【摘要】：高光譜遙感成像獲取的海量數(shù)據(jù)給成像系統(tǒng)的數(shù)據(jù)存儲、傳輸及后續(xù)處理帶來巨大壓力,影響了高光譜圖像的深入應(yīng)用。壓縮感知理論以信號具備稀疏性或可壓縮性為前提,利用測量矩陣以低于奈奎斯特率實(shí)現(xiàn)信息的直接采集,通過優(yōu)化求解從少量測量值中重構(gòu)出原始信號,給高光譜遙感成像的進(jìn)一步發(fā)展提供了可能性。論文在分析壓縮感知理論基本框架和高光譜圖像特性的基礎(chǔ)上,圍繞高光譜圖像的稀疏表示、測量矩陣設(shè)計(jì)、重構(gòu)模型建立和重構(gòu)算法實(shí)現(xiàn)等關(guān)鍵技術(shù)展開了相應(yīng)的研究。論文的主要研究工作和創(chuàng)新點(diǎn)如下:(1)高光譜圖像的稀疏表示研究:在研究稀疏表示基本理論和高光譜圖像特點(diǎn)的基礎(chǔ)上,構(gòu)建了Gabor冗余字典并利用正交匹配追蹤算法實(shí)現(xiàn)了高光譜圖像的稀疏表示。為了降低正交匹配追蹤算法的計(jì)算復(fù)雜度,提出了基于粒子群優(yōu)化的稀疏分解算法。該算法采用粒子群優(yōu)化的快速搜索能力對正交匹配追蹤算法的匹配過程進(jìn)行改進(jìn),提高了正交匹配追蹤算法處理冗余字典稀疏表示問題的計(jì)算速度。實(shí)驗(yàn)結(jié)果表明,與正交小波變換基相比,Gabor冗余字典具有更強(qiáng)的稀疏表示能力;與正交匹配追蹤算法相比,提出的快速算法能夠有效提高稀疏表示的計(jì)算效率。(2)高光譜圖像壓縮感知測量矩陣研究:在分析常用的壓縮感知測量矩陣的構(gòu)造方法和測量矩陣硬件實(shí)現(xiàn)難易程度的基礎(chǔ)上,設(shè)計(jì)了一種置換塊哈達(dá)瑪測量矩陣。該矩陣的設(shè)計(jì)借鑒了結(jié)構(gòu)化隨機(jī)矩陣的概念,采用塊對角矩陣的構(gòu)成方式,并將哈達(dá)瑪矩陣作為塊對角矩陣的構(gòu)成元素,以節(jié)省存儲空間。利用中心極限定理證明了該矩陣具備高斯特性,擁有高斯隨機(jī)測量矩陣的優(yōu)點(diǎn),適合作為高光譜圖像壓縮感知的測量矩陣。實(shí)驗(yàn)結(jié)果表明,與高斯隨機(jī)矩陣相比,該測量矩陣的采樣效率較高,可用于高光譜壓縮成像。(3)基于循環(huán)采樣的高光譜圖像壓縮感知重構(gòu)研究:在分析高光譜圖像空間和譜間相關(guān)性的基礎(chǔ)上,提出了高光譜圖像的三維壓縮感知重構(gòu)算法。該算法在采樣過程中考慮譜間相關(guān)性,對整個(gè)高光譜數(shù)據(jù)進(jìn)行三維循環(huán)采樣,在重構(gòu)過程中考慮不同波段圖像間的梯度稀疏性,建立了基于三維全變分最小的優(yōu)化重構(gòu)模型,采用增廣拉格朗日乘子法進(jìn)行求解以獲得重構(gòu)圖像。借助不均勻采樣和殘差重構(gòu)的思想,提出了基于譜間預(yù)測的高光譜圖像壓縮感知重構(gòu)算法。該算法在采樣過程中將高光譜圖像分組為參考波段圖像和非參考波段圖像,以不同的采樣率對其進(jìn)行循環(huán)采樣,重構(gòu)過程中對參考波段圖像采用一般重構(gòu)算法進(jìn)行重構(gòu),對非參考波段圖像進(jìn)行譜間預(yù)測以增加重構(gòu)過程的可用信息,并采用迭代的方式實(shí)現(xiàn)非參考波段圖像的重構(gòu)。實(shí)驗(yàn)結(jié)果表明,所提算法利用梯度稀疏性或譜間預(yù)測均能提高高光譜圖像的重構(gòu)精度。(4)基于多假設(shè)預(yù)測的高光譜圖像壓縮感知重構(gòu)研究:考慮高光譜波段圖像內(nèi)的空間相關(guān)性和波段圖像間的譜間相關(guān)性,提出了基于空譜聯(lián)合多假設(shè)預(yù)測的壓縮感知重構(gòu)算法。該算法構(gòu)建了空譜聯(lián)合的多假設(shè)預(yù)測模型,建立了包含空間預(yù)測信息和譜間預(yù)測信息的多假設(shè)預(yù)測矩陣,并通過迭代的方式實(shí)現(xiàn)殘差重構(gòu)。在分析分塊壓縮采樣的特點(diǎn)后,構(gòu)建了全局測量矩陣和重構(gòu)模型,提出了基于空間平滑特性和譜間相關(guān)性的重構(gòu)算法。該算法建立了以空間全變分最小和譜間多假設(shè)預(yù)測殘差最小為正則項(xiàng)的復(fù)合正則優(yōu)化重構(gòu)模型,通過增廣拉格朗日乘子法和交替方向法進(jìn)行優(yōu)化求解以獲得重構(gòu)圖像。實(shí)驗(yàn)結(jié)果表明,提出的兩種重構(gòu)算法均能提高重構(gòu)精度,說明合理利用高光譜圖像的特性是提高重構(gòu)精度的有效途徑。(5)基于光譜解混的高光譜圖像壓縮感知重構(gòu)研究:在分析高光譜圖像光譜混合特性的基礎(chǔ)上,提出了基于光譜解混的高光譜圖像壓縮感知重構(gòu)算法。該算法的基礎(chǔ)是高光譜數(shù)據(jù)可分離為端元矩陣和豐度矩陣的乘積,在采樣端設(shè)計(jì)了相干采樣矩陣,獲得了仍然滿足線性混合模型的空間測量數(shù)據(jù),并進(jìn)行譜間隨機(jī)采樣獲取譜間測量值。在重構(gòu)端采用算子分離的思想,利用空間和譜間測量數(shù)據(jù)構(gòu)建了端元和豐度信息的聯(lián)合優(yōu)化模型,通過交替迭代方法獲得了重構(gòu)圖像。實(shí)驗(yàn)結(jié)果表明,該算法能夠有效提高重構(gòu)精度,且能降低計(jì)算復(fù)雜度。
【學(xué)位授予單位】：西北工業(yè)大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2018
【分類號】：TP751
【圖文】：

