基于Grouplet变换的高光谱图像压缩重构方法研究

发布时间：2020-04-10 16:50

【摘要】：高光谱图像因空谱特性使其冗余信息量较大,难于使用和存储,当作为科研和应用领域的研究对象时,也因数据量之大而使数据处理的速度下降,计算的时间较长和效率较差是处理高光谱图像的一个难题。图像经过压缩后,数据以较小的信息量进行存储,又能从该信息中精确地逼近原始信号,即可解决高光谱图像存储量大,不易计算和运行难问题。针于该问题,本论文在国家自然科学基金(51675258,51261024),江西省教育厅科学技术研究项目(No.GJJ150699)资助下展开研究,提出基于Grouplet变换的高光谱图像压缩重构算法,而稀疏压缩并能精确重构是本论文研究内容的主要目的。通过实验研究对比不同算法的优越性,然后将这些算法应用在自然高光谱图像上,去验证所提方法的正确性及可靠性。在不同算法的压缩重构下,得到了一些有价值的结论:第一,高光谱图像经过Grouplet基和Wavelet基分别稀疏表达,然后采用AKL变换对谱间冗余进行压缩。在高光谱图像的稀疏能力方面,Grouplet变换优于Wavelet变换。高光谱图像中某些受噪声影响较大的波段经过Grouplet变换的稀疏过程能够得到较好的表示。优质稀疏基所表达的稀疏系数能够为压缩重构算法提供高精度的稀疏模型。故Grouplet-AKL算法显著提高了对高光谱图像的谱间压缩及稀疏重构精度,且该算法的精确度优于Wavelet-AKL变换。第二,高光谱图像谱间冗余被压缩后,所得数据需要继续去除空间域的冗余。将Grouplet变换与压缩感知算法相结合,构成Grouplet-CS变换。本论文将该算法应用于高光谱图像的稀疏压缩,并且使用两种最经典的贪婪重构算法进行信息恢复。通过对高光谱图像进行压缩和重构,比较不同稀疏基和重构算法的性能,得出如下结果:(1)相较于Wavelet基,对高光谱大数据的每单一波段稀疏重构,Grouplet基的误差都明显减小,这表明Grouplet变换可提供更优质的稀疏表达能力和图像重构精度;(2)omp、romp重构算法的重构效果都比较理想,重构图像轮廓明确,纹理细节清晰,辨识度较高。在相同采样率下,romp重构算法的平均信噪比峰值(APSNR)明显高于omp重构算法,且两种重构算法的恢复精确度随着空间压缩率的升高,显著减小。针对3D空间域的高光谱图像整体采样压缩,采用Grouplet基进行3D稀疏表达,既提升了压缩速率,也提高了高光谱图像的重构质量。第三,实际问题中的高光谱图像含有复杂类型的噪声,而压缩感知算法未能对噪声信号进行估计,使得压缩后的数据因受噪声影响,从而影响重构精度。本论文将贝叶斯的思想引入压缩感知算法,在投影观测稀疏模型的同时估计潜藏的噪声信号,并将贝叶斯压缩感知算法与Grouplet变换相结合,从而提出Grouplet-BCS算法提高信号重建精度。在信号信息重建过程中,根据噪声的后验分布情况,精确恢复稀疏信号数据。考虑贝叶斯压缩感知算法存在的不足,提出变分贝叶斯压缩感知算法和快速贝叶斯压缩感知算法,并分别与Grouplet变换相结合。将Wavelet基和Grouplet基分别与六种压缩重构算法相结合,比较不同算法的稀疏性能及压缩重构的精确性。研究结果表明:(1)与Wavelet变换相比,自然图像使用Grouplet基进行稀疏表达,其所得系数的性能随采样点数的增加而逐渐优化,且更逼近原始信号;(2)变分贝叶斯压缩感知算法比快速贝叶斯压缩感知算法能够为图像重构过程提供更优质的稀疏模型,但是其计算量较大,使其运行所用时间较长。而快速算法则大大提高了运行速率,且随采样点数的增加,精度与变分算法相差无几。第四,自然高光谱图像经过自适应阈值的Grouplet变换进行稀疏重构,其各波段的图像信息和噪声信号都得以稀疏表达,通过自适应阈值的方式进行消噪处理,预先去除部分的冗余信息,从而获得更优质的稀疏模型。针对高光谱图像的压缩重构,本论文在贝叶斯理论的基础上提出自适应投影的压缩感知测量矩阵,既自适应估计稀疏模型又估计噪声信号。故结合这两种算法构成自适应的Grouplet-FBCS算法,并用于自然高光谱图像的压缩与重构,即使各波段的图像受到不同程度的噪声影响,但该算法依然能够自适应地逼近原始信号,并精确地重建图像信息。通过比较四种算法的重建误差和信噪比峰值,结果表明:与其它三种压缩重构算法相比较,该算法对自然图像去除冗余信息和消噪的能力更强,信息恢复的精度更优。重构图像与原始图像的结构相似性和特征相似性更高,从而重构效果更可靠。
【图文】：

高光谱图像,坐标图,高光谱图像,三维立体

高光谱图像数据三维立体坐标图

波谱,波谱,图像,葡萄牙

它选自于 220 Band AVIRIS 高光谱图像数据集：1992 年 6 月 12 日印度松场 3。该图像大小为 598*563*191，，本论文截取 500*500*191 的图像进行实验用数据选取的是高光谱数据是葡萄牙布拉加城市的城市景观 Ribeira 图像rown 图像[22]，该数据的单一波谱大小为 1018*1339，共 33 个波谱。实验所用据与应用所用的数据虽都为高光谱数据，但数据类型不同，应用数据总计 33 段，波段数量明显少于实验所用的数据。
【学位授予单位】：南昌航空大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP751

【相似文献】