一种基于加权联合最近邻的多任务稀疏表示检测方法专利检索-K最近邻算法电脑编程专利检索查询-专利查询网

一种基于加权联合最近邻的多任务稀疏表示检测方法

阅读：944发布：2020-05-08

专利汇可以提供一种基于加权联合最近邻的多任务稀疏表示检测方法专利检索，专利查询，专利分析的服务。并且本发明公开了一种基于加权联合最近邻的多任务稀疏表示检测方法，属于图像处理技术领域，一种基于加权联合最近邻的多任务稀疏表示检测方法，包括以下步骤：利用多任务学习技术，构建多任务稀疏表示模型，将所有任务上累积的总重构误差应用于检测目标，得到多任务稀疏表示的检测结果，利用加权联合最近邻方法进行计算，得到加权最近邻的检测结果，将加权最近邻的检测结果和多任务稀疏表示的检测结果相结合，得到最终的检测函数，可以实现通过光谱信息和邻域空间信息同时进行检测，利用多任务学习，联合多个相关的子稀疏表示，得到较好目标检测效果，并且加入了加权联合最近邻算法，提高了对空间信息的利用，使目标检测效果得到了进一步提升。，下面是一种基于加权联合最近邻的多任务稀疏表示检测方法专利的具体信息内容。

权利要求

1.一种基于加权联合最近邻的多任务稀疏表示检测方法，其特征在于：包括以下步骤：
S1、利用交叉分组策略将高光谱图像按波段分为多个子高光谱图像，同时对测试像素进行分组得到子测试像素，yk，k＝1，2，...，K；
S2、利用多任务学习技术，结合多个相似子高光谱图像，构建多任务稀疏表示模型；
S3、将所有任务上累积的总重构误差应用于检测目标，得到多任务稀疏表示的检测结果DMTL(yn)；
S4、利用加权联合最近邻方法进行计算，得到加权最近邻的检测结果
S5、将加权最近邻的检测结果和多任务稀疏表示的检测结果DMTL
(yn)相结合，得到最终的检测函数；
S6、利用S5得到的检测函数对高光谱图像中所有像素进行检测，得到最终目标检测结果。
2.根据权利要求1所述的一种基于加权联合最近邻的多任务稀疏表示检测方法，其特征在于：所述S2具体包括以下步骤：
S21：用目标训练像素和背景训练像素构成D＝[Dt，Db],并利用交叉分组策略进行分组，得到多个子字典Dk，k＝1，2，...，K；
S22：对每个子训练样本进行稀疏表示
αk，k＝1，2，...，K为子稀疏系数；
S23：根据
利用加速近端梯度算法求出
S24：分别计算目标和背景的累计残差
。
3.根据权利要求2所述的一种基于加权联合最近邻的多任务稀疏表示检测方法，其特征在于：所述S23中，ρ是联合稀疏正则项和可靠重建项之间的平衡系数；||W||2，1是l2，1范数，表示矩阵W每一行的l2之和。
4.根据权利要求1所述的一种基于加权联合最近邻的多任务稀疏表示检测方法，其特征在于：S5中，对于S24中得到的目标和背景累计残差，设计检测器DMTL(yn)＝rb-rt,将检测器用于高光谱图像所有像素，得到多任务稀疏表示的检测结果DMTL(yn)。
5.根据权利要求1所述的一种基于加权联合最近邻的多任务稀疏表示检测方法，其特征在于：所述S4具体包括以下步骤：
S21、对任一个测试像素yi取其周围像素联合构成yi，joint；
S22、计算目标训练样本和联合测试样本之间的优势距离d(yn，joint，
Xt)；
S23、引入高斯加权函数，计算高斯加权距离即为加权最近邻的
检测结果。
6.根据权利要求1所述的一种基于加权联合最近邻的多任务稀疏表示检测方法，其特征在于：所述步骤S5中，最终的检测函数为：
其中λ是联合稀疏正则项和可靠重建项之间的平衡系数。

说明书全文

一种基于加权联合最近邻的多任务稀疏表示检测方法

技术领域

[0001] 本发明涉及图像处理技术领域，更具体地说，涉及一种基于加权联合最近邻的多任务稀疏表示检测方法。

背景技术

[0002] 高光谱遥感图像作为一种拥有高空间和谱间分辨率的遥感图像，它丰富的空间和谱间特征包含了大量的信息，在军事、农业和工业领域被广泛应用于地物的识别、分类和特征描述。高光谱遥感图像分类就是将一幅高光谱图像中的像素点划归到不同类别的过程，高光谱遥感图像分类是建立在遥感图像分类的基础上，结合高光谱遥感图像特点，对高光谱图像数据进行像素级的识别和分类。

[0003] 目前国内外有许多研究机构都展开了高光谱遥感图像的分类方法的研究，提出了多种高光谱图像分类方法，包括无监督的高光谱遥感图像分割，基于核方法的有监督的高光谱图像分类以及半监督的高光谱图像分类等。其中很多方法都只使用单一的谱特征，但仅使用谱特征只能从一个角度描述高光谱图像的特性。且由于高光谱图像波段多且波段间相关性高，因此会出现相同的物质在不同的区域会有不同的谱特征而不同的物质很可能具有相似的谱特征的现象，因而使用单一的谱特征很难避免上述现象的发生，且容易将相同的物质划分为不同的类别，不同的物质被认作是同类，因此会降低图像分类的准确率。

