shù)為非零，其余系數(shù)全為零，即某個數(shù)據(jù)點(diǎn)不為零的稀疏系數(shù)對應(yīng)的數(shù)據(jù)點(diǎn)幾乎屬于同類數(shù)據(jù)，非同類數(shù)據(jù)間的稀疏系數(shù)幾乎全部為零，這表明稀疏表示能夠較好地揭示出各數(shù)據(jù)在全局結(jié)構(gòu)中的內(nèi)在特性；兩個數(shù)據(jù)間的稀疏系數(shù)值若為非零，則表示兩個數(shù)據(jù)間具有一定的內(nèi)在關(guān)聯(lián)性，其值越大表示兩個數(shù)據(jù)間的內(nèi)在關(guān)聯(lián)性越強(qiáng)。現(xiàn)有的主要算法有稀疏主元分析(SPCA)和稀疏保持投影(SPP)。[0009]1.1)SPCA是主成分分析為基礎(chǔ)發(fā)展的。主成分分析主要算法思想是消除各主成分之間的相關(guān)性，使各主成分的方差在該主成分中達(dá)到最大值，但是每個主成分都是由所有數(shù)據(jù)線性組合得到，大部分單位特征向量不為零，以至于對主成分解釋困難。為能很好地解釋各主成分，并突出主要的成分，應(yīng)使大部分單位特征向量都為零，稀疏表示正具有此特點(diǎn)，能夠使反映數(shù)據(jù)特征的幾個單位特征向量為非零，其余大部分單位特征向量為零，因而學(xué)者們結(jié)合彈性網(wǎng)絡(luò)思想提出了稀疏主成分分析。SPCA算法消除了數(shù)據(jù)間的相關(guān)性，并且數(shù)據(jù)盡可能的稀疏，各主成分能夠得到更好的解釋，使主要的部分更加突出，提取出的特征更能反映數(shù)據(jù)的內(nèi)在性質(zhì)，更能有效地實(shí)現(xiàn)數(shù)據(jù)的降維。但SPCA算法的參數(shù)設(shè)置比較困難，這對算法的性能有很大的影響。
[0010]1.2) SPP算法是以稀疏理論為基礎(chǔ)，對數(shù)據(jù)進(jìn)行重構(gòu)，使其重構(gòu)誤差最小化來得到投影矩陣，它是一種全局線性維數(shù)約簡方法。SPP算法在重構(gòu)時，其重構(gòu)系數(shù)是稀疏的，這能夠從全局?jǐn)?shù)據(jù)中提取出反映各數(shù)據(jù)內(nèi)在特征的信息，并使該數(shù)據(jù)的內(nèi)在特性得到保持。SPP算法通過稀疏表示得到重構(gòu)系數(shù)，不需要人為的設(shè)置參數(shù)，減少了參數(shù)選擇的影響，在模式識別方面具有較好的優(yōu)勢；同時，SPP算法具有投影矩陣，能夠很好地處理新樣本。SPP算法已在人臉識別中得到廣泛的應(yīng)用，并對受姿態(tài)和光照變換的人臉有較好的效果，但在高光譜遙感數(shù)據(jù)分類中應(yīng)用還相對較少。
[0011]2、圖嵌入方法
[0012]圖嵌入(Graph Embedding, GE)思想也是實(shí)現(xiàn)數(shù)據(jù)維數(shù)約簡的一種方法。圖嵌入是通過數(shù)據(jù)集X構(gòu)建反映數(shù)據(jù)幾何分布關(guān)系的無向權(quán)重圖矩陣G= {X，W}，其中X為圖G中的頂點(diǎn)，W= [Wij]NXN表示各頂點(diǎn)間連線邊的權(quán)值矩陣，Wij表示圖G中頂點(diǎn)Xi與Xj之間連線邊的權(quán)值大小，反映了兩個數(shù)據(jù)點(diǎn)之間的相似程度；再由圖G構(gòu)建維數(shù)約簡方法，進(jìn)而得到各數(shù)據(jù)點(diǎn)的低維鑒別特征。圖嵌入主要思想是在低維嵌入空間中保持在高維空間中構(gòu)建的圖G中各頂點(diǎn)間相似關(guān)系不變，得到最佳的低維嵌入特征。圖嵌入方法在低維嵌入空間中能夠很好地保持原始數(shù)據(jù)在高維空間的相似關(guān)系，具有較好的維數(shù)約簡效果，但是相似性度量方式和權(quán)值設(shè)置方式對維數(shù)約簡的結(jié)果有較大影響，也會影響最終分類結(jié)果的準(zhǔn)確。主要算法有線性判別算法(LDA)、局部線性嵌入算法(LLE)、拉普拉斯特征映射算法(LE)、鄰域保持嵌入算法(NPE)和局部保持投影算法(LPP)。
