稀疏字典表示、OMP算法高光谱图像分类

利用稀疏字典表示、OMP算法进行高光谱图像分类，内含高光谱数据。

clear;
clc;
load datalab.mat data               %读取数据，包含标记的数据data.fet和对应的分类data.lab


%初始化

K = 3;                              %OMP算法中信号的稀疏度
loopCnt = 10;                       %为减少随机性而计算10次，结果取平均值
trnPer = 0.2;                       %训练数据所占的百分比20%

clsCnt = 16;                        %分类的数量
clsNum = zeros（1 clsCnt）;          %每个类别的数据的总数量
trnNum = zeros（1 clsCnt）;          %每个类别的数据选作训练数据的数量
tstNum = zeros（1 clsCnt）;          %每个类别的数据选作测试数据的数量
conMat = zeros（clsCntclsCnt）;      %混淆矩阵，保存测试数据的预测类别与实际类别的关系

 for i = 1 : clsCnt
   index = find（data.lab == i）;                 %找到标记为i的数据的下标
   clsNum（i） = size（index1）;                   %标记为i的数据的总数量
   trnNum（i） = ceil（clsNum（i） * trnPer）;        %选取作为训练样本的数量
   tstNum（i） = clsNum（i） - trnNum（i）;           %剩余的为测试样本的数量
 end


%开始计算

for loop = 1 : loopCnt              %重复10次
    trnFet = [];                        %保存训练数据
    trnLab = [];                        %保存训练数据对应的类型
    tstFet = [];                        %保存测试数据
    tstLab = [];                        %保存测试数据对应的类型
    
    %每种类别随机选取20%作为样本数据
    for i = 1 : clsCnt
       index = find（data.lab == i）;                  %找到标记为i的数据的下标
       random_index = index（randperm（length（index）））;%结果为打乱顺序后的下标序列

       index = random_index（1:trnNum（i））;            %在乱序中取前20%作为训练样本，index保存它们的下标
       trnFet = [trnFet data.fet（index:）‘];         %将训练样本的数据依次填充进trnFet数组
       trnLab = [trnLab ones（1length（index））*i];    %将训练样本的标记依次填充进trnLab数组

       index = random_index（trnNum（i）+1:end）;        %乱序中剩余的为测试样本，index保存它们的下标
       tstFet = [tstFet data.fet（index:）‘];         %将测试样本的数据依次填充进tstFet数组
       tstLab = [tstLab ones（1length（index））*i];    %将测试样本的标记依次填充进tstFet数组
    end

    %用OMP算法预测训练数据的分类
    trnFet = trnFet./repmat（sqrt（sum（trnFet.*trnFet））[size（trnFet1） 1]）;  %对训练样本做归一化处理
    tstFet = tstFet./repmat（sqrt（sum（tstFet.*tstFet））[size（tstFet1） 1]）;  %对测试样本做归一化处理

    for i = 1 : size（tstFet2）              %对每一个测试样本i做预测
       x = tstFet（:i）;                     %提取出某个测试样本的200维数据x
       sparse = OMP（trnFetxK）;            %用OMP算法求出其稀疏系数矩阵
       residual = zeros（1clsCnt）;          %该组样本对每个类别的重构冗余
       for j = 1:1:clsCnt                   %将该测试样本重构成每一种类别
           index = find（trnLab == j）;       %选取字典中类别为j的数据
           D_c = trnFet（:index）;           %字典中类别为j的列
           s_c = sparse（index）;             %稀疏矩阵中本应为j类的位置的系数
           temp = x - D_c*s_c;              %
           residual（j） = norm（temp2）;      %计算重构冗余
       end
       preLab = find（residual == min（residual））;     %找出重构冗余最小的类别，即为预测的类别
       conMat（preLab（1）tstLab（i）） = conMat（preLab（1）tstLab（i）） + 1; %根据实际类别与预测结果，更新混淆矩阵
    end
end

for i = 1 : clsCnt
    conMat（:i） = conMat（:i） ./ （loopCnt * tstNum（i））;
end

ave_acc = sum（diag（conMat））/clsCnt
printConMat（conMat）;

save result.mat

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----

     文件       3415  2017-10-11 15:26  omp\classifier.m

     文件   21909979  2017-05-11 22:40  omp\datalab.mat

     文件        836  2017-05-12 16:39  omp\OMP.m

     文件       1555  2017-05-12 16:55  omp\printConMat.m

     文件   17725409  2017-10-25 09:26  omp\result.mat

     目录          0  2017-10-25 09:09  omp

----------- ---------  ---------- -----  ----

             39641194                    6