1.一种基于通道相关式PCANet的低分辨率图像识别方法，其特征在于，所述方法包括以下步骤：步骤1选取J张图像A＝{A1,…,AJ}作为训练集，对应的类别标签为 Y＝{Y1,…,YK}为待识别图像的集合，即测试集，这里， 分别表示实数域上的具有C0∈{1,3}个通道的长宽为m×n和μ×v的图像，且μ≤m,v≤n；

步骤2初始化参数和输入数据：令 这里， 用于指示网络所处的阶段， 表示网络处于训练阶段， 表示网络处于测试阶段；令l＝0，这里，l用于指示输入图像或特征图在网络中的层数；令 其中，N＝J，步骤3由 构建矩阵 其中，

为 的均值，

表示从 的第c个通道中抽取的第b∈{1,2,…,mn}个大小为k×k的特征块，Vec(·)表示将矩阵拉伸为列向量的运算；

步骤4如果 网络处于测试阶段，则跳至步骤7，否则，执行步骤5～步骤6；

步骤5计算 的主方向 其中， 为协方差矩阵 的第i″个特征向量，对应的特征值为λi″，且(l) 2

步骤 6 由 V 获 取 Cl + 1 (C l +1 ≤ k C l) 个 通 道 相关 式滤 波 器组(l+1)步骤7将 投影到W ： 并将 中的元素按行重写为： 其中，

(l+1)

步骤8由 计算特征图X ： 其中，这里， 表示将矩阵 中的每一个列向量按列重新排列为大小为m×n的矩阵，并在通道方向上将各m×n的矩阵连接起来；

步骤9令l＝l+1，执行上述步骤3～步骤8，直至l＝L，这里L表示预先给定的最大卷积层数；

(L)

步骤10由X 计算模式图P：P＝{Pi ,β}i＝1 ,…,N；β＝1 ,…,B，其中，表示第i个样本的第β∈{1,…,B}个模式图，T表示参与单个模式图编码的通道数，USF(·)表示单位阶跃函数，将输入数值通过与0比较进行二值化，即：T

步骤11从模式图P提取柱状图H：H＝[Hi]i＝1,…,N，其中，Hi＝[Hi,1,…,Hi,B] ，Hi,β＝Qhist(Pi,β)，Qhist(Pi,β)表示将模式图Pi,β划分为Q块，从每一块中提取柱状图，每个柱状图使用T T

2个分组，也就是，统计模式图的编码值在每一块的2个分组中出现的频率；

Te Tr

步骤12如果 则令H ＝H，跳至步骤14；否则，令H ＝H，执行步骤13；

步骤13令 l＝0， 其中，N＝K，表示基于双三次插值法对输入图像在每个通道上进行插值，且插值后的大小插为m×n，执行步骤3～步骤11；

步骤14计算度量矩阵M＝[Mi,j]i＝1,…,J；j＝1,…,K，其中， 这里，其中，D表示 和 的长度， 表示 中的第d个元素， 表示 中的第d个元素；

步骤15计算测试集Y中各样本的类别Id＝[Idi′]i′＝1,…,K：其中，Mi′表示度量矩阵M中的第i′列向量，minIndx(·)表示Mi′中的最小元素的索引。