[0013]2.1) LDA是一種監(jiān)督的維數(shù)約簡方法，由1936年Fisher提出的Fisher判別準(zhǔn)則尋求最佳的鑒別投影方向，基本思想是使類內(nèi)數(shù)據(jù)盡可能的聚集，類間數(shù)據(jù)盡可能的分散，從而使維數(shù)約簡后的不同類型數(shù)據(jù)能夠最大的區(qū)分開，又稱為Fisher線性鑒別分析(Fisher Linear Discriminant Analysis),在處理類別可分性大的數(shù)據(jù)具有很好的優(yōu)勢。LDA算法為全局線性維數(shù)約簡方法，在二分類問題中有很好的應(yīng)用，但高光譜遙感屬于多類數(shù)據(jù)，且為非線性結(jié)構(gòu)，維數(shù)約簡后各類的區(qū)分度并不明顯，運(yùn)用LDA提取特征效果并不突出。
[0014]2.2) LLE算法的主要思想是非線性結(jié)構(gòu)數(shù)據(jù)在局部范圍呈現(xiàn)出線性結(jié)構(gòu)，保持這種局部的線性結(jié)構(gòu)關(guān)系，從高維數(shù)據(jù)中揭示出低維流形結(jié)構(gòu)，進(jìn)而提取出各數(shù)據(jù)的流形特征，實(shí)現(xiàn)維數(shù)約簡。其主要方法是在高維空間中各數(shù)據(jù)點(diǎn)用k個近鄰點(diǎn)線性表示，維數(shù)簡約后保持與每個對應(yīng)近鄰點(diǎn)的權(quán)值不變，重構(gòu)維數(shù)簡約后對應(yīng)的數(shù)據(jù)點(diǎn)，使重構(gòu)誤差最小，能夠有效地提取出非線性結(jié)構(gòu)數(shù)據(jù)的流形特征。LLE算法通過對數(shù)據(jù)的局部重構(gòu)，在低維空間中保持局部重構(gòu)關(guān)系不變，提取出數(shù)據(jù)中隱含的低維流形特征，揭示出數(shù)據(jù)中的非線性結(jié)構(gòu)關(guān)系，對高光譜遙感數(shù)據(jù)能夠有效地展示出數(shù)據(jù)的內(nèi)在幾何結(jié)構(gòu)。但LLE算法的近鄰選取，對結(jié)果影響較大。
[0015]2.3)LE算法的基本思想是在高維空間中相距較遠(yuǎn)的數(shù)據(jù)點(diǎn)，維數(shù)約簡后在低維嵌入空間中仍相距較遠(yuǎn)；較近的數(shù)據(jù)點(diǎn)，維數(shù)約簡后仍相距較近；目的是使數(shù)據(jù)點(diǎn)間的局部幾何結(jié)構(gòu)在低維空間得到保持，并能最佳的表達(dá)出來。LE算法運(yùn)用了譜圖理論，通過對各數(shù)據(jù)間設(shè)置不同的權(quán)值，使數(shù)據(jù)間的局部鄰域信息在低維空間中能夠較好地體現(xiàn)出來。LE算法保證了幾何結(jié)構(gòu)為近鄰的數(shù)據(jù)點(diǎn)從高維空間投影到低維空間中近鄰位置關(guān)系不變，能夠有效地提取出數(shù)據(jù)的流形特征。但對于幾何位置較遠(yuǎn)的數(shù)據(jù)點(diǎn)，投影到低維空間后仍相距較遠(yuǎn)，易產(chǎn)生空洞現(xiàn)象。
