1.一种基于粒子群优化的高光谱图像稀疏分解方法，其特征在于，包括以下步骤：步骤1.高光谱图像总的波段数为J，波段序号为j，对每个波段图像进行分块处理，分块大小为B，分块个数为L，图像块号表示为l，则Xj,l表示第j个波段第l个图像块；设定最优原子个数为K，设定粒子群算法的种群个数为M，最大更新代数为T；

步骤2.令j＝1，l＝1；

步骤3.如果l＞L，则输出 并令j＝j+1，l＝1，转入步骤4；否则，转入步骤5；

步骤4.如果j＞J，则稀疏分解过程结束；否则，转入步骤5；

步骤5.设定原子个数为k＝1；初始化残差r0＝Xj,l，最优原子索引集合为Λ0＝[]；

步骤6.利用粒子群算法搜索得到最优原子的索引；

步骤7.利用 和公式(1)更新最优原子索引集合：Λk＝Λk-1YGbest   (1)步骤8.根据公式(2)更新残差：

其中， 表示由原子索引集合Λk所形成的原子字典；

步骤9.令k＝k+1，如果k＞K，输出 并转入步骤10；否则转入步骤6；

步骤10.根据公式(3)计算搜索到的最优原子表示的重构图像 转入步骤11：步骤11.令l＝l+1，转入步骤3。

2.如权利要求1所述的一种基于粒子群优化的高光谱图像稀疏分解方法，其特征在于，所述步骤6具体为：步骤6.1.令粒子标号为m＝1；

步骤6.2.粒子的初始位置为 的取值范围是粒子的位置取值是对应参数范

围 中的 一个随 机数；粒子的 初始速 度为 取值范围 是粒子的速度取值是对应参数

范围中的一个随机数；

步骤6.3.根据公式(4)生成粒子 对应的Gabor原子Gbest：其中，win表示高斯函数，n＝1,2,...,B2；

步骤6.4.根据公式(5)计算粒子 的适应度，并将粒子 作为第m个粒子的个体极值步骤6.5.令m＝m+1，如果m＞M，则选择具有最大适应度值的粒子作为群体的极值转入步骤6.6；否则转入步骤6.2；

步骤6.6.令粒子的更新代数为t＝1；

步骤6.7.令粒子标号为m＝1；

步骤6.8.根据公式(6)和公式(7)更新粒子的速度和位置：其中，ls＝1,2,3,4，w为惯性权重，c1和c2是非负的常数，称为加速度因子，r1和r2是分布于[0,1]区间的随机数；

步骤6.9.根据公式(8)生成粒子 对应的Gabor原子：其中，win表示高斯函数，n＝1,2,...,B2；

步骤6.10.根据公式(9)计算粒子 的适应度：步骤6.11.如果粒子 的适应度满足 则将粒子 作为第m个粒子的个体极值 转入步骤6.12；

步骤6.12.令m＝m+1，如果m＞M，选择具有最大适应度值的粒子作为新的群体极值转入步骤6.13；否则转入步骤6.8；

步骤6.13.令t＝t+1，如果t＞T，输出Gbest，并转入步骤7；否则转入步骤6.6。