1.一种基于字典学习的高光谱图像分类方法,其特征在于,所述基于字典学习的高光谱图像分类方法包括:获取n批高光谱数据和待分类高光谱图像;每批高光谱数据的类别与其它批次高光谱数据的类别不同;
利用字典学习算法获取n批所述高光谱数据中的第一批高光谱数据的高光谱数据字典;
利用字典学习算法根据所述高光谱数据字典,分别获取每批高光谱数据的稀疏矩阵;
分别利用每批高光谱数据的稀疏矩阵训练分类模型,得到n个高光谱图像分类模型;
利用字典学习算法根据所述高光谱数据字典,获取所述待分类高光谱图像的稀疏矩阵;
将所述待分类高光谱图像的稀疏矩阵分别输入每个所述高光谱图像分类模型,得到n个分类结果;每个所述分类结果包括:分类概率结果和对应的概率;
选取所有分类结果中概率最高的分类概率结果作为最终分类结果;
利用字典学习算法获取n批所述高光谱数据中的第一批高光谱数据的高光谱数据字典,具体包括:利用K-奇异值分解算法获取n批所述高光谱数据中的第一批高光谱数据的高光谱数据字典;
所述利用字典学习算法根据所述高光谱数据字典,分别获取每批高光谱数据的稀疏矩阵,具体包括:根据所述高光谱数据字典,利用正交匹配追踪算法分别获取每批高光谱数据的稀疏矩阵。
2.根据权利要求1所述的基于字典学习的高光谱图像分类方法,其特征在于,利用字典学习算法获取n批所述高光谱数据中的第一批高光谱数据的高光谱数据字典的公式为:其中,D为高光谱数据字典;S1为稀疏矩阵;X1为所述高光谱数据中的第一批高光谱数据;L为稀疏约束阈值。
3.根据权利要求2所述的基于字典学习的高光谱图像分类方法,其特征在于,所述高光谱数据字典的原子个数选择为100;稀疏约束阈值选择为10。
4.根据权利要求1所述的基于字典学习的高光谱图像分类方法,其特征在于,所述分类模型为线性核函数的支持向量机模型;
训练分类模型时,输入为稀疏矩阵,输出为稀疏矩阵对应的类别及概率。
5.一种计算机设备,包括:存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序以实现权利要求1-4中任一项所述的基于字典学习的高光谱图像分类方法。
6.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1-4中任一项所述的基于字典学习的高光谱图像分类方法。
7.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1-4中任一项所述的基于字典学习的高光谱图像分类方法。