基于谱间相关性的高光谱图像稀疏分解算法
发布时间：2021-09-01 13:51
针对高光谱图像邻近波段相关性强的特点,结合粒子群优化算法的快速寻优能力,提出一种基于谱间相关性的高光谱图像稀疏分解算法。将高光谱图像分组为参考波段图像和普通波段图像,参考波段图像采用粒子群寻优找到最优原子,实现稀疏分解。普通波段图像的最优原子由两部分构成,一部分原子从参考波段图像的最优原子继承而来,继承个数由普通波段图像与参考波段图像的谱间相关性确定,其余原子则由粒子群搜索得到。对高光谱数据集进行稀疏分解,验证算法的分解效率,结果表明,在重构图像精度相当的条件下,稀疏分解速度比正交匹配追踪算法快约18倍。
【文章来源】：红外技术. 2020,42(10)北大核心CSCD
【文章页数】：9 页
【部分图文】：
波段分组示意图Fig.1Bandgroupingdiagram970
旁?蛹??K对XGn,j,bl进行稀疏表示得到的重构n,,GjblX：TTn,,n,,n,,GjblGjblKKKKGjblXXX(7)2实验结果与分析2.1高光谱数据集选择4组高光谱图像评估稀疏分解算法的性能，分别是来自AVIRIS采集的Cuprite1、Cuprite2、IndianPines以及ROSIS采集的PaviaUniversity。原始数据集中的水汽波段和噪声波段均已移除，且根据分块大小B＝16对图像进行了空间剪裁，4组数据的基本情况见表1。高光谱数据第50个波段的原始图像如图3所示。表1四组高光谱数据集的基本情况Table1FourhyperspectraldatasetsDatasetOriginalbandsOriginalimagesizeAvailablebandsCroppedimagesizeCuprite1224614×512188256×256Cuprite2224614×512188256×256IndianPines220145×145200128×128PaviaUniversity115610×340103256×2562.2实验参数设置不论是利用OMP算法、PSO_OMP算法还是算法MPSO_OMP对高光谱图像进行稀疏分解，均需设定最大分解次数，该参数对算法的时间复杂度及重构图像的精度具有重要影响。所提算法MPSO_OMP还需设定的参数是粒子群优化中的最大进化代数和种群大小，以及继承系数。分组大小Gs的选择会影响算法性能，通常来说，Gs越小，组内的谱间相关性越强，非参考波段图像块能够从参考波段图像块继承到更多的最优原子，稀疏分解效率越高，但此时分组个数也较多，时间复杂度也会增加。当高光谱成像仪的光谱分辨率较高时，相对较大的分组也能保证组内图像的强相关性，重构精度也能得到保证。根据实验场景对应的传感器的光谱分辨率，同时考虑到计算复杂度，?