圖 1-1 論文的組織結(jié)構(gòu)第四章研究基于循環(huán)卷積采樣的高光譜圖像壓縮感知重構(gòu)。分析高光譜圖像三維數(shù)據(jù)結(jié)構(gòu)特點(diǎn)，采用三維循環(huán)卷積實(shí)現(xiàn)高光譜圖像的采樣，構(gòu)建三維全變分的重構(gòu)模型，提出一種基于三維全變分的重構(gòu)算法。研究高光譜圖像的譜間相關(guān)性，依據(jù)譜間預(yù)測和殘差重構(gòu)的思想，提出一種基于譜間預(yù)測的高光譜壓縮感知重構(gòu)算法。第五章研究基于多假設(shè)預(yù)測的高光譜圖像壓縮感知重構(gòu)。首先介紹高光譜圖像的分塊壓縮感知采樣和重構(gòu)；然后將空間和譜間的多假設(shè)預(yù)測結(jié)合構(gòu)建空譜聯(lián)合的多假設(shè)預(yù)測模型，提出了一種基于空譜聯(lián)合的多假設(shè)預(yù)測重構(gòu)算法；最后建立全變分最小和譜間多假設(shè)預(yù)測殘差最小的復(fù)合正則優(yōu)化模型，提出了一種結(jié)合譜間相關(guān)性和空間平滑性的重構(gòu)算法。第六章研究基于光譜解混的高光譜圖像壓縮感知重構(gòu)。首先介紹高光譜圖像的光譜混合特性；然后提出了一種基于光譜解混的壓縮感知重構(gòu)算法，在采樣端對高光譜圖像進(jìn)行空間相干采樣和譜間隨機(jī)采樣。在重構(gòu)端，構(gòu)建端元矩陣和豐度矩陣的聯(lián)合優(yōu)化模型，并利用交替迭代方法對端元矩陣和豐度矩陣進(jìn)行優(yōu)化求解，實(shí)現(xiàn)高光譜圖像的重構(gòu)。第七章為總結(jié)與展望�？偨Y(jié)了論文的研究內(nèi)容與成果，并對需要進(jìn)一步解決的問題

