基于压缩感知的高光谱图像重建算法研究

摘要

高光谱图像(Hyperspectral Image,HSI)既可以提供观测物的二维空间信息还能提供一维光谱信息，给人们甄别观测物的物理特性和组成结构提供了便利，使得在航天探索、地质测量以及医学研究等众多领域应用广泛。然而，HSI不同于普通二维图像，它是具有空间维和光谱维的三维信息数据，数据量巨大，这就给图像数据的各种后续处理带来了很大的困难，尤其是在图像的解码重构。上述的问题使得HSI的应用发展举步维艰，所以研究HSI的重构对各个领域的发展具有重要的意义。 作为一种新的信号处理框架，压缩感知（Compressive Sensing,CS）理论的提出，大大的减缓了信号在编码端的压力。利用该理论的方式直接获取到的是测量后的数据，大大降低了数据的计算能力以及减少了数据的存储和传输等压力，CS的采样不决定于信号数据的频带，只跟信号中的内容和结构有关。CS理论的诞生，给信号的处理带来了新的变革，点燃了众多学者的研究兴趣。本文将CS理论应用到高光谱图像的恢复重建，对其重建算法进行了研究。 论文的主要研究成果为： 1、结合CS理论和高光谱图像的特性，提出了一种基于空谱联合相关性的压缩感知高光谱图像重建算法。该算法的主要思想：在图像信号的采集阶段，首先利用各波段图像的谱间相关性对高光谱图像进行分组；重构图像时，首先利用传统的CS重建算法对参考图像进行恢复，通过重构出来的参考图像预测非参考图像，计算预测非参考图像的测量值差，即残差，然后利用重构方法对残差进行更新重构，进行预测值的修正。通过仿真结果分析，相比于GPSR和SP同类算法，SL0算法对图像Indian pines的PSNR分别提高了大约1.9dB和7.4dB，重构时间缩短了大约8.6s和2.5s之多。 2、结合各波段图像采样率不同的思想，提出了一种基于变采样率的压缩感知高光谱图像重建算法。该方法是在数据的采集端对高光谱图像进行分组，对参考图像使用高采样率进行采样，非参考图像使用低采样率采样；重构图像时，首先对参考图像与非参考图像的观测值差进行重构，然后重构图像间的原始值差，进而恢复出非参考图像。通过仿真结果分析，对比相同的采样率，相比于恒采样率，在变采样率下，图像Indian pines和图像Pavia University的重构峰值信噪别提高了大约1.9dB和2.5dB，重构时间缩短了大约2s和2.8s。

目录

声明

1 绪论

1.1 课题研究背景及意义

1.2 国内外研究现状

1.2.1 压缩感知理论的研究现状及应用

1.2.2 高光谱图像重构研究现状

1.3 本文内容安排

2 压缩感知和高光谱图像的基本知识

2.1 引言

2.2 压缩感知基本内容

2.2.1 信号的稀疏表示

2.2.2 测量矩阵的设计

2.2.3 重构算法的研究

2.3 高光谱图像特性分析

2.3.1 空间相关性

2.3.2 谱间相关性

2.4 本章小结

3 基于空谱联合相关性的压缩感知高光谱图像重建

3.1 引言

3.2 SL0算法

3.3 基于空谱联合相关性的高光谱图像重建算法

3.3.1 空谱联合相关性重构思想

3.3.2 基于空谱联合相关性的的SL0算法

3.4 仿真结果与分析

3.5 本章小结

4 基于变采样率的压缩感知高光谱图像重建

4.1 引言

4.2 TVAL3算法

4.3 基于变采样率的压缩感知高光谱图像重建算法

4.3.1 变采样率思想

4.3.2 基于变采样率的TVAL3算法

4.4 仿真结果与分析

4.5 本章小结

5 总结与展望

5.1 本文研究内容总结

5.2 研究工作展望

参考文献

攻读硕士学位期间发表的论文及取得的研究成果

致谢