[0016]2.4)NPE算法從本質(zhì)上看是LLE算法的線性逼近，數(shù)據(jù)集在降到低維空間后，保持?jǐn)?shù)據(jù)固有的局部鄰域流形不變，得到從高維空間到低維空間的投影矩陣；遇到新樣本時，可通過投影矩陣直接得到低維嵌入數(shù)據(jù)。NPE算法保持?jǐn)?shù)據(jù)的局部鄰域結(jié)構(gòu)不變，提取出高維數(shù)據(jù)中的低維流形結(jié)構(gòu)，且能夠更有效地處理新樣本，實(shí)現(xiàn)維數(shù)約簡。但其同樣受近鄰選取的影響較大，并且為線性維數(shù)約簡方法，對非線性結(jié)構(gòu)的數(shù)據(jù)效果不是很好。
[0017]2.5)LPP算法的主要思想是在低維空間中保持原有數(shù)據(jù)在高維空間中的近鄰關(guān)系不變，其實(shí)質(zhì)是對LE算法進(jìn)行線性化。LPP算法具有明確的投影矩陣，能夠直接把新樣本投影到低維空間中。LPP算法能夠很好地處理新樣本問題，并能較好地保持?jǐn)?shù)據(jù)的局部幾何結(jié)構(gòu)，實(shí)現(xiàn)數(shù)據(jù)降維。但LPP只考慮了數(shù)據(jù)的局部關(guān)系，受近鄰選取影響較大，并受噪聲影響大。
[0018]二、高光譜遙感數(shù)據(jù)的分類方法
[0019]在高光譜遙感影像中不同地物的差異通過像元的光譜信息及幾何空間信息進(jìn)行表達(dá)，不同的地物類型具有不同的光譜信息或幾何空間特性。高光譜遙感影像分類就是以影像像元的光譜和空間特征為基礎(chǔ)，對每個像元或比較均質(zhì)的像元組中所代表的不同類別地物進(jìn)行類別屬性的確定和標(biāo)注。通過對高光譜遙感影像中各地物的光譜信息和幾何空間信息進(jìn)行分析，獲得可分性最大的特征，選擇適當(dāng)?shù)姆诸愊到y(tǒng)，將各個像元劃分為對應(yīng)的類別屬性中。傳統(tǒng)的分類方法主要有如下幾種。
[0020]Lk最近鄰分類(k-NN)
[0021]k最近鄰算法(k-Nearest Neighbor, k_NN)是一種比較經(jīng)典的分類方法,該方法由k個已知近鄰來判斷未知數(shù)據(jù)點(diǎn)的類別信息，其理論已經(jīng)非常成熟，在模式分類中得到了廣泛的應(yīng)用。k-NN算法不需要對樣本進(jìn)行訓(xùn)練，受噪聲影響較小，但k值對算法的結(jié)果影響較大，其值的選擇需要反復(fù)地進(jìn)行調(diào)整；在維數(shù)較高時，計算時間較長。
[0022]2光譜角制圖分類(SAM)
[0023]光譜角制圖(Spectral Angle Mapping, SAM)是對地物光譜波形相似性的一種度量，它把每條光譜都視為波譜空間的一個矢量，通過計算未知光譜與已知光譜間夾角來確定光譜間的相似程度，進(jìn)而確定未知光譜曲線的類別信息。由于光譜曲線間的夾角越小表示兩光譜曲線越相似，屬于同類光譜的可能性越大，從而可以通過計算光譜曲線間的夾角來確定未知光譜曲線所屬類別。
[0024]SAM是一個基于統(tǒng)計特征的算法，與光譜矢量的模無關(guān)，具有較好的抗干擾能力，受光照變化影響小，并且受“同物異譜”現(xiàn)象的影響小，現(xiàn)已在光譜數(shù)據(jù)分類中得到廣泛的應(yīng)用，具有較好的分類效果。但是SAM算法在兩種光譜曲線相似程度很大時，對光譜曲線區(qū)分度較難，不能取得較好的分類效果。
[0025]3支持向量機(jī)分類(SVM)
[0026]支持向量機(jī)(Support Vector Machines, SVM)是以統(tǒng)計學(xué)中的VC維理論和結(jié)構(gòu)風(fēng)險最小原理為理論基礎(chǔ)，根據(jù)有限的樣本信息在模型的復(fù)雜度(即特定訓(xùn)練樣本的學(xué)習(xí)精度)和學(xué)習(xí)能力(即正確識別任意樣本的能力)之間尋求最佳折衷，以獲得最好的推廣能力。SVM算法是以統(tǒng)計學(xué)為基礎(chǔ)尋求數(shù)據(jù)間的最優(yōu)分類面，通過把非線性數(shù)據(jù)映射到核函數(shù)空間，使其線性化，進(jìn)而簡化了計算復(fù)雜度，具有較好的分類效果；但是如何選擇子空間和建立合適模型成為SVM運(yùn)用的難點(diǎn)。
