1.一种基于稀疏表示的冠层植物高光谱图像分类方法，其特征在于包括以下步骤：步骤(1)、数据预处理

1.1获取待分类植物高光谱图像

1.2光谱单位化：

对上述植物高光谱图像中每一条光谱进行单位化处理；

1.3划分训练样本与测试样本：

在步骤1.2单位化处理的高光谱图像数据按照样本包含M类地物中的每类对象15％比例作为训练样本A，其余85％为测试样本；

其中A的矩阵大小为D×N， Nm表示第m类地物的光谱数目；Am表示第m类对象样本构成的字典，大小为D×Nm；

是第m类对象的第Nm条光谱

αm表示与第m类对象训练样本对应的所有稀疏系数组成的稀疏矩阵，该矩阵只包含少数非零值；

步骤(2)、建立加权联合稀疏模型

假设相邻的高光谱光谱xi和xj由不同的对象构成；

xi由构建的字典Ai表示为：

xi＝Aiαi

xj由构建的字典Aj表示为：

xj＝Ajαj

假设相邻光谱Nε包含T条光谱，令X＝[w1x1w2x2...wTxT]，为D×T矩阵，其中{xt}t＝1，...T∈Nε为高光谱空间相邻光谱，故X可以表示为：X＝[w1x1w2x2...wTxT]＝[A1S1A2S2...AMSM]＝[A1A2...AM][S1S2...SM]＝AS其中x1为当前待分类的光谱，x2...xT为以x1为中心的方形区域内的邻近光谱；wi表示第i条光谱的权重，T表示高光谱空间相邻光谱的个数，M表示对象的种类数，SM是X在第AM个训练字典下的稀疏向量；S是稀疏向量组成的稀疏矩阵；thr是判断相邻光谱是否有效的一个阈值；

步骤(3)、求解稀疏矩阵

给定训练字典A，矩阵S可以由下式的联合稀疏重构问题求得；

minimize ||S||row，0subject to：AS＝X

其中符号||S||row，0表示稀疏矩阵S中非零行的个数；S的最优解 D×M的稀疏矩阵仅有少量非零行构成；根据实际情况，考虑到误差的影响，对 的求解也可写成以下形式：其中||·||F表示Frobenius范数；σ表示其误差容限，K0表示其稀疏条件的限制，表示非零元素的个数；与单光谱的稀疏表示重构一样，加权联合稀疏表示的求解问题也是一个NP-Hard问题，可以通过联合正交匹配追踪算法进行稀疏重构问题的求解；

步骤(4)、光谱分类

通过求解稀疏矩阵S，进而计算所有类别训练字典得到x的重构误差；那么x被第m类对象的训练字典重构的误差为：表示第m类训练字典得到的稀疏矩阵的最优解；那么x的最终分类结果是重构误差最小的那类对象，即：其中，rm(x)表示测试样本x与x在第m类对象中的稀疏表示 的二范数。