本文關(guān)鍵詞：基于壓縮感知的高光譜圖像重構(gòu)

  更多相關(guān)文章： 高光譜圖像 壓縮感知 低秩稀疏分解 非局部全變差 聚類

【摘要】：高光譜圖像由成像光譜儀在幾百個相鄰的窄波段內(nèi)同時對地物進(jìn)行成像所得。多個波段的圖像形成三維的數(shù)據(jù)立方體,其中包含了二維的空間信息和一維光譜信息�？臻g和波段方向的高分辨特性使得高光譜圖像具有很大的數(shù)據(jù)維度,龐大的信息帶來了嚴(yán)峻挑戰(zhàn)。傳統(tǒng)的壓縮方法采用奈奎斯特采樣速率對數(shù)據(jù)進(jìn)行采樣,然后再壓縮傳輸。這種高冗余采樣再壓縮的過程造成極大的資源浪費(fèi),同時也增加了運(yùn)算復(fù)雜度,因此并不適合低功耗、資源有限的機(jī)載或星載應(yīng)用。壓縮感知作為一種新穎的信號獲取理論,融合了傳統(tǒng)的采樣與壓縮過程,以遠(yuǎn)低于奈奎斯特采樣率的方式直接獲取測量數(shù)據(jù),降低了采樣成本,減少了存儲資源。壓縮感知的思想是在充分挖掘原數(shù)據(jù)所具有的性質(zhì)和先驗(yàn)的基礎(chǔ)上建立重構(gòu)模型,這些先驗(yàn)約束確保了解的最優(yōu)性。因此,對于高光譜圖像壓縮感知重建問題來說,應(yīng)該在充分了解高光譜性質(zhì)的基礎(chǔ)上進(jìn)行算法研究。本文基于上述提出的這些問題,對高光譜圖像的壓縮感知重建進(jìn)行了研究,概括為以下三個方面:首先研究了低秩稀疏分解模型對高光譜圖像壓縮重建性能的提高。本文分析了高光譜圖像不同波段間存在著較強(qiáng)的相關(guān)性,以低秩矩陣恢復(fù)理論為背景,提出基于低秩稀疏分解的重建模型。該模型通過低秩項(xiàng)來約束波段間的相關(guān)性,稀疏項(xiàng)則表示了各波段的差異。通過實(shí)驗(yàn)結(jié)果分析對比,驗(yàn)證了該算法對重建信噪比的提高作用。其次研究了高光譜圖像的非局部特性,提出基于非局部全變差的低秩稀疏重建模型。與普通的自然圖像相比,高光譜圖像具有豐富的紋理結(jié)構(gòu)和較多的邊緣,傳統(tǒng)的TV重建容易導(dǎo)致邊緣模糊,細(xì)節(jié)的重建效果不理想。本文在考慮了高光譜圖像非局部結(jié)構(gòu)特性的基礎(chǔ)上,提出基于非局部TV和低秩稀疏分解的高光譜圖像重建算法。實(shí)驗(yàn)結(jié)果表明,該算法在保證較高重構(gòu)質(zhì)量的同時,較好的恢復(fù)了細(xì)節(jié)。雖然高光譜圖像波段間具有較強(qiáng)的相關(guān)性,但是這種相關(guān)性隨波段間距的增加而減弱。通過對高光譜圖像的特性分析可知,表示同類物質(zhì)的像素點(diǎn)之間具有較高的相似度。從整體來看,與非同類像元構(gòu)成的矩陣相比,同類像元構(gòu)成的矩陣具有更強(qiáng)的低秩性,更適合低秩稀疏模型的重建。因此在前兩個工作的基礎(chǔ)上,結(jié)合聚類算法,提出了基于聚類的非局部全變差和低秩稀疏重構(gòu)模型。實(shí)驗(yàn)結(jié)果表明,該算法對高光譜圖像的重建起到明顯的提升效果。
【學(xué)位授予單位】：西安電子科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TP751

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 諶德榮;宮久路;陳乾;曹旭平;;基于樣本分割的快速高光譜圖像異常檢測支持向量數(shù)據(jù)描述方法[J];兵工學(xué)報(bào);2008年09期

2 蒲曉豐;雷武虎;張林虎;蔣奇材;;基于Fukunaga-Koontz變換的高光譜圖像異常檢測[J];紅外技術(shù);2010年04期

3 成寶芝;郭宗光;;高光譜圖像波段間相關(guān)特性研究[J];大慶師范學(xué)院學(xué)報(bào);2013年06期

4 楊龍;易宏杰;李因彥;;遙感高光譜圖像赤潮識別[J];傳感器世界;2007年05期

5 汪倩;陶鵬;;結(jié)合空間信息的高光譜圖像快速分類方法[J];微計(jì)算機(jī)信息;2010年21期

6 王立國;孫杰;肖倩;;結(jié)合空-譜信息的高光譜圖像分類方法[J];黑龍江大學(xué)自然科學(xué)學(xué)報(bào);2010年06期

7 馮朝麗;朱啟兵;朱曉;黃敏;;基于光譜特征的玉米品種高光譜圖像識別[J];江南大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年02期

8 付歡;龍海南;韓曉霞;;基于冗余字典的高光譜圖像的稀疏分解[J];河北軟件職業(yè)技術(shù)學(xué)院學(xué)報(bào);2013年04期

9 耿修瑞,張霞,陳正超,張兵,鄭蘭芬,童慶禧;一種基于空間連續(xù)性的高光譜圖像分類方法[J];紅外與毫米波學(xué)報(bào);2004年04期

10 張綺瑋;機(jī)載高光譜遙感圖像處理軟件系統(tǒng)[J];紅外;2005年02期

中國重要會議論文全文數(shù)據(jù)庫 前10條

1 張兵;王向偉;鄭蘭芬;童慶禧;;高光譜圖像地物分類與識別研究[A];成像光譜技術(shù)與應(yīng)用研討會論文集[C];2004年

2 高連如;張兵;孫旭;李山山;張文娟;;高光譜數(shù)據(jù)降維與分類技術(shù)研究[A];第八屆成像光譜技術(shù)與應(yīng)用研討會暨交叉學(xué)科論壇文集[C];2010年