[0027]通過上述現(xiàn)有技術(shù)介紹可以看出，目前的特征提取方法和分類方法都存在各自不足，特征提取方法不能有效地提取出鑒別特征，幾種分類方法要么影響因素多，要么存在某些局限性，兩者都會導(dǎo)致分類結(jié)果準(zhǔn)確性受到影響。

【發(fā)明內(nèi)容】

[0028]針對現(xiàn)有技術(shù)存在的上述不足，本發(fā)明的目的是提供一種能夠更有效地提取出鑒別特征，且分類結(jié)果更準(zhǔn)確，對高光譜遙感影像的地物分類效果更好的基于稀疏保持流形嵌入的高光譜遙感影像分類方法。[0029]為了實(shí)現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案如下:
[0030]基于稀疏保持流形嵌入的高光譜遙感影像分類方法，其特征在于:其步驟為，
[0031]I)從數(shù)據(jù)集中隨機(jī)選取一定數(shù)量的樣本作為訓(xùn)練樣本，其類別信息已知，再隨機(jī)選取一定數(shù)量的樣本作為測試樣本；
[0032]2)對訓(xùn)練樣本數(shù)據(jù)點(diǎn)Xi由其余訓(xùn)練樣本進(jìn)行稀疏表示，跟據(jù)(I)式計算得到數(shù)據(jù)點(diǎn)Xi的稀疏系數(shù)Si,最終可得到所有訓(xùn)練樣本的稀疏表示矩陣S，其稀疏求解函數(shù)為:
[0033]min |i,-Xs;|
[0034](I)
[0035]s.t.1 I SiI Ii< ε , Si ^ O
[0036]其中Ui表示數(shù)據(jù)點(diǎn)Xi由數(shù)據(jù)集X中除Xi以外其余數(shù)據(jù)線性組合的稀疏系數(shù)；I.I Ic!表示計算1(!范數(shù)，即為Si中非零元素的個數(shù)；ε為誤差閾值；
[0037]3)根據(jù)稀疏表示矩陣S構(gòu)建無向權(quán)重圖G，在圖G中，若Xi與\間的稀疏系數(shù)為非零，對應(yīng)的頂點(diǎn)用邊線連接，若Xi與\間的稀疏系數(shù)為零，對應(yīng)的頂點(diǎn)不用邊線連接；
[0038]4)根據(jù)無向權(quán)重圖G設(shè)置各邊線的權(quán)重系數(shù)，如果有邊線連接，就把該邊線相對應(yīng)的兩個頂點(diǎn)之間的稀疏系數(shù)作為該邊線的權(quán)值，如果沒有連接邊，權(quán)值就設(shè)置為零，得到權(quán)值矩陣W，即:
(-V，s Φ O
[_] w# = l(u:=()(2)
[0040]其中=Wij表示數(shù)據(jù)點(diǎn)Xi與Xj之間的權(quán)值，且有權(quán)值矩陣W=[Wij]NXN ；SiJ表示數(shù)據(jù)點(diǎn)Xi與\之間的稀疏系數(shù)；[0041]5)由權(quán)值矩陣W，保持?jǐn)?shù)據(jù)間由稀疏表示體現(xiàn)的相似性不變，根據(jù)式⑶可得到投影矩陣A;
[0042]
【權(quán)利要求】
1.基于稀疏保持流形嵌入的高光譜遙感影像分類方法，其特征在于:其步驟為， 1)從數(shù)據(jù)集中隨機(jī)選取一定數(shù)量的樣本作為訓(xùn)練樣本，其類別信息已知，再隨機(jī)選取一定數(shù)量的樣本作為測試樣本； 2)對訓(xùn)練樣本數(shù)據(jù)點(diǎn)Xi由其余訓(xùn)練樣本進(jìn)行稀疏表示，跟據(jù)(I)式計算得到數(shù)據(jù)點(diǎn)Xi的稀疏系數(shù)Si,最終可得到所有訓(xùn)練樣本的稀疏表示矩陣S，其稀疏求解函數(shù)為:
min IIx1-XsiI^


(I)
