技術(shù)特征：

1.一種基于遞歸神經(jīng)網(wǎng)絡(luò)的高光譜圖像分類方法，包括：

(1)輸入一幅高光譜圖像，該高光譜圖像包括K個(gè)像素，B個(gè)高光譜譜段，c類地物，其中K＝K₁×K₂，K₁表示高光譜圖像的長(zhǎng)，K₂表示高光譜圖像的寬，圖像的每一個(gè)像素為一個(gè)樣本，每個(gè)樣本用一個(gè)特征向量表示，樣本的特征維數(shù)即為B，在每類地物中選擇10％的樣本組成訓(xùn)練樣本集，剩下90％的樣本組成測(cè)試樣本集；

(2)采用Gabor濾波器對(duì)高光譜圖像的主成分灰度圖進(jìn)行濾波，得到高光譜圖像的空間紋理特征其中R表示實(shí)數(shù)域，g為空間紋理特征向量維數(shù)；

(3)采用稀疏表示的方法計(jì)算高光譜圖像中每個(gè)像素的稀疏表示系數(shù)，得到高光譜圖像的稀疏表示特征其中m為稀疏表示特征向量的維數(shù)；

(4)將高光譜圖像的空間紋理特征F₁和稀疏表示特征F₂堆疊組合成高光譜圖像的低層特征l為低層特征向量的維數(shù)，l＝g+m；

(5)在高光譜圖像低層特征矩陣F上，以每個(gè)樣本為中心構(gòu)建窗口，提取樣本的局部空間特征塊，并利用樣本間的相似性構(gòu)建樣本的局部空間序列特征；

(6)以窗口中樣本個(gè)數(shù)為時(shí)間步長(zhǎng)數(shù)構(gòu)建遞歸神經(jīng)網(wǎng)絡(luò)模型，并輸入訓(xùn)練樣本的局部空間序列特征和對(duì)應(yīng)的類別標(biāo)簽迭代訓(xùn)練遞歸神經(jīng)網(wǎng)絡(luò)模型參數(shù)，得到訓(xùn)練好的遞歸神經(jīng)網(wǎng)絡(luò)模型；

(7)將測(cè)試樣本的局部空間序列特征輸入到訓(xùn)練好的遞歸神經(jīng)網(wǎng)絡(luò)模型中，得到分類類標(biāo)，完成分類。

2.根據(jù)權(quán)利要求1所述的方法，其中步驟2中采用Gabor濾波器對(duì)高光譜圖像的主成分灰度圖進(jìn)行濾波，按如下步驟進(jìn)行：

2a)利用主成分分析法對(duì)高光譜圖像進(jìn)行變換，提取前k＝10個(gè)主成分灰度圖；

2b)設(shè)置4個(gè)不同的Gabor核函數(shù)方向和3個(gè)不同的正弦平面波波長(zhǎng)，得到12個(gè)Gabor濾波器，每個(gè)Gabor濾波器的核函數(shù)如下：

其中，x'＝xcosθ+ysinθ，y'＝-xcosθ+ysinθ，x和y表示坐標(biāo)位置信息，λ表示正弦平面波的波長(zhǎng)，θ表示Gabor核函數(shù)的方向，表示相位偏差，σ表示高斯包絡(luò)的標(biāo)準(zhǔn)差，γ表示空間縱橫比；

2c)利用設(shè)置好的12個(gè)Gabor濾波器分別對(duì)k個(gè)主成分灰度圖中的每個(gè)主成分灰度圖進(jìn)行Gabor濾波，得到每個(gè)主成分灰度圖的12個(gè)濾波后圖像；

2d)將12×k個(gè)濾波后的圖像堆疊在一起，得到高光譜圖像的空間紋理特征g＝12×k表示空間紋理特征向量長(zhǎng)度。

3.根據(jù)權(quán)利要求1所述的方法，其中步驟3中采用稀疏表示的方法計(jì)算高光譜圖像中每個(gè)像素的稀疏表示系數(shù)，按如下步驟進(jìn)行：