西北工業(yè)大學(xué)博士學(xué)位論文xΨxyxx argmin,s.t.01NR(2-3)其中， 1 表示矩陣的逆。然而0l 優(yōu)化仍然是一個(gè) NP 難問題，在一定條件下1l 范數(shù)與 范數(shù)的解等價(jià)，即：xΨxyxx argmin,s.t.11NR(2-4)壓縮感知理論框架如圖 2-1 所示，三個(gè)核心問題為：(1)信號的稀疏表示問題，即如何選擇稀疏基確保信號具備稀疏性，以便利用壓縮感知理論進(jìn)行采樣。(2)測量矩陣的構(gòu)造問題，即如何構(gòu)造測量矩陣，使得信號經(jīng)過該矩陣測量后，測量值攜帶足夠多的原始信息，以保證信號能被精確重構(gòu)。(3)重構(gòu)算法的設(shè)計(jì)問題，即如何設(shè)計(jì)有效的重構(gòu)算法，借助信號的稀疏先驗(yàn)信息，通過重構(gòu)算法從測量值中恢復(fù)出原始信號。

算法需要滿足三個(gè)條件：重構(gòu)精度高、計(jì)算復(fù)雜度低和所需測量數(shù)少說，需要在采樣端以較低的采樣率完成采樣，進(jìn)行測量值的存儲和傳效高精度地重構(gòu)原始信號。譜數(shù)據(jù)集及空間和譜間相關(guān)性分析譜圖像由多個(gè)波段圖像數(shù)據(jù)構(gòu)成，可以看成是三維數(shù)據(jù)構(gòu)成的立方體高光譜圖像反映的是目標(biāo)地物的空間分布信息，光譜維反映的是目標(biāo)信息，即地面物體在某一波長下的強(qiáng)度。因此高光譜圖像包括數(shù)百個(gè)段，與一般的一維信號或二維信號存在很大的不同，在空間和譜間均關(guān)性主要表現(xiàn)為空間相關(guān)性和譜間相關(guān)性。光譜數(shù)據(jù)集譜遙感圖像數(shù)據(jù)集的示意圖如圖 2-2 所示，可以分解為空間維和光譜是單個(gè)波段圖像，rN 和cN 分別表示波段圖像的行數(shù)和列數(shù)，光譜維的光譜矢量，λN 表示光譜矢量的維數(shù)。

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王斌;;基于高光譜圖像技術(shù)的水果表面農(nóng)藥殘留檢測觀察[J];種子科技;2017年04期

2 陳綾鋼;呂靖芳;;高光譜圖像技術(shù)在農(nóng)產(chǎn)品監(jiān)測中的應(yīng)用進(jìn)展[J];北京農(nóng)業(yè);2016年01期

3 朱貞映;袁建;何榮;;糧油中高光譜圖像技術(shù)的應(yīng)用現(xiàn)狀[J];糧食與飼料工業(yè);2016年09期

4 徐爽;何建國;馬瑜;梁慧琳;劉貴珊;賀曉光;;高光譜圖像技術(shù)在水果品質(zhì)檢測中的研究進(jìn)展[J];食品研究與開發(fā);2013年10期

5 劉遵雄;蔣中慧;任行樂;;基于核方法協(xié)同表示的高光譜圖像分類[J];廣西大學(xué)學(xué)報(bào)(自然科學(xué)版);2019年05期

6 葉珍;白t

本文編號：2790037