S.t.1 Si !< ε , Si ^ O 其中4表示數(shù)據(jù)點(diǎn)Xi由數(shù)據(jù)集X中除Xi以外其余數(shù)據(jù)線性組合的稀疏系數(shù)；I I * I 10表示計算Ιο范數(shù)，即為Si中非零元素的個數(shù)；ε為誤差閾值； 3)根據(jù)稀疏表示矩陣S構(gòu)建無向權(quán)重圖G，在圖G中，若Xi與&間的稀疏系數(shù)為非零，對應(yīng)的頂點(diǎn)用邊線連接，若Xi與\間的稀疏系數(shù)為零，對應(yīng)的頂點(diǎn)不用邊線連接； 4)根據(jù)無向權(quán)重圖G設(shè)置各邊線的權(quán)重系數(shù)，如果有邊線連接，就把該邊線相對應(yīng)的兩個頂點(diǎn)之間的稀疏系數(shù)作為該邊線的權(quán)值，如果沒有連接邊，權(quán)值就設(shè)置為零，得到權(quán)值矩陣W，即:
? s，s "Φ O:- " (2) I O,.Vff = Ol , 其中=Wij表示數(shù)據(jù)點(diǎn)Xi與Xj之間的權(quán)值，且有權(quán)值矩陣W=[Wij]NXN ；SiJ.表示數(shù)據(jù)點(diǎn)Xi與\之間的稀疏系數(shù)； 5)由權(quán)值矩陣W，保持?jǐn)?shù)據(jù)間由稀疏表示體現(xiàn)的相似性不變，根據(jù)式(3)可得到投影矩陣A;
J ,V min τ: Σ (y> Ii)"w,, = Σ (y；wVyf= frfYLY7) = fr(ArXLXrA) (3)
2 1、/-1t—,/-1



-S 其中:D為對角矩陣，且D? =Σ% ! L為拉普拉斯矩陣，且L=D-W ；ff為權(quán)值矩陣；低維.卜I嵌入Y=ATX，A為投影矩陣； 6)根據(jù)投影矩陣A，分別對訓(xùn)練樣本和測試樣本實(shí)現(xiàn)數(shù)據(jù)的維數(shù)約簡，得到低維鑒別特征； 7)根據(jù)訓(xùn)練樣本的低維鑒別特征和類別信息，利用分類器分類，判斷出測試樣本的低維鑒別特征所屬類別，即得到測試樣本的類別信息。
2.根據(jù)權(quán)利要求1所述的基于稀疏保持流形嵌入的高光譜遙感影像分類方法，其特征在于:所述第7)步的分類器按稀疏保持分類方法進(jìn)行分類，稀疏保持分類方法是通過稀疏表示在全局結(jié)構(gòu)中揭示出的相似關(guān)系，通過計算未知數(shù)據(jù)對各類數(shù)據(jù)由稀疏表示反映的相似性權(quán)值來對未知數(shù)據(jù)進(jìn)行分類；其過程為: ①在維數(shù)約簡后，用所有已知數(shù)據(jù)點(diǎn)對未知數(shù)據(jù)進(jìn)行稀疏表示得到稀疏系數(shù)，如式(4)所示:
min Iyl--YslJ(4)
s.t.1 Si !< ε , Si ≥ O 其中=Si表示未知數(shù)據(jù)Ayi由已知數(shù)據(jù)Y線性組合的稀疏系數(shù)；I I.I Itl表示計算Itl范數(shù)，即為Si中非零元素的個數(shù)；ε為誤差閾值； ②根據(jù)稀疏系數(shù)計算未知數(shù)據(jù)與各類已知數(shù)據(jù)的相似性權(quán)值，即把未知數(shù)據(jù)與某類已知數(shù)據(jù)中的各數(shù)據(jù)相似性權(quán)值之和作為該類數(shù)據(jù)的相似性權(quán)值，再根據(jù)權(quán)值的大小來確定未知數(shù)據(jù)所屬類別，并把未知數(shù)據(jù)歸為權(quán)值最大的類別；權(quán)值求解如式(5)所示:
【文檔編號】G06K9/62GK103729652SQ201410024004
【公開日】2014年4月16日 申請日期:2014年1月17日 優(yōu)先權(quán)日:2014年1月17日
【發(fā)明者】劉嘉敏, 羅甫林, 黃鴻, 韓耀順, 劉亦哲 申請人:重慶大學(xué)