本發(fā)明屬于高光譜圖像處理領域，具體涉及一種基于張量化自編碼器網(wǎng)絡的高光譜圖像多層次特征表示方法。

背景技術：

1、高光譜圖像特征表示是高光譜圖像處理領域的一項重要技術，它旨在從高光譜圖像數(shù)據(jù)中提取并表達能夠描述圖像內(nèi)容、區(qū)分不同地物或目標的特征。這些特征通常結(jié)合了光譜信息和空間信息，能夠全面而準確地反映高光譜圖像的特性，為后續(xù)的分類、識別、檢測等應用提供有力的數(shù)據(jù)支持。此外，通過特征表示，可以使得原本復雜、冗余的高光譜數(shù)據(jù)變得簡潔、高效，從而提高數(shù)據(jù)處理的效率和準確性。同時，良好的特征表示方法還能夠增強不同類別樣本之間的區(qū)分度，提高分類算法的精度和魯棒性。

2、深度學習被認為是當前最先進、最有效的高光譜圖像特征表示手段，它能夠挖掘和利用隱藏在高光譜圖像數(shù)據(jù)背后的深層特征。與傳統(tǒng)的機器學習方法相比，基于深度學習的特征提取方法能夠獲得更加復雜的結(jié)構(gòu)信息，具有更強的魯棒性和特征感知能力。需要注意的是，現(xiàn)有的深度學習方法大多是以深度網(wǎng)絡中最深層的輸出特征作為特征表示形式，但是缺乏多層次特征表示能力，忽視了深度網(wǎng)絡淺層特征的作用。如果能提升深度學習的多層次特征表示能力，充分結(jié)合并利用淺層輸出和深層輸出，構(gòu)建出能輸出多層次特征的表示網(wǎng)絡，這對于與高光譜圖像相關的分析任務是非常有價值的和有意義的。

技術實現(xiàn)思路

1、本發(fā)明要解決的技術問題是設計一種多層次特征表示方法，能夠同時利用高光譜圖像的淺層和深層特征，從而為分類等相關任務提供可靠的依據(jù)。

2、為了達到上述目的，本發(fā)明采用以下技術方案：一種基于張量化自編碼器網(wǎng)絡的高光譜圖像多層次特征表示方法，包括以下步驟：

3、步驟1，將高光譜圖像展開成矩陣表示x∈rq×l，其中，q＝s×p表示高光譜圖像的空間分辨率，l表示高光譜圖像的光譜分辨率；

4、步驟2，將高光譜圖像x輸入自編碼器網(wǎng)絡，對高光譜圖像x進行編碼，即：

5、

6、其中，λ表示正則化參數(shù)，vj、uj、xj以及yj分別表示網(wǎng)絡中第j層的編碼矩陣、解碼矩陣、輸入量以及輸出特征；j表示自編碼器網(wǎng)絡總層數(shù)；

7、xj＝y(tǒng)j-1(j≥2)以及x1＝x；

8、步驟3，對式(1)進行張量化處理，堆疊所有網(wǎng)絡層輸出特征yj∈rq×l′(1≤j≤j)，獲得張量形式式(1)變換為：

9、

10、其中，α為耦合參數(shù)，用于控制張量分解項的重要性；表示張量積；cat(·)表示用于堆疊所有層輸出特征yj的算子，表示的張量核，通過對進行張量分解來獲得，其中q″＜＜q，k″＜＜l′，j″＜＜j；此外，因子矩陣w1∈rq×q″，w2∈rl′×l″，w3∈rj×j″；

11、由于因子矩陣w1、w2以及w3分別為的擴展矩陣在不同模式下的潛在主成分，將因子矩陣w3對應的潛在主成分約束為單位矩陣，因此，式(2)寫為：

12、

13、其中，表示在因子矩陣w1′和w2′下的張量核；

14、因為是不同的yj沿著網(wǎng)絡層方向上的連接，因此高光譜圖像多層次特征表示模型式(3)被改寫為如下形式：

15、

16、其中，fj表示yj的本征矩陣形式；

17、步驟4，對高光譜圖像多層次特征表示模型式(4)進行求解，求得每層輸出yj的本征矩陣fj最優(yōu)解和沿著光譜方向的因子矩陣w′1；

18、步驟5，最終的高光譜圖像的多層次特征表示形式f，即：

19、

20、從式(20)中可以看出，最終的特征表示形式是每層輸出yj的本征矩陣形式與其沿著光譜方向的因子矩陣的求積并累加，與傳統(tǒng)的大多數(shù)基于深度學習的特征提取方法相比，本發(fā)明所提取的特征，同時包含了高光譜圖像數(shù)據(jù)的淺層特征和深層特征，具有更加豐富的信息。

