![](https://csdnimg.cn/release/download_crawler_static/86881506/bg4.jpg)
图 1 本文方法总体流程图
Fig.1 General flow chart of proposed method
2.1 协同稀疏模型
由式(4)高光谱图像在字典下的建模方式,两时相图像差异绝对值图像可
建模为:
J=S×3D+N
(5)
其中, S∈Rm×n×s 是未知的表示系数的张量形式, N∈Rm×n×b 是残差。
根据表示学习理论,通过求解如下优化问题即可求得表示系数 S:
minS12||J-S×3D||F2+f(S)
(6)
其中, f(S)是 S 的先验函数。在表示学习理论中,将系数的张量形式乘以字
典,必然导致系数的张量形式在空间维上仅包含少量非零值,但在最近邻理论中,
每个像素点与字典中的少数原子具有较强的相关性,因此每个像素点在字典下
的表示系数应该具有稀疏性。为此,基于上述先验,建立如下协同稀疏模型:
minS12||J-S×3D||F2+λ||S||2,1s.t.S≥0