基于压缩感知的高光谱图像重构

发布时间：2017-11-21 12:17

  本文关键词：基于压缩感知的高光谱图像重构

  更多相关文章： 高光谱图像 压缩感知 低秩稀疏分解 非局部全变差 聚类

【摘要】：高光谱图像由成像光谱仪在几百个相邻的窄波段内同时对地物进行成像所得。多个波段的图像形成三维的数据立方体,其中包含了二维的空间信息和一维光谱信息。空间和波段方向的高分辨特性使得高光谱图像具有很大的数据维度,庞大的信息带来了严峻挑战。传统的压缩方法采用奈奎斯特采样速率对数据进行采样,然后再压缩传输。这种高冗余采样再压缩的过程造成极大的资源浪费,同时也增加了运算复杂度,因此并不适合低功耗、资源有限的机载或星载应用。压缩感知作为一种新颖的信号获取理论,融合了传统的采样与压缩过程,以远低于奈奎斯特采样率的方式直接获取测量数据,降低了采样成本,减少了存储资源。压缩感知的思想是在充分挖掘原数据所具有的性质和先验的基础上建立重构模型,这些先验约束确保了解的最优性。因此,对于高光谱图像压缩感知重建问题来说,应该在充分了解高光谱性质的基础上进行算法研究。本文基于上述提出的这些问题,对高光谱图像的压缩感知重建进行了研究,概括为以下三个方面:首先研究了低秩稀疏分解模型对高光谱图像压缩重建性能的提高。本文分析了高光谱图像不同波段间存在着较强的相关性,以低秩矩阵恢复理论为背景,提出基于低秩稀疏分解的重建模型。该模型通过低秩项来约束波段间的相关性,稀疏项则表示了各波段的差异。通过实验结果分析对比,验证了该算法对重建信噪比的提高作用。其次研究了高光谱图像的非局部特性,提出基于非局部全变差的低秩稀疏重建模型。与普通的自然图像相比,高光谱图像具有丰富的纹理结构和较多的边缘,传统的TV重建容易导致边缘模糊,细节的重建效果不理想。本文在考虑了高光谱图像非局部结构特性的基础上,提出基于非局部TV和低秩稀疏分解的高光谱图像重建算法。实验结果表明,该算法在保证较高重构质量的同时,较好的恢复了细节。虽然高光谱图像波段间具有较强的相关性,但是这种相关性随波段间距的增加而减弱。通过对高光谱图像的特性分析可知,表示同类物质的像素点之间具有较高的相似度。从整体来看,与非同类像元构成的矩阵相比,同类像元构成的矩阵具有更强的低秩性,更适合低秩稀疏模型的重建。因此在前两个工作的基础上,结合聚类算法,提出了基于聚类的非局部全变差和低秩稀疏重构模型。实验结果表明,该算法对高光谱图像的重建起到明显的提升效果。
【学位授予单位】：西安电子科技大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP751

【相似文献】

中国期刊全文数据库 前10条

1 谌德荣;宫久路;陈乾;曹旭平;;基于样本分割的快速高光谱图像异常检测支持向量数据描述方法[J];兵工学报;2008年09期

2 蒲晓丰;雷武虎;张林虎;蒋奇材;;基于Fukunaga-Koontz变换的高光谱图像异常检测[J];红外技术;2010年04期

3 成宝芝;郭宗光;;高光谱图像波段间相关特性研究[J];大庆师范学院学报;2013年06期

4 杨龙;易宏杰;李因彦;;遥感高光谱图像赤潮识别[J];传感器世界;2007年05期

5 汪倩;陶鹏;;结合空间信息的高光谱图像快速分类方法[J];微计算机信息;2010年21期

6 王立国;孙杰;肖倩;;结合空-谱信息的高光谱图像分类方法[J];黑龙江大学自然科学学报;2010年06期

7 冯朝丽;朱启兵;朱晓;黄敏;;基于光谱特征的玉米品种高光谱图像识别[J];江南大学学报(自然科学版);2012年02期

8 付欢;龙海南;韩晓霞;;基于冗余字典的高光谱图像的稀疏分解[J];河北软件职业技术学院学报;2013年04期

9 耿修瑞,张霞,陈正超,张兵,郑兰芬,童庆禧;一种基于空间连续性的高光谱图像分类方法[J];红外与毫米波学报;2004年04期

10 张绮玮;机载高光谱遥感图像处理软件系统[J];红外;2005年02期

中国重要会议论文全文数据库 前10条

1 张兵;王向伟;郑兰芬;童庆禧;;高光谱图像地物分类与识别研究[A];成像光谱技术与应用研讨会论文集[C];2004年

2 高连如;张兵;孙旭;李山山;张文娟;;高光谱数据降维与分类技术研究[A];第八届成像光谱技术与应用研讨会暨交叉学科论坛文集[C];2010年

3 王成;何伟基;陈钱;;基于波段重组和小波变换的高光谱图像嵌入式压缩方法[A];黑龙江、江苏、山东、河南、江西 五省光学（激光）联合学术‘13年会论文（摘要）集[C];2013年

