1.一种基于多任务稀疏学习的高光谱影像目标先验优化方法，将获取的原始目标先验m光谱d ,m＝1,2,…,M分别输入到约束能量最小化方法中，获得高光谱影像 的预探m测结果Y ；其中，M表示原始目标先验光谱的总数，B和N分别表示高光谱影像的波段总数和像元总数；特征在于：包括以下步骤：m

S1：根据所述预探测结果Y 和预设的分割阈值，获取每一个原始目标先验光谱探测出来m的目标像元集合D；

m

S2：根据所述预探测结果Y的简单集合运算，构建过完备目标字典 和选取待k重构目标像元x ,k＝1,2,…,K；其中，Q表示过完备目标字典中目标原子总数，K表示待重构目标像元的总数，Q和K均小于N；

k

S3：根据待重构目标像元x，构建稀疏表示模型；

S4：将所有的建稀疏表示模型进行组合形成多任务稀疏表示模型，求解所述多任务稀疏表示模型的稀疏系数；

采用加速近端梯度法求解所述多任务稀疏表示模型的稀疏系数，包含更新矩阵序列和集结矩阵序列 t为迭代次数，i＝1,2,…,Q，k＝1,2,…,K，矩阵序列 对应的更新公式为：

t t

其中，A为所述的过完备目标字典，ρ为稀疏度控制参数，η＝1/2为迭代步长， 为集结矩阵序列 的第k个列向量， 为矩阵序列 的第k个列向量， 为矩阵序列的第k列第i行的取值；

集结矩阵序列 通过线性组合 和 进行更新，具体更新公式为：其中， 为迭代系数；

S5：利用过完备目标字典及其对应的稀疏系数，获得所述过完备目标字典中每一个目标原子对应的平均权重，目标原子及其平均权重乘积之和即为获得的优化的目标先验光谱。

2.如权利要求1所述的一种基于多任务稀疏学习的高光谱影像目标先验优化方法，其特征在于：步骤S1中，依据目标地物在高光谱遥感影像中的像素占比来得到所述预设的分割阈值。

3.如权利要求1所述的一种基于多任务稀疏学习的高光谱影像目标先验优化方法，其m特征在于：步骤S2中，所述过完备目标字典 是所有目标像元集合D的并集。

4.如权利要求1所述的一种基于多任务稀疏学习的高光谱影像目标先验优化方法，其m特征在于：步骤S2中，选取在目标像元集合D中出现 以上次数的各个像元组成所述待重k构目标像元x ,k＝1,2,…,K。

5.如权利要求1所述的一种基于多任务稀疏学习的高光谱影像目标先验优化方法，其k k k k k特征在于：步骤S3中，求得所述稀疏表示模型的公式为：x ＝Aw+e ，其中，e 为随机噪声，w为过完备目标字典A对应的稀疏系数。

6.如权利要求5所述的一种基于多任务稀疏学习的高光谱影像目标先验优化方法，其特征在于：步骤S4中，利用如下所示公式将K个稀疏表示模型进行组合形成多任务稀疏表示模型：k

其中，W为稀疏系数w叠加得到的矩阵，W的不同列对应不同的稀疏表示任务中的稀疏系数， 为数据保真项，||W||1为目标像元间的本质相似性，λ为正则化系数，1>λ>

0。

7.如权利要求1所述的一种基于多任务稀疏学习的高光谱影像目标先验优化方法，其特征在于：步骤S5中，获得每一个目标原子对应的平均权重和优化的目标先验光谱的公式分别如下：其中，ζi为任一字典原子ai对应的平均权重， 表示矩阵 的第k列第i行的稀疏系数，表示实际稀疏系数矩阵，i＝1,2,...,Q， 为优化的目标先验光谱。