基于光谱重建技术的壁画颜色复原与评价

为了在给定的照明和观察条件下，用相机响应信号重建物体表面光谱反射率，实现颜色的高精度复原，采用了多光谱成像技术采集物体表面的多光谱图像，使用主成分分析、 R 矩阵和正则化 R 矩阵方法进行了光谱反射率重建的理论研究，并对壁画色块颜色复原进行了实验验证，取得了壁画色块的重建光谱和颜色复原数据，同时对基于正则化 R 矩阵方法的壁画色块颜色复原结果进行了评价。结果表明，正则化 R 矩阵方法进行光谱重建的光谱精度和色度精度更高，与主成分分析和 R 矩阵方法相比，色差降低了0.0732，适应度系数提高了1.10%，均方根误差降低了0.0035，光谱匹配偏指数降低了0.0225。该方法能够满足高精度颜色再现的需要，适用于文物艺术品数字化存档、文物艺术品修复等领域。     

基于矩阵的Sagnac干涉仪光谱复原理论研究

传统的干涉光谱仪光谱复原算法是利用傅里叶变换复原光谱,该方法为了消除有限光程差造成的旁瓣对光谱复原精度的影响,进行了干涉图切趾处理,但这会降低复原光谱的光谱分辨率.为了保证光谱分辨率和提高光谱复原精度,文章提出一种光谱复原方法——基于仪器特征矩阵的Sagnac干涉光谱仪光谱复原方法.该方法旨在通过实验室定标及理论推导为每个Sagnac干涉光谱仪系统构建一个仪器特征矩阵,对仪器特征矩阵利用最小二乘法复原光谱.利用多种物质的光谱进行仿真实验,测试两种光谱复原方法的光谱复原精度,结果显示仪器矩阵方法的复原误差稳定在1％～3％,而傅里叶变换法的复原误差在3％～7％的范围内.因此,和傅里叶变换光谱复原方法相比,基于仪器特征矩阵的光谱复原方法的光谱复原精度更高.     

基于Contourlet变换和主成分分析的高光谱数据噪声消除方法

该文提出了一种适合于高光谱超维数据处理的基于Contourlet变换和主成分分析的噪声消除方法。该方法首先利用Contourlet变换实现图像的稀疏表示,再利用主成分分析对Contourlet系数进行适当地消噪处理。通过对OMIS图像的实验结果表明该方法能够同时消除高光谱多个波段图像中的噪声,从整体上改善高光谱图像质量,且性能上要优于PCA和Contourlet变换方法。     

多指标混合逐次投影高光谱图像降维算法

降维对于高光谱图像解译具有重要意义。基于二阶统计量分析的经典主成分分析方法在降维过程中会丢失小目标信号。为解决这一问题,本文中引入高阶统计量作为投影指标对主成分分析方法进行拓展,提出了一种基于不同统计量描述的混合逐次投影的高光谱图像降维算法。该方法在保持主成分分析优点的同时,有效结合了非正交向量投影的特点,可以在降维后的低维空间中保留异常信号成分。真实高光谱图像数据的实验结果证明,该方法相对于主成分分析可以提取更加完整的低维信号子空间。     

基于主成分分析与局部二值模式的高光谱图像分类北大核心CSCD

提出了两种基于主成分分析与局部二值模式的高光谱图像分类算法。利用主成分分析去除高光谱图像的谱间冗余信息,对降维后的图像利用局部二值模式进行空间纹理特征分析,采用稀疏表示分类和支持向量机分别对提取的特征进行分类。其通过将主成分分析与局部二值模式相结合对高光谱图像进行特征提取,保证了高光谱图像的谱间冗余的有效去除,同时保护了高光谱图像的空间局部邻域信息,因此,此类算法不但能充分挖掘高光谱图像的谱间-空间特征,在较大程度上提高分类精度和Kappa系数,而且在高斯噪声环境中和小样本情况下也具有良好的分类性能。     