[0004] 联合稀疏表示和多任务学习算法构建了多任务稀疏表示模型，利用多任务学习，联合多个相关的子稀疏表示，得到较好目标检测效果。然而，该方法对于空间信息的探索尚不够深入，为了充分利用空间信息，是算法检测效果更好，提出了加权联合最近邻和多任务学习稀疏表示方法。

发明内容

[0005] 1.要解决的技术问题

[0006] 针对现有技术中存在的问题，本发明的目的在于提供一种基于加权联合最近邻的多任务稀疏表示检测方法，可以实现通过光谱信息和邻域空间信息同时进行检测，利用多任务学习，联合多个相关的子稀疏表示，得到较好目标检测效果，并且加入了加权联合最近邻算法，提高了对空间信息的利用，使目标检测效果得到了进一步提升。

[0007] 2.技术方案

[0008] 为解决上述问题，本发明采用如下的技术方案。

[0009] 一种基于加权联合最近邻的多任务稀疏表示检测方法，包括以下步骤：

[0010] S1、利用交叉分组策略将高光谱图像按波段分为多个子高光谱图像，同时对测试像素进行分组得到子测试像素，yk，k＝1，2，...，K；

[0011] S2、利用多任务学习技术，结合多个相似子高光谱图像，构建多任务稀疏表示模型；

[0012] S3、将所有任务上累积的总重构误差应用于检测目标，得到多任务稀疏表示的检测结果DMTL(yn)；

[0013] S4、利用加权联合最近邻方法进行计算，得到加权最近邻的检测结果

[0014] S5、将加权最近邻的检测结果和多任务稀疏表示的检测结果DMTL(yn)相结合，得到最终的检测函数；

[0015] S6、利用S5得到的检测函数对高光谱图像中所有像素进行检测，得到最终目标检测结果。

[0016] 进一步的，所述S2具体包括以下步骤：

[0017] S21：用目标训练像素和背景训练像素构成D＝[Dt，Db]，并利用交叉分组策略进行分组，得到多个子字典Dk，k＝1，2，...，K；

[0018] S22：对每个子训练样本进行稀疏表示

[0019]

[0020] αk，k＝1，2，...，K为子稀疏系数；

[0021] S23：根据

[0022]

[0023] 利用加速近端梯度算法求出

[0024] S24：分别计算目标和背景的累计残差

[0025]

[0026]

[0027] 进一步的，所述S23中，ρ是联合稀疏正则项和可靠重建项之间的平衡系数；||W||2，1是l2，1范数，表示矩阵W每一行的l2之和。

[0028] 进一步的，S5中，对于S24中得到的目标和背景累计残差，设计检测器DMTL(yn)＝rb-rt,将检测器用于高光谱图像所有像素，得到多任务稀疏表示的检测结果DMTL(yn)。

[0029] 进一步的，所述S4具体包括以下步骤：

[0030] S21、对任一个测试像素yi取其周围像素联合构成yi，joint；

[0031] S22、计算目标训练样本和联合测试样本之间的优势距离dt
(yn，joint，X)；

[0032] S23、引入高斯加权函数，计算高斯加权距离即为加权最近邻的检测结果。

[0033] 进一步的，：所述步骤S5中，最终的检测函数为：其中λ是联合稀疏正则项和可靠
重建项之间的平衡系数。

[0034] 3.有益效果

[0035] 相比于现有技术，本发明的优点在于：

[0036] 本发明的检测方法主要分为多任务稀疏表示和加权联合最近邻两个部分，多任务稀疏表示部分通过光谱信息进行目标检测，加权联合最近邻部分则利用待测像素的邻域空间信息进行目标检测。利用多任务学习，联合多个相关的子稀疏表示，得到较好目标检测效果，并且加入了加权联合最近邻算法，提高了对空间信息的利用，使目标检测效果得到了进一步提升。附图说明

[0037] 图1为本发明的方法流程图；

[0038] 图2为五种不同算法的Synthetic数据集ROC曲线图；

[0039] 图3为五种不同算法的AVIRIS数据集ROC曲线图；

[0040] 图4为五种不同算法的Texas Coast数据集ROC曲线图。

具体实施方式

[0041] 下面将结合本发明实施例中的附图；对本发明实施例中的技术方案进行清楚、完整地描述；显然；所描述的实施例仅仅是本发明一部分实施例；而不是全部的实施例，基于本发明中的实施例；本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例；都属于本发明保护的范围。

[0042] 在本发明的描述中，需要说明的是，术语“上”、“下”、“内”、“外”、“顶/底端”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。

[0043] 在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“设置有”、“套设/接”、“连接”等，应做广义理解，例如“连接”，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