鸾ピ龃蟮墓?讨校?蛄Ｗ尤核惴?具有随机性，重构PSNR会出现不同程度的振荡。整体来说，重构PSNR的下降速度较慢，从继承系数为0增加至继承系数为1时，重构PSNR的下降值保持在1dB左右，说明算法仍能保证重构精度。从计算复杂度来看，MPSO_OMP算法的计算复杂度主要由继承原子的选择过程与其他原子的粒子群搜索过程决定。与继承原子的选择过程相比，粒子群搜索过程更耗时。因此，随着继承系数的增大，继承原子数不断增多，粒子群搜索的原子数不断降低，则算法的计算复杂度会逐渐降低，如图6所示。综合考虑重构性能和重构计算复杂度，当继承系数选择为0.5时，重构PSNR的下降幅度保证在0.4dB以内，而运行速度却能提高1.3倍左右，故将MPSO_OMP算法中的继承系数确定为＝0.5。2.3实验结果分析利用OMP算法、PSO_OMP算法和MPSO_OMP算法对4组高光谱图像进行稀疏分解，分析算法的性能。OMP算法是指对所有波段图像采用OMP进行稀疏分解，最大分解次数K＝50。PSO_OMP算法是指对所有波段图像采用PSO_OMP算法进行稀疏分解，最大分解次数K＝[100,100,150,150]，最大进化代数Tmax＝5，种群大小Pop＝10。MPSO_OMP算法是指对高光谱图像进行分组后，参考波段图像采用PSO_OMP算法进行稀疏分解，非参考波段图像采用MPSO_OMP算法进行稀疏分解，最大分解次数K＝[100,100,150,150]，继承系数＝0.5，粒子群中的最大进化代数Tmax＝5，种群大小Pop＝10。表2给出3种算法的实验结果，表中的平均PSNR是高光谱数据集所有波段图像重构PSNR的均值，运行时间是完成
【参考文献】：
期刊论文
[1]联合光谱-空间信息的短波红外高光谱图像茶叶识别模型[J]. 蔡庆空,李二俊,蒋金豹,乔小军,蒋瑞波,冯海宽,刘绍堂,崔希民. 光谱学与光谱分析. 2019(08)
[2]基于本征图像分解的高光谱图像空谱联合分类[J]. 任智伟,吴玲达. 航天返回与遥感. 2019(03)
[3]结合光谱解混与压缩感知的高光谱图像有损压缩（英文）[J]. 王忠良,冯文田,粘永健. 红外与激光工程. 2018(S1)
[4]高光谱遥感技术发展与展望[J]. 张淳民,穆廷魁,颜廷昱,陈泽宇. 航天返回与遥感. 2018(03)
[5]基于核函数的联合稀疏表示高光谱图像分类[J]. 陈善学,周艳发,漆若兰. 系统工程与电子技术. 2018(03)
[6]基于低秩结构提取的高光谱图像压缩表示[J]. 唐中奇,付光远,陈进,张利. 电子与信息学报. 2016(05)
[7]基于空谱联合的多假设预测高光谱图像压缩感知重构算法[J]. 王丽,冯燕. 电子与信息学报. 2015(12)
[8]基于粒子群优化的图像稀疏分解算法研究[J]. 王丽,冯燕. 计算机仿真. 2015(11)
[9]高光谱遥感图像的稀疏分解与压缩感知[J]. 马馨宏,郭树旭. 吉林大学学报(理学版). 2015(04)
本文编号：3377095
【文章来源】：红外技术. 2020,42(10)北大核心CSCD
【文章页数】：9 页
【部分图文】：
波段分组示意图Fig.1Bandgroupingdiagram970
旁?蛹??K对XGn,j,bl进行稀疏表示得到的重构n,,GjblX：TTn,,n,,n,,GjblGjblKKKKGjblXXX(7)2实验结果与分析2.1高光谱数据集选择4组高光谱图像评估稀疏分解算法的性能，分别是来自AVIRIS采集的Cuprite1、Cuprite2、IndianPines以及ROSIS采集的PaviaUniversity。原始数据集中的水汽波段和噪声波段均已移除，且根据分块大小B＝16对图像进行了空间剪裁，4组数据的基本情况见表1。高光谱数据第50个波段的原始图像如图3所示。表1四组高光谱数据集的基本情况Table1FourhyperspectraldatasetsDatasetOriginalbandsOriginalimagesizeAvailablebandsCroppedimagesizeCuprite1224614×512188256×256Cuprite2224614×512188256×256IndianPines220145×145200128×128PaviaUniversity115610×340103256×2562.2实验参数设置不论是利用OMP算法、PSO_OMP算法还是算法MPSO_OMP对高光谱图像进行稀疏分解，均需设定最大分解次数，该参数对算法的时间复杂度及重构图像的精度具有重要影响。所提算法MPSO_OMP还需设定的参数是粒子群优化中的最大进化代数和种群大小，以及继承系数。分组大小Gs的选择会影响算法性能，通常来说，Gs越小，组内的谱间相关性越强，非参考波段图像块能够从参考波段图像块继承到更多的最优原子，稀疏分解效率越高，但此时分组个数也较多，时间复杂度也会增加。当高光谱成像仪的光谱分辨率较高时，相对较大的分组也能保证组内图像的强相关性，重构精度也能得到保证。根据实验场景对应的传感器的光谱分辨率，同时考虑到计算复杂度，?
