[发明专利]一种压缩光谱特征感知方法

摘要

一种压缩光谱特征感知方法，通过光谱压缩测量矩阵，基于构建的光谱压缩测量矩阵能够压缩提取光谱信号的特征信号，实现光谱特征的压缩感知。另外本发明给出了基于数字微镜阵列(DMD)的光谱压缩测量矩阵Φ的物理实现方法。压缩光谱特征感知方法可以有效避免信号重构与特征提取，测量数据可以直接用于分类识别，大大减少了计算与存储开销，提高了光谱信息获取的效率。由于光谱特征信号的维度远小于光谱信号的维度，因此压缩光谱特征感知方法获取的测量数据会小于传统压缩光谱成像的测量数据。

主权项

1.一种压缩光谱特征感知方法方法，其特征在于，包括以下步骤：S1：训练光谱数据预处理S1.1训练光谱数据的选择设成像区域待识别的目标共S类，光谱维度为N,L个训练光谱信号分别为{x1,x2,…,xL}，其中，xl∈RN，l＝1,2,…，L，RN表示N维实向量空间；则要求选择的训练光谱数据中含有成像区域待识别的S类目标的光谱信号；S1.2构建光谱矩阵：X＝[x1,x2,…,xL]∈RN×L，其中RN×L表示N*L维实向量空间；S1.3稀疏低秩矩阵分解利用稀疏低秩矩阵将光谱矩阵X＝[x1,x2,…,xL]∈RN×L进行分解，获得低秩矩阵XL与稀疏矩阵XS：其中XL与XS分别为低秩矩阵与稀疏矩阵，||·||*与||·||1分别为矩阵核范数与矩阵l1范数，μ为模型参数，μ＞0；获得的低秩矩阵XL即为经预处理后的训练光谱数据；S2：基于低秩矩阵XL进行训练光谱数据的空间结构分析；S2.1对S1中得到的预处理后的训练光谱数据去均值令其中E(·)表示对矩阵每列分别求平均值，因此为一行向量，R^1×L表示1*L维实向量空间；进而对S1中得到的预处理后的训练光谱数据去均值，可表示为其中，a∈R^N为全1矩阵，为去均值后的训练光谱数据；S2.2主成分分析主成分分析即训练光谱数据的协方差矩阵的特征值分解；令为去均值后的训练光谱数据的协方差矩阵，其中T为矩阵转置，则特征值分解可表示为A＝UΣUT (3)其中，U为特征矩阵，矩阵Σ的对角元素为特征向量对应的特征值；S3构建光谱压缩测量矩阵，基于构建的光谱压缩测量矩阵能够压缩提取光谱信号的特征信号，实现光谱特征的压缩感知。