21、進一步的，步驟4中對高光譜圖像多層次特征表示模型式(4)進行求解，求得每層輸出yj的本征矩陣fj最優(yōu)解和沿著光譜方向的因子矩陣w′1，具體步驟如下：

22、首先將含約束項的式(4)改寫為如下無約束形式：

23、

24、其中，γ為耦合參數(shù)；

25、引入輔助變量aj＝y(tǒng)j，式(5)改寫為：

26、

27、其中，β為耦合參數(shù)；

28、采用交替更新優(yōu)化策略對式(6)求解：

29、1)更新vj：固定uj、yj、fj、w′1、w′2以及aj，則變量vj通過下式來更新：

30、

31、式(7)的封閉解表示為：

32、

33、2)更新uj：固定vj、yj、fj、w′1、w′2以及aj，則變量uj通過下式來更新：

34、

35、式(9)的解表示為：

36、uj＝(xjyjt)(yjyjt)-1??????????????????????(8)

37、3)更新yj：固定vj、uj、fj、w′1、w′2以及aj，則變量yj通過下式來更新：

38、

39、式(10)的解表示為：

40、

41、其中，i表示單位矩陣；

42、4)更新fj：固定vj、uj、yj、w′1、w′2以及aj，則變量fj通過下式來更新：

43、

44、式(12)的解表示為：

45、

46、5)更新w′1：固定vj、uj、yj、fj、w′2以及aj，則變量w′1通過下式來更新：

47、

48、式(14)的解表示為：

49、

50、6)更新w′2：固定vj、uj、yj、fj、w′1以及aj，則變量w′2通過下式來更新：

51、

52、式(16)的解表示為：

53、

54、7)更新aj：固定vj、uj、yj、fj、w′1以及w′2，則變量aj通過下式來更新：

55、

56、式(18)的解表示為：

57、

58、其中，soft(x,y)＝sign(x)·max(|x|-y,0)為軟閾值操作函數(shù)；這里，sign(x)為符號函數(shù)，max(|x|-y,0)是最大值函數(shù)，用于比較|x|-y和0的大小；

59、經(jīng)過1)～7)迭代更新之后，得到最優(yōu)的vj、uj、yj、fj、w′1、w′2以及aj。

60、與現(xiàn)有技術相比，本發(fā)明具有如下優(yōu)點和有益效果：

61、本發(fā)明提出的基于張量化自編碼器網(wǎng)絡的高光譜圖像多層次特征表示方法，將深度自編碼器網(wǎng)絡的各層輸出進行堆疊，以獲得張量形式，并構(gòu)建、引入張量分解項，以實現(xiàn)對自編碼器網(wǎng)絡的反向傳輸。與現(xiàn)有的深度學習方法相比，該方法具有顯著的多層次特征表示能力，能夠把深度自編碼器網(wǎng)絡的各層輸出統(tǒng)一結(jié)合起來，同時涵蓋了淺層輸出特性和深層輸出特性。

技術特征：

1.一種高光譜圖像多層次特征表示方法，其特征在于，包括如下步驟：

2.根據(jù)權(quán)利要求1所述一種高光譜圖像多層次特征表示方法，其特征在于，步驟4中對高光譜圖像多層次特征表示模型式(4)進行求解，求得每層輸出yj的本征矩陣fj最優(yōu)解和沿著光譜方向的因子矩陣w′1，具體步驟如下：

技術總結(jié)
本發(fā)明公開了一種基于張量化自編碼器網(wǎng)絡的高光譜圖像多層次特征表示方法，該方法首先引入深度自編碼器網(wǎng)絡，構(gòu)建基于深度自編碼器網(wǎng)絡的高光譜圖像特征表示框架。其次，對該深度自編碼器網(wǎng)絡進行張量化處理，建立基于張量化自編碼器網(wǎng)絡的高光譜圖像多層次特征表示模型，即將深度自編碼器網(wǎng)絡的各層輸出進行堆疊，以獲得張量形式，并構(gòu)建、引入張量分解項，以實現(xiàn)對自編碼器網(wǎng)絡的反向傳輸。本發(fā)明通過對深度自編碼器網(wǎng)絡進行張量化處理，提升多層次特征表示能力，能夠把深度自編碼器網(wǎng)絡的各層輸出統(tǒng)一結(jié)合起來，同時涵蓋淺層輸出特性和深層輸出特性，從而為目標分類等任務提供可靠的判別依據(jù)。

技術研發(fā)人員：邢長達,王雪松,程玉虎
受保護的技術使用者：中國礦業(yè)大學
技術研發(fā)日：
技術公布日：2025/1/2