4 孙蕾;罗建书;;基于分类预测的高光谱遥感图像无损压缩[A];第一届建立和谐人机环境联合学术会议（HHME2005）论文集[C];2005年

5 杨勇;刘木华;邹小莲;苗蓬勃;赵珍珍;;基于高光谱图像技术的猕猴桃硬度品质检测[A];走中国特色农业机械化道路——中国农业机械学会2008年学术年会论文集（下册）[C];2008年

6 张晓红;张立福;王晋年;童庆禧;;HJ-1A卫星高光谱遥感图像质量综合评价[A];第八届成像光谱技术与应用研讨会暨交叉学科论坛文集[C];2010年

7 高东生;高连知;;基于独立分量分析的高光谱图像目标盲探测方法研究[A];国家安全地球物理丛书（八）——遥感地球物理与国家安全[C];2012年

8 冯维一;陈钱;何伟基;;基于小波稀疏的高光谱目标探测算法[A];黑龙江、江苏、山东、河南、江西 五省光学（激光）联合学术‘13年会论文（摘要）集[C];2013年

9 彭妮娜;易维宁;方勇华;;基于核函数的高光谱图像信息提取研究[A];光子科技创新与产业化——长三角光子科技创新论坛暨2006年安徽博士科技论坛论文集[C];2006年

10 蒲晓丰;雷武虎;黄涛;王迪;;基于稳健背景子空间的高光谱图像异常检测[A];中国光学学会2010年光学大会论文集[C];2010年

中国博士学位论文全文数据库 前10条

1 普晗晔;高光谱遥感图像的解混理论和方法研究[D];复旦大学;2014年

2 王亮亮;非线性流形结构在高光谱图像异常检测中的应用研究[D];国防科学技术大学;2014年

3 贺智;改进的经验模态分解算法及其在高光谱图像分类中的应用[D];哈尔滨工业大学;2014年

4 魏然;基于成像机理分析的高光谱图像信息恢复研究[D];哈尔滨工业大学;2015年

5 叶珍;高光谱图像特征提取与分类算法研究[D];西北工业大学;2015年

6 冯婕;基于软计算和互信息理论的遥感图像地物分类[D];西安电子科技大学;2014年

7 孙涛;快速多核学习分类研究及应用[D];西安电子科技大学;2015年

8 李昌国;基于谱间和校正相关性的高光谱图像压缩方法研究及GPU并行实现[D];成都理工大学;2015年

9 徐速;基于压缩感知的高光谱图像稀疏解混方法研究[D];重庆大学;2015年

10 南一冰;星载推扫型高光谱运动成像误差建模与高精度校正技术研究[D];北京理工大学;2015年

中国硕士学位论文全文数据库 前10条

1 丰烁;高光谱图像波段选取问题的改进算法研究[D];昆明理工大学;2015年

2 赵伟彦;果蔬干燥过程中的品质无损检测技术研究[D];江南大学;2015年

3 马亚楠;果蔬中内部害虫的高光谱图像检测技术研究[D];江南大学;2015年

4 刘大洋;基于近红外光谱和高光谱图像技术无损识别猕猴桃膨大果[D];西北农林科技大学;2015年

5 王坤;高光谱图像异常目标检测及光谱成像在伪装评估方面的应用研究[D];南京理工大学;2015年

6 王启聪;高光谱图像分类的GPU并行优化研究[D];南京理工大学;2015年

7 程凯;无先验信息的高光谱图像小目标检测算法研究[D];苏州大学;2015年

8 李秩期;基于高光谱及多信息融合的马铃薯外部缺陷无损检测研究[D];宁夏大学;2015年

9 王健;基于高光谱图像的马铃薯形状及重量分类识别建模研究[D];宁夏大学;2015年

10 吴蓓芬;偏振高光谱图像场景仿真及分类方法研究[D];哈尔滨工业大学;2015年

，

本文编号：1210894