基于多层小波变换的压缩感知图像快速复原算法研究

为了能够有效地改善低码率压缩图像的主客观质量,减少图像复原所需观测数据量,节约存储空间和计算量,提出了一种基于多层小波变换的压缩感知图像快速复原算法。该算法将压缩感知理论中的信号重构方法运用于图像复原领域,建立基于压缩感知的图像复原模型,通过少量低维投影空间的测量值并根据信号稀疏表示的先验知识对信号进行精确或高概率的复原。通过Matlab进行实验仿真,结果表明,该算法与传统的图像复原算法相比,通过相同的观测数据量可以获得更高的PSNR,复原效率也得到了提高。     

干涉成像光谱仪切趾函数对复原光谱的影响分析

随着搭载干涉成像光谱仪HJY20-1-A的我国环境与减灾遥感卫星HJ-1A即将发射,我国干涉光谱成像研究也从实验室开始走向实用化.在干涉光谱成像过程中,切趾函数处理是干涉成像光谱仪光谱复原过程中的一个重要环节,对复原光谱的精度有着极其重要的影响.根据HJY20-1-A的参数设置,文中首先模拟了24种典型地物对应于HJY20-1-A和其它最大光程差设置的干涉成像光谱仪数据,在不同切趾函数作用下的复原光谱,结果表明Hanning函数是其中最有效、最为稳定的切趾函数,同时发现切趾函数的应用虽然可以提高复原光谱的精度,但与真实光谱仍存在一定差距,尤其对应HJY20-1-A,复原光谱的精度更加有限.在以上分析基础上,提出了基于仪器线型函数标准化的光谱复原改进算法,实验结果证实了该方法可以显著提高复原光谱精度,尤其适用于最大光程差较小的空间调制型干涉成像光谱仪.最后,就HJY20-1-A复原光谱对3种典型植被指数求解,进一步证明了该方法的有效性.     

邻域谱概率协同表示的高光谱图像分类方法

为了提高高光谱遥感图像的分类精度, 通过结合像元邻域谱与概率协同表示方法, 提出了一种基于空间信息与光谱信息的分类方法。首先采用插值方法生成像元的邻域谱, 然后用概率协同表示方法将待测样本进行分类。用所提出的方法在AVIRIS Indian Pines和Salinas scene高光谱遥感数据库上进行分类实验, 并和主成分分析、支持向量机、稀疏表示分类器和协同表示分类器方法进行了比较。结果表明, 所提出的方法在AVIRIS Indian Pines数据库上识别精度比主成分分析法高约17%, 其识别精度和kappa系数都优于另外4种方法。该方法是一种较好的高光谱遥感图像分类方法。     

基于稀疏表示的多输入多输出雷达多目标定位

针对双基地多输入多输出(Multiple-Input Multiple-Output,MIMO)雷达目标定位问题,提出一种基于稀疏表示的双基地MIMO雷达多目标定位方法.利用点目标所在的二维角度空间构造冗余字典; 通过对接收信号的协方差矩阵进行特征分解,从中选取不同数目的特征向量在该冗余字典下稀疏表示,构建以特征向量为观测信号的多重测量向量(Multiple Measurement Vectors,MMV)模型,提取的特征向量在充分包含目标的角度信息的前提下,降低了直接以接收信号为观测信号的矩阵维数,形成低维稀疏线性模型; 最后,通过特征向量的稀疏重构,得到目标的角度估计.与现有算法相比,该算法对特征向量的稀疏重构降低了重构原始接受信号的计算复杂度,且在低信噪比和低快拍下仍有较好的估计性能,仿真实验验证了算法的有效性.     

基于BP神经网络和主元分析法的数码相机光谱重构算法

从数码相机的RGB信号重构物体表面的光谱反射率是光谱颜色管理研究中的重要课题之一。提出了一种基于误差反向传播前馈神经网络(BP)和主元分析法(PCA)实现色卡的表面光谱反射率重构的新算法。通过对三种色卡进行光谱重构实验研究了BP神经网络的最优结构和主元数的最佳选择,验证了算法的精度。实验结果表明,采用适当的BP神经网络和主元分析相结合的新算法能够精确重构同类色卡的表面光谱反射率。