鸾ピ龃蟮墓?讨校?蛄Ｗ尤核惴?具有随机性，重构PSNR会出现不同程度的振荡。整体来说，重构PSNR的下降速度较慢，从继承系数为0增加至继承系数为1时，重构PSNR的下降值保持在1dB左右，说明算法仍能保证重构精度。从计算复杂度来看，MPSO_OMP算法的计算复杂度主要由继承原子的选择过程与其他原子的粒子群搜索过程决定。与继承原子的选择过程相比，粒子群搜索过程更耗时。因此，随着继承系数的增大，继承原子数不断增多，粒子群搜索的原子数不断降低，则算法的计算复杂度会逐渐降低，如图6所示。综合考虑重构性能和重构计算复杂度，当继承系数选择为0.5时，重构PSNR的下降幅度保证在0.4dB以内，而运行速度却能提高1.3倍左右，故将MPSO_OMP算法中的继承系数确定为＝0.5。2.3实验结果分析利用OMP算法、PSO_OMP算法和MPSO_OMP算法对4组高光谱图像进行稀疏分解，分析算法的性能。OMP算法是指对所有波段图像采用OMP进行稀疏分解，最大分解次数K＝50。PSO_OMP算法是指对所有波段图像采用PSO_OMP算法进行稀疏分解，最大分解次数K＝[100,100,150,150]，最大进化代数Tmax＝5，种群大小Pop＝10。MPSO_OMP算法是指对高光谱图像进行分组后，参考波段图像采用PSO_OMP算法进行稀疏分解，非参考波段图像采用MPSO_OMP算法进行稀疏分解，最大分解次数K＝[100,100,150,150]，继承系数＝0.5，粒子群中的最大进化代数Tmax＝5，种群大小Pop＝10。表2给出3种算法的实验结果，表中的平均PSNR是高光谱数据集所有波段图像重构PSNR的均值，运行时间是完成
【参考文献】：
期刊论文
[1]联合光谱-空间信息的短波红外高光谱图像茶叶识别模型[J]. 蔡庆空,李二俊,蒋金豹,乔小军,蒋瑞波,冯海宽,刘绍堂,崔希民. 光谱学与光谱分析. 2019(08)
[2]基于本征图像分解的高光谱图像空谱联合分类[J]. 任智伟,吴玲达. 航天返回与遥感. 2019(03)
[3]结合光谱解混与压缩感知的高光谱图像有损压缩（英文）[J]. 王忠良,冯文田,粘永健. 红外与激光工程. 2018(S1)
[4]高光谱遥感技术发展与展望[J]. 张淳民,穆廷魁,颜廷昱,陈泽宇. 航天返回与遥感. 2018(03)
[5]基于核函数的联合稀疏表示高光谱图像分类[J]. 陈善学,周艳发,漆若兰. 系统工程与电子技术. 2018(03)
[6]基于低秩结构提取的高光谱图像压缩表示[J]. 唐中奇,付光远,陈进,张利. 电子与信息学报. 2016(05)
[7]基于空谱联合的多假设预测高光谱图像压缩感知重构算法[J]. 王丽,冯燕. 电子与信息学报. 2015(12)
[8]基于粒子群优化的图像稀疏分解算法研究[J]. 王丽,冯燕. 计算机仿真. 2015(11)
[9]高光谱遥感图像的稀疏分解与压缩感知[J]. 马馨宏,郭树旭. 吉林大学学报(理学版). 2015(04)
本文编号：3377095
本文链接：https://www.wllwen.com/guanlilunwen/gongchengguanli/3377095.html