3a)從高光譜圖像的c類訓(xùn)練樣本中每類隨機(jī)選取1％的樣本作為字典原子構(gòu)建子字典，其中第i類的子字典為i＝1,2,...,c，表示第i類的第j個(gè)字典原子，j＝1,2,...,m_i，m_i表示第i類的字典原子個(gè)數(shù)；

3b)將c個(gè)子字典排列起來(lái)，合并成一個(gè)整體，得到總的結(jié)構(gòu)化字典D＝[D¹ ... Dⁱ ... D^c]，D∈R^B×m是一個(gè)二維矩陣，表示所有類的子字典構(gòu)成的總的結(jié)構(gòu)化字典，m＝m₁+…+m_i+…+m_c表示所有類別的子字典原子個(gè)數(shù)之和；

3c)利用正交匹配追蹤算法求解每個(gè)像素的稀疏表示向量，即通過(guò)正交匹配追蹤算法優(yōu)化如下公式，得到高光譜圖像中每個(gè)像素x關(guān)于結(jié)構(gòu)化字典D的稀疏表示向量α：

$\underset{\mathrm{\α}}{\mathrm{argmin}}\left|\right|\mathrm{\α}|{|}_0$

s.t. Dα＝x

其中||α||₀表示對(duì)α取0范數(shù)；

3d)將高光譜圖像中所有樣本的稀疏表示向量α，按照原始圖像數(shù)據(jù)對(duì)應(yīng)位置組成一個(gè)三維的稀疏表示特征矩陣

4.根據(jù)權(quán)利要求1所述的方法，其中步驟5中構(gòu)建樣本的局部空間序列特征，按如下步驟進(jìn)行：

5a)在高光譜圖像低層特征矩陣F上，以任意一個(gè)樣本x為中心，以w＝9為窗口邊長(zhǎng)構(gòu)建大小為w×w矩形窗口，提取x的局部空間特征塊，即大小為一個(gè)w×w×l的三維矩陣，則x的局部空間特征塊包含w²＝81個(gè)像素樣本，其中每個(gè)樣本是一個(gè)長(zhǎng)為l的低層特征向量，l＝g+m，g表示空間紋理特征向量長(zhǎng)度，m表示稀疏表示特征向量長(zhǎng)度；

5b)計(jì)算局部空間特征塊中各個(gè)像素樣本與中心像素樣本x的相似度大小，并將各個(gè)像素按照相似度從大到小排列起來(lái)，得到像素樣本x的局部空間序列特征

5.根據(jù)權(quán)利要求1所述的方法，其中步驟6中構(gòu)建遞歸神經(jīng)網(wǎng)絡(luò)模型并訓(xùn)練模型參數(shù)，按如下步驟進(jìn)行：

6a)構(gòu)建時(shí)間步長(zhǎng)為T、輸入層和隱層節(jié)點(diǎn)個(gè)數(shù)均為l的遞歸神經(jīng)網(wǎng)絡(luò)模型，其中T＝w×w＝81，w表示窗口邊長(zhǎng)，l＝g+m，g表示空間紋理特征向量長(zhǎng)度，m表示稀疏表示特征向量長(zhǎng)度；

6b)將訓(xùn)練樣本的局部空間序列特征輸入到遞歸神經(jīng)網(wǎng)絡(luò)模型，即將樣本局部空間序列特征中的每一個(gè)低層特征向量輸入每一個(gè)對(duì)應(yīng)的時(shí)間步長(zhǎng)，并采用通過(guò)時(shí)間的反向傳播方法迭代訓(xùn)練遞歸神經(jīng)網(wǎng)絡(luò)模型中的參數(shù)，得到訓(xùn)練好的遞歸神經(jīng)網(wǎng)絡(luò)模型。