基于线性混合模型的高光谱图像分布式压缩感知

为了实现高光谱图像的有效压缩采样与重构,对分布式压缩采样的高光谱数据应用线性混合模型进行重构。首先,在图像采集阶段,针对高光谱图像的空谱特性,应用分布式压缩采样策略对高光谱数据进行采集;在数据重构阶段,应用高光谱图像的线性混合模型假设,先对压缩数据进行端元数目的估计,再利用估计的端元数来估计丰度矩阵,根据端元特征信号的稀疏性质提取端元矩阵,从而重构出原始的高光谱数据,抛弃了压缩感知重构算法中高计算复杂性的欠定问题求解。实验结果表明:在压缩采样数据为总数据的20%时,重构的平均信噪比比压缩投影主成分分析算法提高了15 dB以上,同时该方法还便于获得端元和丰度信息。所设计的压缩感知方案采样方式简单,重构速度快、精度高,可应用于星载或机载的高光谱压缩感知成像。     

基于压缩感知理论的无透镜离轴傅里叶全息编码与重建

高计算复杂度是目前制约全息显示的瓶颈,针对这一难题,提出一种基于压缩感知理论与无透镜傅里叶变换相结合的全息图编码与重现算法。利用计算机生成无透镜离轴傅里叶全息图,再用压缩感知理论对全息图进行压缩采样和恢复,最后对恢复出的全息图进行重构,并再现原始图像。该方法的优点在于只采样全息图的部分有用系数就能很好地恢复出原始图像,从而解决了传感器采样数据过大的问题,降低了计算复杂度。仿真实验表明,20%的压缩采样时,重构出的全息图的相关系数为0.85,而50%时该系数为0.9999。通过搭建的全息再现系统进行实际验证,实验结果表明能够清晰地再现出原始图像,从而证明了该方法的可行性。     

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.     

基于压缩感知的遥感图像融合方法

压缩感知理论,以远低于奈奎斯特采样定理要求的速率对图像进行采样,可利用图像的部分信息重构原始图像,有效地减轻图像处理的计算复杂度,降低对硬件的要求。文中提出了一种基于压缩感知的遥感图像融合方法。在压缩域对多光谱和全光谱遥感图像进行了融合实验,并与传统的融合方法进行了比较,实验结果表明,文中方法在遥感图像融合上有着良好的性能。     

基于压缩感知的信号重构研究

按照Nyquist采样定理,信号的采样率必须为信号最高频率的2倍以上,这会产生大量的冗余数据。压缩感知是一种新兴的采样理论,对于可以稀疏表示的信号,它能够以远低于Nyquist采样速率对信号进行采样,并通过优化算法实现重构。介绍了压缩感知的基本理论,并分别选取时域稀疏、频域稀疏和图像信号进行了仿真分析,实验结果显示,压缩感知理论能较好的重构原始信号。     

基于波段分组的高光谱图像无损压缩

高光谱图像海量数据给存储和传输带来极大困难,必须对其进行有效压缩。针对高光谱图像不同频谱波段间相关性不同的特点,提出一种基于波段分组的高光谱图像无损压缩算法。为了降低波段排序算法的计算量,根据相邻波段相关性大小预先进行分组,采用最佳后向排序算法对各组波段进行重新排序。在当前波段和参考波段中选取具有相同空间位置的邻域结构,在最小二乘准则下,利用邻域像素对当前预测像素进行最优谱间预测。参考波段和预测残差数据进行JPEG-LS压缩。对OMIS-I型高光谱图像进行实验的结果表明,与基于多波段预测算法相比,该算法可进一步降低压缩后的平均比特率。     

基于压缩感知的AOTF光谱测量方法（英文）

基于声光可调谐滤波器（AOTF）的光谱仪器已经在生物医学、农业、航空航天等领域中广泛应用。然而,传统的AOTF光谱仪很难在保持光谱分辨率和减少采样次数的同时,还实现系统光通量的增加。针对上述问题,本文提出了一种基于压缩感知理论的AOTF光谱测量方法,利用AOTF可多频驱动的特点,在光谱维度上实现稀疏随机编码复合光信号调制,可利用单元或面阵探测器顺次记录完成压缩采样,再通过压缩感知重建算法获得目标光谱曲线或光谱图像数据立方体。为了验证本方法的有效性,我们利用实际测量得到AOTF光谱响应带宽数据,构建传感矩阵,以展宽光谱为恢复目标,仿真了压缩采样和目标数据重构效果。仿真结果表明,该方法可以通过202次压缩采样,重构得到512个波长点的光谱数据,光谱数据采样率和压缩比为0.39。此采样率下,本方法可以高精度恢复光谱曲线,PSNR指标达到41.75dB,SAM和GSAM指标为0.9998和0.9754。多频同时驱动下,系统光通量平均提升了5倍。与传统逐波长点扫描的采样方式相比,该方法能够在保持原有光谱分辨率的前提下减少总采样次数,提高系统的光通量,同时还压缩了光谱数据,在微弱信号检测、物质快速...     

