基于谱间预测的高光谱遥感影像压缩感知重构算法

高光谱遥感影像通常包含几十或上百个光谱波段,其海量的数据给影像的存储、传输以及后续处理带来了挑战.针对这一问题,根据高光谱遥感影像谱间相关性强的特性,提出了一种结合双参考波段线性预测的基于压缩感知的高光谱遥感影像重构方法.首先,将高光谱遥感影像的波段进行分组,每组确定两个参考波段,使用正交匹配追踪(OMP)算法重构每组的两个参考波段.其次,根据重构恢复的组内的两个参考波段,建立了一个基于双参考波段的线性预测模型,用来计算该组内非参考波段的预测值;然后,使用OMP算法重构实际测量值与预测测量值的差值,得到差值向量;最后,利用得到的差值向量迭代修正预测测量值,直到恢复该波段原始图像.仿真实验结果表明,该方法提高了高光谱遥感影像的重构效果.     

基于自适应分块的高光谱图像压缩感知重构方法

在对高光谱图像采样重构的研究中,整体采样和固定分块采样没有考虑到高光谱图像复杂的纹理特征分布,使用了相同的测量矩阵导致图像的重构质量较差。针对此问题,该文提出基于2维图像熵自适应分块压缩感知重构方法(ABCS-IE),该方法以图像2维熵作为高光谱图像纹理细节的度量,根据图像的纹理细节分布自适应改变图像子块的大小,然后为不同的图像块分配特定的采样值,根据分配的采样值设计专有的测量矩阵对图像块进行压缩测量,将采样测量值代入重构算法中进行重构。实验结果表明,与整体采样重构和固定分块采样重构相比,将该方法应用到压缩感知重构算法中对高光谱图像进行采样重构后,重构的图像在视觉效果上有明显的提高,取得的峰值信噪比(PSNR)和结构相似度(SSIM)最大,采样率为0.4时,PSNR提高了2～4 dB,SSIM最大提高了0.27,均方根误差(RMSE)和信息熵差值(ΔH)也有所降低,说明重构的图像更加接近原始图像。而且运算时间也减少了1～1.5 s。可见,该方法能充分利用高光谱图像的纹理特征,有效提高图像的重构质量,同时减少重构的运算时间。     

基于压缩感知理论的波段重构方法

针对高光谱图像数据量大、信息冗余多、传输难度大等问题,从波段压缩采样入手,通过采样数据重构出原始波段,提出一种基于压缩感知理论的波段重构方法。压缩感知理论是一种在不遵循奈奎斯特采样定理的情况下,能够高精度重构出原始信号的新型压缩采样理论。由于高光谱图像谱间相关性高,具有很强的稀疏性,故可将压缩感知理论用于高光谱数据的波段重构,仅选择少量波段,便能够重构得到原始高光谱数据。实验结果表明,压缩感知理论能够对高光谱图像波段维进行压缩与重构,并可达到较高的重构比例,同时获得较高的重构效率,且重构数据光谱曲线与原始数据光谱曲线的波形一致度高。     

基于光谱稀疏模型的高光谱压缩感知重构

提出了一种基于光谱稀疏化的压缩感知采样与重构模型,通过从训练样本中构建光谱稀疏字典提升光谱稀疏化效果,同时在重构时兼顾空间图像的全变分约束进一步提升重构精度.对200波段AVIRIS高光谱场景进行压缩感知重构的实验表明,利用构建的光谱稀疏字典与传统的DCT字典和Haar小波字典相比光谱稀疏化效果明显提升,同时在25%采样下基于光谱稀疏字典几乎无差别重构出了高光谱图像,同样条件下在空间和光谱的精度与现有常用方法相比有较大的提升.     

