本文關(guān)鍵詞：基于成像機(jī)理分析的高光譜圖像信息恢復(fù)研究

  更多相關(guān)文章： 高光譜成像鏈路 信息恢復(fù) 正則化 去模糊 超分辨重建 去混疊

【摘要】：人們獲取高光譜圖像的根本目的是實(shí)現(xiàn)對(duì)地表信息的解譯。從根本上說(shuō),這是一種間接獲取信息的手段,因?yàn)槲覀兿胍玫降挠嘘P(guān)地表的情報(bào),在被人們分析前,首先被高光譜圖像的成像設(shè)備轉(zhuǎn)換成了數(shù)字圖像。顯然,這種信息轉(zhuǎn)化過(guò)程的保真性,即轉(zhuǎn)換后的數(shù)字圖像在多大程度上保持了原始地表信息,對(duì)遙感解譯的準(zhǔn)確性和精度起著至關(guān)重要的作用。然而,高光譜成像鏈路中存在諸多不可避免的負(fù)面因素,如大氣對(duì)某些波段電磁波的吸收作用,傳感器分光組件給光譜信息引入的混疊等,它們都會(huì)給輸入的原始地表信息引入偏差,并最終體現(xiàn)在高光譜圖像質(zhì)量的降低和信息的退化上。如何從退化的高光譜圖像中恢復(fù)出原始地表信息,并提升高光譜圖像可解譯性是遙感圖像解譯領(lǐng)域面臨的一個(gè)關(guān)鍵科學(xué)問(wèn)題。在整個(gè)高光譜成像鏈路中,由于傳感器光學(xué)器件和電子元件的物理限制造成的輸入場(chǎng)景的信息損失,是高光譜圖像質(zhì)量降低主要因素之一。為了改善高光譜圖像的質(zhì)量,并恢復(fù)在成像過(guò)程中的信息損失,人們提出了大量的高光譜圖像信息恢復(fù)算法,但這些方法大多對(duì)成像模型進(jìn)行了某種數(shù)學(xué)上的近似或假設(shè),而忽略了高光譜圖像退化現(xiàn)象背后所蘊(yùn)含的物理本質(zhì)。然而,高光譜圖像任何一種退化現(xiàn)象,都是由成像鏈路中某些機(jī)制造成的,將這種機(jī)制與相應(yīng)的信息恢復(fù)算法相結(jié)合,有助于實(shí)現(xiàn)高光譜圖像信息恢復(fù)算法理念上的創(chuàng)新和理論上的突破,對(duì)高光譜圖像質(zhì)量提升以及解譯度提高也具備重要的指導(dǎo)意義。本文將圍繞成像鏈路中傳感器退化模型及信息恢復(fù)問(wèn)題這兩個(gè)中心展開(kāi)討論:首次,目前的高光譜圖像去模糊算法主要基于造成模糊的退化核為高斯函數(shù)這一假設(shè),而實(shí)際造成圖像模糊的主要原因之一是傳感器中典型光學(xué)器件(如透鏡)對(duì)輸入圖像的卷積作用。本文針對(duì)這一問(wèn)題展開(kāi)了研究。首先,我們通過(guò)理論分析和實(shí)驗(yàn)仿真,證實(shí)透鏡在截?cái)喔吖庾V圖像高頻信息時(shí),存在“硬切頻”的現(xiàn)象,這種切頻方式會(huì)給圖像的邊界區(qū)域引入振鈴失真,目前多數(shù)去模糊算法對(duì)此無(wú)能為力。