高光谱摆扫型压缩成像及数据重建

高分辨率的应用需求使得传统的高光谱遥感成像系统面临高速率采样、海量数据存储等难以突破的瓶颈问题,压缩感知理论为传统高光谱遥感所面临的瓶颈问题提供了解决可能。针对高光谱压缩感知成像,提出了一种摆扫型高光谱压缩成像系统,该系统采用光栅、柱面透镜、二维编码孔径和线性传感阵列等光电器件,一次曝光中可获取空间像素点的光谱维向量对应的多个压缩采样值。在压缩感知数据重建过程中,为了充分利用高光谱图像的空间相关先验信息,提出了一种空间预测迭代重建算法。实验结果表明,与标准压缩感知重建算法对比,该算法在压缩感知采样率超过0.2时重建图像信噪比可提高10 d B以上。所设计的系统简单易实现,可应用于星载、机载等遥感平台的高光谱压缩成像。     

基于压缩感知的伪随机等效采样信号重构

伪随机等效采样利用采样周期数与采样点数间的互质关系使各采样点均匀复现于同一周期,从而达到较高的等效采样速率。然而为了精确重构出原始信号,需大量采样数据,因此导致采样时间过长,实时性能差。针对上述问题,提出了一种基于压缩感知理论的伪随机等效采样信号重构方法,通过构造伪随机等效采样观测矩阵并选择离散傅里叶变换基建立稀疏重构模型,然后利用压缩感知中的正交匹配追踪算法求解该模型,从而重构出原始信号。仿真实验表明,所提方法在采样点个数40时,重构成功率达99.73%。     

结合预测误差反馈的高光谱图像无损压缩研究

高光谱图像的海量数据给存储和实时传输带来极大困难,必须对其进行有效压缩.提出了一种结合预测误差反馈的高光谱图像无损压缩算法.根据高光谱图像相邻波段相关性强弱进行波段分组,有效降低了波段排序算法的计算量.通过研究波段排序算法的性能,采用最佳后向排序算法对各组进行波段排序.为有效去除高光谱图像相关性,采用JPEG压缩标准中的无损预测模式对各波段进行谱内预测,利用参考波段预测误差对当前波段谱内预测值进行反馈校正,可进一步提高预测精度.最后,利用JPEG-LS标准对参考波段和预测残差进行无损压缩.对AVIRIS型和OMIS-I型高光谱图像的实验结果表明,该算法可显著降低压缩后的平均比特率.     

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。     

基于压缩感知的高光谱遥感影像重构方法研究

高光谱遥感影像包含丰富的空间、辐射以及光谱信息,同时海量的数据也引发了高光谱成像技术在传输和存储方面的诸多问题。针对这一问题,根据高光谱遥感影像谱间相关性强的特性,提出了一种结合谱间多向预测的基于压缩感知的高光谱遥感影像重构方法。首先,根据高光谱遥感影像的谱间相关性对高光谱遥感影像的波段进行分组,每组确定一个参考波段,使用平滑l_0范数算法重构每组的参考波段。其次,根据重构恢复的相邻组内的参考波段,建立了一个非参考波段预测模型,用来计算非参考波段的预测测量值;然后,计算实际测量值与预测测量值的差值,使用SL0算法重构该差值得到差值向量;最后,利用得到的差值向量迭代更新预测测量值,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。     

基于自适应波段聚类主成分分析和反向传播神经网络的高光谱图像压缩

高光谱遥感图像具有丰富的光谱信息,数据量大。为了能够有效地利用高光谱图像数据,促进高光谱遥感技术的发展,该文提出一种基于自适应波段聚类主成分分析(PCA)与反向传播(BP)神经网络相结合的高光谱图像压缩算法。算法利用近邻传播(AP)聚类算法对波段进行自适应聚类,对聚类后的各个分组分别进行PCA运算,最后利用BP神经网络对所有主成分进行编码压缩。该文的创新点在于BP神经网络压缩图像时,在训练步骤过程中,误差反向传播是用原图与输出作差值,再反向调整各层的权值、阈值。对高光谱图像进行波段聚类,不仅能够有效地利用谱间相关性,提高压缩性能,还可以降低PCA的运算量。实验结果表明,该文算法与其它现有算法比较,在相同压缩比下,其光谱角更小,信噪比更高。     