基于谱间结构相似先验的高光谱压缩感知重构

在高光谱压缩感知重构中,充分利用图像的先验信息能有效提升算法的重构精度。现有重构算法均未考虑高光谱图像的谱间结构冗余信息,该文提出一种基于谱间结构相似先验的高光谱压缩感知重构方法。该方法通过谱间结构冗余定义高光谱结构图像,以结构图像为基础,设计一个压缩感知重构正则项,再结合高光谱图像的空间相关性和谱间统计相关性,提出一种新的压缩感知高光谱图像联合重构方案,并设计一种基于变量拆分的有效的求解算法。实验表明,在相同观测值数目下,该文算法的重构质量明显优于现有算法。     

基于正交基压缩感知的激光雷达遥感图像重构研究

在压缩图像重建过程中,针对重构效果不理想、耗时较长等问题,提出基于正交基压缩感知的激光雷达遥感图像重构方法。对激光雷达遥感图像进行预分块处理,分别计算不同图像块的纹理复杂度,当图像块纹理复杂度低于设定阈值时,选取最佳采样频率对不同的图像块进行观测采样,当图像块的纹理复杂度高于设定阈值,需要再次进行分块,并且重复上述步骤,直到获取最小图像块,则停止分块。通过观测采样结果,设定滤波,选取信号阈值,引入共轭梯度下降方法,对不同压缩比下的信号进行重建,实现激光雷达遥感图像重构。分析仿真实验结果可知,所提方法的最高运行时间约为17 min,远低于传统方法,表明方法能够有效提升图像的重构效果。     

基于线性混合模型的高光谱图像谱间压缩感知重构

该文针对高光谱数据的线性混合模型,提出一种简单有效的谱间压缩感知下高光谱数据的重构方案。该方案不同于传统的压缩感知重构方法直接重构高光谱数据,而是将高光谱数据分离成端元和丰度分别进行重构,然后利用重构的端元和丰度信息合成高光谱数据。实验结果表明,该方案的重构质量明显优于标准压缩感知重构方法,并且运算速度具有极大提升,同时便于获得端元和丰度信息。     

基于压缩感知的红外遥感图像重构算法分析

随着航天遥感技术的飞速发展,遥感图像采集数据耗时长、图像数据量大等问题的出现对采样设备和存储设备提出了更高的性能要求。为了解决以上问题,在气象卫星的红外遥感图像的处理中采用了压缩感知理论。通过Matlab建模和仿真,分析了正交匹配追踪算法、梯度投影算法、子空间追踪算法、平滑l0范数算法的性能,并对大量红外图像以不同的采样率进行采样压缩,然后使用多种重构算法重构图像。对比试验显示,几种算法都能以较低的采样率得到完整的红外图像,但平滑l0范数算法在重构精度和运行时间方面都优于其余几种算法,证明了压缩感知在红外遥感图像的处理中具有较大的实用价值。     

基于空谱特性的高光谱图像压缩感知重构

针对现有的高光谱图像压缩感知重构算法对图像的空谱特性利用不够充分,导致重构图像质量不够高的问题,提出了一种高光谱图像变投影率分块压缩感知结合优化谱间预测重构方案。编码端以频段聚类方式将高光谱图像的所有频段分成参考频段和普通频段,对不同频段单独采用不同精度分块压缩感知以获取高光谱数据。在解码端,参考频段直接采用稀疏度自适应匹配追踪( SAMP)算法重构,对于普通频段,则设计了一种优化谱间预测结合SAMP算法的新模型进行重构：首先通过重构的参考频段双向预测普通频段,并对其进行压缩投影,然后计算预测前后普通频段投影值的残差,最后利用SAMP算法重构该残差,以此修正预测值。实验表明,相比同类算法,该算法充分考虑了高光谱图像的空谱特性,有效改善了重构图像质量,且编码复杂度低,易于硬件实现。     

基于投影网络的遥感影像超分辨率重建方法

针对遥感影像数据量大、地形起伏大、覆盖范围 广的特点,本文提出了一种基于卷积神经网络的遥感影像超分辨重建 方法,该方法联合密集网络和深度反投影网络,组成了密集投影单元,形成深度密集投影网 络,解决了传统算法在遥感影像超分 辨率重建中存在的纹理表征不够,细节提取不足、训练困难等问题。实验结果表明,在多个 遥感影像数据集上,本文与其他对比 方法相比,PSNR和SSIM有明显提升,重建出的遥感影像纹理标征和细节特征更加丰富。     