[0044] 实施例1：

[0045] 请参阅图1，一种基于加权联合最近邻的多任务稀疏表示检测方法，包括以下步骤：

[0046] S1、利用交叉分组策略将高光谱图像按波段分为多个子高光谱图像，同时对测试像素进行分组得到子测试像素，yk，k＝1，2，...，K；

[0047] S2、利用多任务学习技术，结合多个相似子高光谱图像，构建多任务稀疏表示模型；

[0048] S3、将所有任务上累积的总重构误差应用于检测目标，得到多任务稀疏表示的检测结果DMTL(yn)；

[0049] S4、利用加权联合最近邻方法进行计算，得到加权最近邻的检测结果

[0050] S5、将加权最近邻的检测结果和多任务稀疏表示的检测结果DMTL(yn)相结合，得到最终的检测函数；

[0051] S6、利用S5得到的检测函数对高光谱图像中所有像素进行检测，得到最终目标检测结果。

[0052] S2具体包括以下步骤：

[0053] S21：用目标训练像素和背景训练像素构成D＝[Dt，Db],并利用交叉分组策略进行分组，得到多个子字典Dk，k＝1，2，...，K；

[0054] S22：对每个子训练样本进行稀疏表示

[0055]

[0056] αk，k＝1，2，...，K为子稀疏系数；

[0057] S23：根据

[0058]

[0059] 利用加速近端梯度算法求出

[0060] S24：分别计算目标和背景的累计残差

[0061]

[0062]

[0063] S23中，ρ是联合稀疏正则项和可靠重建项之间的平衡系数；||W||2，1是l2，1范数，表示矩阵W每一行的l2之和。

[0064] S5中，对于S24中得到的目标和背景累计残差，设计检测器DMTL(yn)＝rb-rt,将检测器用于高光谱图像所有像素，得到多任务稀疏表示的检测结果DMTL(yn)。

[0065] S4具体包括以下步骤：

[0066] S21、对任一个测试像素yi取其周围像素联合构成yi，joint；

[0067] S22、计算目标训练样本和联合测试样本之间的优势距离dt
(yn，joint，X)；

[0068] S23、引入高斯加权函数，计算高斯加权距离即为加权最近邻的检测结果。

[0069] 步骤S5中，最终的检测函数为：其中λ是联合稀疏正则项和可靠重建项之间的平衡系数。

[0070] 本发明的检测方法主要分为多任务稀疏表示和加权联合最近邻两个部分，多任务稀疏表示部分通过光谱信息进行目标检测，加权联合最近邻部分则利用待测像素的邻域空间信息进行目标检测。利用多任务学习，联合多个相关的子稀疏表示，得到较好目标检测效果，并且加入了加权联合最近邻算法，提高了对空间信息的利用，使目标检测效果得到了进一步提升。

[0071] 请参阅图2-4，图2显示了JSR-MTL、hCEM、rACE、SPBBHD、WJNN-MTL-SR五种不同算法的Synthetic数据集ROC曲线图，图3显示了JSR-MTL、hCEM、rACE、SPBBHD、WJNN-MTL-SR五种不同算法的AVIRIS数据集ROC曲线图，图4显示了JSR-MTL、hCEM、rACE、SPBBHD、WJNN-MTL-SR五种不同算法的Texas Coast数据集ROC曲线图。

[0072]

[0073]

[0074] 上表为JSR-MTL、hCEM、rACE、SPBBHD、WJNN-MTL-SR五种不同算法的AUC值。

[0075] 本发明算法与最近的其他四种高光谱图像目标检测算法进行了对比实验，对Sythetic,AVIRIS和Texas Coast三个高光谱数据进行实验，实验结果和数据证明本发明的算法有较好的检测效果。

[0076] 以上所述；仅为本发明较佳的具体实施方式；但本发明的保护范围并不局限于此；任何熟悉本技术领域的技术人员在本发明揭露的技术范围内；根据本发明的技术方案及其改进构思加以等同替换或改变；都应涵盖在本发明的保护范围内。

标题	发布/更新时间	阅读量
一种拼接影像楼面缺陷检测的故障定位方法及系统	2020-05-08	201
一种基于非线性增强子空间聚类的图像识别方法	2020-05-11	634
一种基于扩张点卷积空间金字塔池化的点云语义分割方法	2020-05-11	332
用于操作三维动画角色的方法和装置	2020-05-12	814
基于K最近邻算法攻击识别方法及充电装置	2020-05-11	699
一种三维点云的处理方法、装置及设备	2020-05-11	859
一种村镇地质灾害风险预估方法及系统	2020-05-08	156
一种基于区间划分的基站数据异常检测方法	2020-05-11	520
一种基于空谱联合特征的高光谱海冰检测方法	2020-05-12	633
高分辨率遥感影像的海上典型人造目标识别系统及方法	2020-05-08	22

一种基于加权联合最近邻的多任务稀疏表示检测方法

一种基于加权联合最近邻的多任务稀疏表示检测方法

技术领域

背景技术

发明内容

具体实施方式

该功能需要专业版企业版VIP权限，您可以：