基于压缩感知的电容层析成像图像重建算法

为提高电容层析成像（ECT）系统采样速率及重建图像质量,本文提出一种基于压缩感知理论的ECT图像重建算法.首先,应用离散Fourier变换基将原始图像灰度信号进行稀疏化处理;接着,从16电极ECT系统中随机选取14个电极按随机顺序进行激励,并按随机顺序测量不同电极之间电容值,得到测量电容信号并建立相应的观测矩阵;最后,采用L1范数正则化模型和原对偶内点法实现图像重建.仿真实验结果表明,基于压缩感知理论算法重建的图像其质量优于Landweber迭代算法,在节省采样时间的同时可实现较高精度的图像重建,为ECT图像重建的研究提供了一种新的手段.     

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

为充分利用高光谱图像的空间相关性和谱间相关性,该文提出一种基于空谱联合的多假设预测压缩感知重构算法。将高光谱图像分组为参考波段图像和非参考波段图像,参考波段图像利用光滑Landweber投影算法重构,对于非参考波段图像,引入空谱联合的多假设预测模型,提高重构精度。非参考波段图像中每个图像块的预测值不仅来自非参考波段图像未经预测的初始重构值的相邻图像块,而且来自参考波段重构图像相应位置及其邻近的图像块,利用预测值得到测量域中的残差,然后对残差进行重构并对预测值进行修正,此残差比原图像更稀疏,且算法采用迭代方式提高重构图像的精度。借助Tikhonov正则化方法求解多假设预测的权重系数,并基于结构相似性判断是否改变多假设预测搜索窗口大小,最后利用交叉验证计算重构算法终止迭代的判据参数。实验结果表明,所提算法优于仅利用空间相关性或谱间相关性进行预测和不预测的重构算法,其重构图像的峰值信噪比提高2 dB以上。     

基于信息论准则的高光谱波段选择方法

与传统多光谱遥感图像相比,高光谱图像是在一定波段范围内窄波段成像的,提供了丰富的光谱信息,拓展了遥感技术的应用范围,但同时存在数据含量大、波段间相关性高等问题,在进行处理时需要对高光谱图像进行降维。通过分析现有高光谱波段选择方法 ,本文提出了一种基于信息论准则的高光谱波段选择方法 ,结合波段信息熵与波段间的相关性,采用粒子群优化算法(PSO)进行波段优选,克服了采用单一使用信息量为适应度的片面性。最后使用AVIRIS图像对提出的算法进行试验,并利用支持向量机分类方法进行分类验证,总体分类精度达到91.0%。     

基于聚类的高光谱图像无损压缩

高光谱海量数据的有效压缩成为遥感技术发展中需要迫切解决的问题。该文提出了一种基于聚类的高光谱图像无损压缩算法。针对高光谱图像不同频谱波段间相关性不同的特点,根据相邻波段相关性大小进行波段分组。由于高光谱图像波段数量较多,采用自适应波段选择算法对高光谱图像进行降维,以获取信息量较大的部分波段,利用k均值算法对降维后的波段谱矢量进行聚类。采用多波段预测的方案对各组中的波段进行预测,对于各个分类中的每个像素,分别选取与其空间相邻的已编码的部分同类点进行训练,从而获得当前像素的谱间最优预测系数。对AVIRIS型高光谱图像的实验结果表明,该算法可显著降低压缩后的平均比特率。     

Joint sparse model based data reconstruction algorithm for wireless sensor network

The data of wireless sensor network has strong joint sparse characteristics,by utilizing compressed sensing theory,compressed data by joint encoding,and then reconstructed the data by joint decoding,the sensed data can be gathered with low computational cost.A synchronous subspace pursuit algorithm based on joint sparse model and com-pressed sensing theory was proposed.By utilizing the sparsity of the sensed data,it selected the correct joint subspace and reconstruct the original signal group accurately with fewer observations in a backtracking iterative manner.Com-pared with SCoSaMP algorithm and SP algorithm,the proposed algorithm presents better data reconstruction perform-ance under the conditions of different sparsity and sampling rate.     

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。