基于双频带预测的高光谱压缩感知重构算法

为改善高光谱压缩感知的重构质量,提出基于双频带预测的高光谱重构算法。引入K均值聚类算法自适应地完成频带分组,并确定各组组内的双参考频带;再建立双频带预测模型获得预测图像;最后,在预测图像的基础上采用修正重构和加权融合方式,实现图像的高精确度重构。结果表明：在相同采样率下,该方法的重构图像的峰值信噪比(PSNR)和结构相似性(SSIM)明显优于已有的重构方法。     

基于多维度特征遥感图像分类方法的研究北大核心CSCD

为了解决传统高光谱图像分类方法精度低、计算成本高及未能充分利用空-谱信息的问题,本文提出一种基于多维度并行卷积神经网络(multidimensional parallel convolutional neural network,3D-2D-1D PCNN)的高光谱图像分类方法。首先,该算法利用不同维度卷积神经网络(convolutional neural network,CNN)提取高光谱图像信息中的空-谱特征、空间特征及光谱特征;之后,采用相同并行卷积层将组合后的空-谱特征、空间特征及光谱特征进行特征融合;最后,通过线性分类器对高光谱图像信息进行精准分类。本文所提方法不仅可以提取高光谱图像中更深层次的空间特征和光谱特征信息,同时能够将光谱图像不同维度的特征进行融合,减小计算成本。在Indian Pines、Pavia Center和Pavia University数据集上对本文算法和4种传统算法进行对比实验,结果表明,本文算法均得到最优结果,分类精度分别达到了99.210%、99.755%和99.770%。     

基于压缩感知的红外与可见光图像融合算法

压缩感知是一种新的信号采样理论,突破了传统的Nyquist采样率须为信号最高频率的2倍以上的定理。对于稀疏信号,它能够以远低于Nyquist采样速率对信号进行采样,并通过重构算法恢复出原信号。提出了一种基于压缩感知的红外与可见光图像融合算法,对图像进行测量,并通过融合算法对测量值进行融合。仿真实验显示,压缩感知能较好地实现图像的融合。     

高光谱空谱一体化图像分类研究

高光谱图像分类是遥感图像处理技术中的一个热点,提高分类精度是目前一个重要研究方向。常规的高光谱图像分类技术主要关注于如何更好地利用光谱空间的分类信息,往往忽视图像空间域信息。本文提出了一种基于空谱一体化处理的高光谱图像分类方法,在利用数据进行自身光谱特征分类的同时采用区域生长法和二值形态学法相结合的空间域有效信息对光谱分类结果进行补充。实验证明本方法能提高高光谱图像分类精度。     

基于小波域的压缩感知超分辨率重建方法

为了提高超分辨率图像的重构效果,提出了一种基于小波域的压缩感知超分辨率重建方法.首先采用小波变换对低分辨率图像进行分解,得到低分辨率图像的低频子带与高频子带,然后采用压缩感知技术分别对低频子带和高频子带进行重建,并通过小波逆变换得到最终重建图像,最后在MATLAB 2012平台上进行仿真实验.结果表明,相对于其他图像重建方法,本文方法的重建图像视觉效果更加理想,不仅提高了低分辨率图像重建精度,而且提高了图像重建效率,可以满足图像处理的实时性、在线性要求.     

基于非局部相似度约束的多通道复用压缩遥感成像方法

结合压缩感知成像原理和遥感成像系统的物理可实现性,提出了采用掩膜编码的多通道复用压缩成像方法.首先,采用多组随机二值伯努利分布的掩膜为不同光学通道视场进行压缩编码,在单位积分时间内采集重构图像所需的欠采样数据.然后,针对传统的全变分范数最小化的重构方法易受遥感图像局部突出特征干扰的问题,提出了以遥感图像空间域非局部相似度为正则化重构标准的先验约束.实验结果验证了此压缩成像方法的可行性.与传统算法相比,此重构算法能够在保留图像细节的同时实现有效重构.