3 王成;何偉基;陳錢;;基于波段重組和小波變換的高光譜圖像嵌入式壓縮方法[A];黑龍江、江蘇、山東、河南、江西 五省光學(xué)（激光）聯(lián)合學(xué)術(shù)‘13年會論文（摘要）集[C];2013年

4 孫蕾;羅建書;;基于分類預(yù)測的高光譜遙感圖像無損壓縮[A];第一屆建立和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會議（HHME2005）論文集[C];2005年

5 楊勇;劉木華;鄒小蓮;苗蓬勃;趙珍珍;;基于高光譜圖像技術(shù)的獼猴桃硬度品質(zhì)檢測[A];走中國特色農(nóng)業(yè)機(jī)械化道路——中國農(nóng)業(yè)機(jī)械學(xué)會2008年學(xué)術(shù)年會論文集（下冊）[C];2008年

6 張曉紅;張立福;王晉年;童慶禧;;HJ-1A衛(wèi)星高光譜遙感圖像質(zhì)量綜合評價(jià)[A];第八屆成像光譜技術(shù)與應(yīng)用研討會暨交叉學(xué)科論壇文集[C];2010年

7 高東生;高連知;;基于獨(dú)立分量分析的高光譜圖像目標(biāo)盲探測方法研究[A];國家安全地球物理叢書（八）——遙感地球物理與國家安全[C];2012年

8 馮維一;陳錢;何偉基;;基于小波稀疏的高光譜目標(biāo)探測算法[A];黑龍江、江蘇、山東、河南、江西 五省光學(xué)（激光）聯(lián)合學(xué)術(shù)‘13年會論文（摘要）集[C];2013年

9 彭妮娜;易維寧;方勇華;;基于核函數(shù)的高光譜圖像信息提取研究[A];光子科技創(chuàng)新與產(chǎn)業(yè)化——長三角光子科技創(chuàng)新論壇暨2006年安徽博士科技論壇論文集[C];2006年

10 蒲曉豐;雷武虎;黃濤;王迪;;基于穩(wěn)健背景子空間的高光譜圖像異常檢測[A];中國光學(xué)學(xué)會2010年光學(xué)大會論文集[C];2010年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 普晗曄;高光譜遙感圖像的解混理論和方法研究[D];復(fù)旦大學(xué);2014年

2 王亮亮;非線性流形結(jié)構(gòu)在高光譜圖像異常檢測中的應(yīng)用研究[D];國防科學(xué)技術(shù)大學(xué);2014年

3 賀智;改進(jìn)的經(jīng)驗(yàn)?zāi)B(tài)分解算法及其在高光譜圖像分類中的應(yīng)用[D];哈爾濱工業(yè)大學(xué);2014年

4 魏然;基于成像機(jī)理分析的高光譜圖像信息恢復(fù)研究[D];哈爾濱工業(yè)大學(xué);2015年

5 葉珍;高光譜圖像特征提取與分類算法研究[D];西北工業(yè)大學(xué);2015年

6 馮婕;基于軟計(jì)算和互信息理論的遙感圖像地物分類[D];西安電子科技大學(xué);2014年

7 孫濤;快速多核學(xué)習(xí)分類研究及應(yīng)用[D];西安電子科技大學(xué);2015年

8 李昌國;基于譜間和校正相關(guān)性的高光譜圖像壓縮方法研究及GPU并行實(shí)現(xiàn)[D];成都理工大學(xué);2015年

9 徐速;基于壓縮感知的高光譜圖像稀疏解混方法研究[D];重慶大學(xué);2015年

10 南一冰;星載推掃型高光譜運(yùn)動成像誤差建模與高精度校正技術(shù)研究[D];北京理工大學(xué);2015年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 豐爍;高光譜圖像波段選取問題的改進(jìn)算法研究[D];昆明理工大學(xué);2015年

2 趙偉彥;果蔬干燥過程中的品質(zhì)無損檢測技術(shù)研究[D];江南大學(xué);2015年

3 馬亞楠;果蔬中內(nèi)部害蟲的高光譜圖像檢測技術(shù)研究[D];江南大學(xué);2015年

4 劉大洋;基于近紅外光譜和高光譜圖像技術(shù)無損識別獼猴桃膨大果[D];西北農(nóng)林科技大學(xué);2015年

5 王坤;高光譜圖像異常目標(biāo)檢測及光譜成像在偽裝評估方面的應(yīng)用研究[D];南京理工大學(xué);2015年

6 王啟聰;高光譜圖像分類的GPU并行優(yōu)化研究[D];南京理工大學(xué);2015年

7 程凱;無先驗(yàn)信息的高光譜圖像小目標(biāo)檢測算法研究[D];蘇州大學(xué);2015年

8 李秩期;基于高光譜及多信息融合的馬鈴薯外部缺陷無損檢測研究[D];寧夏大學(xué);2015年

9 王健;基于高光譜圖像的馬鈴薯形狀及重量分類識別建模研究[D];寧夏大學(xué);2015年

10 吳蓓芬;偏振高光譜圖像場景仿真及分類方法研究[D];哈爾濱工業(yè)大學(xué);2015年

，

本文編號：1210894