為了解決該問(wèn)題,本文提出一種基于Hessian-Schatten正則化的解卷積算法,它將圖像的二階梯度信息表達(dá)在Hessian矩陣中,然后提取其特征值和特征向量,并通過(guò)Schatten范數(shù)約束其總能量,使得該正則項(xiàng)具備了保持圖像高階結(jié)構(gòu)信息的能力,因此在去除圖像模糊的同時(shí)消除振鈴失真。其次,傳統(tǒng)超分辨算法多數(shù)按照波段順序恢復(fù)高光譜圖像,這種方式暗含假設(shè)了高光譜圖像是由面掃型光譜儀得到。而在實(shí)際中高光譜圖像的成像載荷平臺(tái)往往相對(duì)于地面目標(biāo)存在著運(yùn)動(dòng),且多數(shù)成像光譜儀采用線掃方式成像,因此這種假設(shè)并不合理。本文針對(duì)這一問(wèn)題展開(kāi)了研究。首先,我們通過(guò)對(duì)比這兩種光譜儀的成像過(guò)程,分析了它們背后的物理機(jī)制,闡述了成像方式上的差異性;接下來(lái),我們通過(guò)研究線掃型光譜儀所成的狹縫圖像的物理意義,得出了狹縫圖像具備各向異性特點(diǎn);最后針對(duì)線掃型成像方式和狹縫圖像的各向異性特性,提出了一種以狹縫順序進(jìn)行高光譜圖像超分辨重建的框架,并在該框架下,利用狹縫圖像的全局和局部的特征,提出一種各向異性正則項(xiàng),降低了在該框架模型下求解過(guò)程的不適定問(wèn)題,進(jìn)一步提升了超分辨算法的性能。最后,針對(duì)成像傳感器中電子器件下采樣過(guò)程給圖像空間信息造成的折線失真、鋸齒效應(yīng)等負(fù)面效應(yīng)的恢復(fù)問(wèn)題展開(kāi)了研究。目前的算法多數(shù)都從空間域角度消除這種失真,它們都沒(méi)能抓住產(chǎn)生這種現(xiàn)象的本質(zhì)。為了解決這種局限性,本文首先從頻域角度分析傳感器電子器件下采樣過(guò)程,然后將這種現(xiàn)象的本質(zhì)通過(guò)頻域的方式進(jìn)行解釋。為了除它們給空間信息帶來(lái)的負(fù)面影響,本文將恢復(fù)該信息的過(guò)程表達(dá)為一個(gè)頻域空間上的超分辨問(wèn)題,并提出一種基于分形變換的抗混疊超分辨算法。該算法主要利用的是分形變換與初始圖像分辨率無(wú)關(guān),且在圖像具有較高自相似性情況下效果更好的特點(diǎn),同時(shí)由于抓住了信息退化的根源,本方法相對(duì)于空間的抗混疊超分辨算法,具有更好的頻域恢復(fù)性能。
【關(guān)鍵詞】：高光譜成像鏈路 信息恢復(fù) 正則化 去模糊 超分辨重建 去混疊
【學(xué)位授予單位】：哈爾濱工業(yè)大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2015
【分類(lèi)號(hào)】：TP391.41
【目錄】：

• 摘要4-6
• ABSTRACT6-15
• 第1章 緒論15-28
• 1.1 課題背景及研究的目的意義15-18
• 1.2 國(guó)內(nèi)外研究現(xiàn)狀18-26
• 1.2.1 高光譜圖像去模糊算法研究現(xiàn)狀18-22
• 1.2.2 高光譜圖像超分辨重建技術(shù)研究現(xiàn)狀22-24
• 1.2.3 高光譜圖像去混疊技術(shù)研究現(xiàn)狀24-26
• 1.3 本文主要研究?jī)?nèi)容及結(jié)構(gòu)安排26-28
• 第2章 高光譜成像模型及信息反演技術(shù)基本原理28-49
• 2.1 引言28
• 2.2 高光譜成像鏈路28-30
• 2.3 高光譜圖像的成像傳感器模型30-40
• 2.3.1 信息光學(xué)基本原理31-33
• 2.3.2 透鏡的信息傳遞模型33-35
• 2.3.3 分光器件信息傳遞模型35-38
• 2.3.4 電子器件信息傳遞模型38-40
• 2.4 信息反演基本原理40-47
• 2.4.1 反演問(wèn)題及其不適定性41-42
• 2.4.2 不適定的必然性及危害42-44
• 2.4.3 正則化原理及常用正則化策略44-47
• 2.5 恢復(fù)效果的評(píng)價(jià)問(wèn)題47-48
• 2.6 本章小結(jié)48-49
• 第3章 基于Hessian-Schatten范數(shù)正則化的高光譜圖像模糊去除49-76
• 3.1 引言49-50
• 3.2 透鏡對(duì)圖像質(zhì)量影響分析50-60
• 3.2.1 矩形和圓形孔徑透鏡的點(diǎn)擴(kuò)散函數(shù)及調(diào)制傳遞函數(shù)51-54
• 3.2.2 透鏡退化圖像方式理論分析54-56
• 3.2.3 透鏡退化圖像方式實(shí)驗(yàn)分析56-60
• 3.3 基于HSN正 則化的去模糊60-65
• 3.3.1 傳統(tǒng)方法的不足與局限性60-61
• 3.3.2 HSN范 數(shù)正則化的基本形式61-63
• 3.3.3 基于HSN正 則化的優(yōu)化問(wèn)題63-65
• 3.4 實(shí)驗(yàn)結(jié)果及討論65-72
• 3.4.1 實(shí)驗(yàn)數(shù)據(jù)及參數(shù)配置65-67
• 3.4.2 主觀恢復(fù)結(jié)果及分析67-71
• 3.4.3 客觀恢復(fù)結(jié)果及分析71-72
• 3.5 本章小結(jié)72-76
• 第4章 基于各向異性正則項(xiàng)的線掃型高光譜圖像超分辨重建76-102
• 4.1 引言76-77
• 4.2 線掃型和面掃型成像光譜儀77-80
• 4.2.1 面掃型光譜儀成像過(guò)程77-79
• 4.2.2 線掃型光譜儀成像過(guò)程79
• 4.2.3 兩種成像光譜儀對(duì)比79-80
• 4.3 現(xiàn)有方法的局限性80-81
• 4.4 狹縫圖像的各向異性特性及各向異性正則化81-85
• 4.4.1 狹縫圖像的各向異性特性82-83
• 4.4.2 LSM正 則項(xiàng)83-84
• 4.4.3 VTV正 則項(xiàng)84-85
• 4.5 算法的實(shí)現(xiàn)85-87
• 4.5.1 在噪聲條件下豐度函數(shù)圖像的估計(jì)86-87
• 4.5.2 基于TFOCS框 架的優(yōu)化問(wèn)題求解87
• 4.6 實(shí)驗(yàn)結(jié)果及討論87-101
• 4.6.1 實(shí)驗(yàn)參數(shù)配置87-91
• 4.6.2 實(shí)驗(yàn)結(jié)果及分析91-100
• 4.6.3 正則參數(shù)的選擇100-101
• 4.7 本章小結(jié)101-102
• 第5章 基于頻域擴(kuò)展超分辨的高光譜圖像混疊去除102-120
• 5.1 引言102-103
• 5.2 高光譜成像過(guò)程信息混疊現(xiàn)象及物理機(jī)制分析103-105
• 5.2.1 光譜信息的混疊103-104
• 5.2.2 空間信息的混疊104-105
• 5.3 分形基本原理及其適用 性105-107
• 5.3.1 基礎(chǔ)理論105-106
• 5.3.2 算法問(wèn)題及適用性分析106-107
• 5.4 基于頻域分形編碼的抗混疊分辨率增強(qiáng)107-111
• 5.4.1 預(yù)處理階段107
• 5.4.2 利用最小二乘法則獲取最優(yōu)變換參數(shù)107-110
• 5.4.3 基于分形變換分辨率不變性的頻域擴(kuò)展超分辨110-111
• 5.5 實(shí)驗(yàn)結(jié)果及討論111-119
• 5.5.1 實(shí)驗(yàn) 數(shù)據(jù)介紹及參數(shù)配置111-112
• 5.5.2 數(shù)據(jù)退化及混疊現(xiàn)象112
• 5.5.3 主觀評(píng)價(jià)結(jié)果112-115
• 5.5.4 客觀評(píng)價(jià)結(jié)果115-119
• 5.6 本章小結(jié)119-120
• 結(jié)論120-122
• 參考文獻(xiàn)122-135
• 附錄A本文所用符號(hào)列表135-137
• 攻讀博士學(xué)位期間發(fā)表的論文及其他成果137-139
• 致謝139-140
• 個(gè)人簡(jiǎn)歷140

，

本文編號(hào)：1123708