联合低秩与稀疏先验的高光谱图像压缩感知重建

本文建立了一种新的高光谱图像压缩感知重建模型,编码端采用块对角的Noiselet测量矩阵对每一谱带进行独立采样,解码端首先建立高光谱图像低秩稀疏表示模型,分解为低秩与稀疏成分,并对低秩成分在空间维进行稀疏分解,进而构建联合谱间低秩性先验与谱内空间稀疏性先验的凸优化重建模型,并提出模型求解的增广拉格朗日乘子迭代算法,通过引入辅助变量与线性化技巧,使得每一子问题均存在解析解,降低了模型求解的复杂度。实验结果验证了本文模型及其算法的有效性。     

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。     

基于压缩感知的多光谱图像去马赛克算法

针对目前多光谱图像去马赛克算法存在计算量大、效率低的缺点,本文提出一种基于压缩感知的多光谱图像去马赛克算法。首先,分析去马赛克与压缩感知问题的等价性,建立基于压缩感知的去马赛克模型;然后,采用离散余弦变换构建压缩感知的稀疏基,将去马赛克问题转化为压缩感知的信号重构问题;最后,采用改进的光滑0范数和修正牛顿法的重构算法求解去马赛克问题,得到重构的多光谱图像。仿真实验表明,相对于基于克罗内克压缩感知和组稀疏两种算法,本文算法提高了重构的多光谱图像的峰值信噪比,能有效减少对比算法重构多光谱图像中出现的锯齿现象,改善了重构图像具有更好的视觉效果。实验结果验证了本文算法的有效性。     

基于光滑0范数压缩感知的多光谱图像去马赛克算法

提出了一种基于压缩感知(CS)的多光谱滤波阵列(MSFA)的多光谱图像去马赛克算法(DMA)。 首先,通过将MSFA采样得 到马赛克图像的过程等效为CS理论中的感知矩阵采样的过程,并充分利用多光谱图 像的空间和谱间 相关性,通过在三维空间傅里叶基上对多光谱图像进行稀疏表示;然后由随机MSFA模式和CS 理论构造的测量矩阵对多光谱图像进行观测投影,最后采用CS重构算法求解0范 数下的最优化问 题,从而得到多光谱图像的稀疏表示系数。给出对算法性能的评估数据和Matlab仿真 图片。实验结果证明,本文算法的峰值信噪比(PSNR)值高于克罗内克CS(KCS)和组稀疏(GS)两种算法,且有效地减少了上述两种算法中出现的模糊现 象,改善了图像的视觉效果。     

基于多波段谱间预测的高光谱图像无损压缩算法

该文提出一种基于多波段谱间预测的高光谱图像无损压缩方案。首先,充分考虑到随着高光谱图像谱间分辨率的提高,其谱间相关性也越来越强烈,推导出由多个波段对当前波段做线性预测的预测器系数,然后给出快速计算求解预测器系数的算法。对AVIRIS图像进行压缩,实验结果表明,该算法压缩比高,运算速度快,具有极高的实用价值。     

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。     

基于稀疏度自适应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)系统重建图像的质量,该文提出一种基于改进稀疏度自适应的压缩感知电容层析成像算法。利用压缩感知与电容层析成像算法的契合点,以随机改造后的电容层析成像灵敏度矩阵为观测矩阵,离散余弦基为稀疏基,测量电容值为观测值,建立模型。利用线性反投影算法(LBP算法)所得图像预估原始图像稀疏度,以预估稀疏度值作为索引原子初始值进行稀疏度自适应迭代。改进后的稀疏度自适应匹配追踪重构算法实现ECT图像重建,解决了稀疏度预估不准确导致重建图像精度差的问题。仿真实验结果表明,该算法可以有效重建ECT图像,其成像质量优于LBP算法、Landweber算法、Tikhonov算法等传统算法,是研究电容层析成像图像重建的一种新的方法和手段。     

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。     

基于自适应次梯度投影算法的压缩感知信号重构

本文提出一种利用自适应次梯度投影算法（Adaptive Subgridient Projection Method,ASPM）进行压缩感知（Compressed Sensing,CS）信号重构的方案。APSM算法首先根据CS重构模型建立包含稀疏重构信号并具有随机属性的凸集,然后运用并行次梯度投影的思想将对该凸集的投影转化为对多个闭合半平面的投影,最后将更新后的干扰抑制滤波器系数矢量投影到限定集合上。同时为了获得快速收敛性,本文设计了在迭代的不同阶段自适应地调节该膨胀系数的机制。理论分析和仿真结果表明,本算法具有快速收敛性和较低的重构误差,在不同的噪声强度下具有较高的鲁棒性。      

复合正则化联合稀疏贝叶斯学习的高光谱稀疏解混算法

将稀疏贝叶斯学习引入线性混合像元分解中,提出一种基于复合正则化联合稀疏贝叶斯学习的高光谱稀疏解混算法.在多观测向量的稀疏贝叶斯框架下,对各参数建立概率模型,经贝叶斯推断得到基于L2,1正则化的联合稀疏贝叶斯解混模型,并将丰度向量的非负与和为一约束加入到凸优化的目标函数中,通过变量分离法将复合正则化问题分解成多个单一正则化问题交替迭代求解,并利用参数自适应算法对正则化参数进行更新.模拟数据和真实数据的实验结果表明,该算法比贪婪算法和凸优化算法能获得更高的解混精度,并且适用于端元个数较多和信噪比较低的高光谱数据.     

基于谱间预测和联合优化的高光谱压缩感知图像重构

基于高光谱图像压缩采样数据特性的分析,提出一种基于谱间预测和联合优化的压缩感知图像重构算法.首先在谱间通过线性预测去除高光谱图像观测向量的强谱间相关性,得到熵值更小的预测残差向量;然后在凸集交替投影(Projections Onto Convex Sets,POCS)的基础上提出基于最陡下降法的联合优化算法对预测残差向...     

基于平滑l_0范数的压缩感知近场声全息方法

传统平面近场声全息(CPNAH)是一类典型的不适定问题,采用波数域滤波或Tikhonov正则化等方法都无法彻底解决,因此,提出一种基于平滑l_0范数的压缩感知平面近场声全息法(SL0-CS-PNAH)。根据全息面上测量声压的特点,采用symlets8小波函数构建正交小波变换矩阵,将其作为重建面质点法向振速的稀疏基。将CPNAH中使用的瑞利(Rayleigh)第一积分公式离散化,确定SL0-CS-PNAH中满足约束等距原则的测量矩阵,设置合适的压缩比,利用测量矩阵对稀疏信号进行压缩采样。在由感知矩阵、全息面测量声压和稀疏向量共同构成的约束条件下,建立稀疏向量的最小l_0范数优化模型,采用平滑l_0范数重建算法求解此模型下的最优化问题,得到质点法向振速的最优稀疏解,再将最优稀疏解和稀疏基相乘恢复重建面质点法向振速。在数值仿真实验中,将测量点由64×64减少到32×64的情况下将传统CPNAH、基于正交匹配追踪算法的压缩感知近场声全息(OMPCS-PNAH)、基于子空间追踪算法的压缩感知近场声全息(SP-CS-PNAH)和SL0-CS-PNAH进行比较。实验结果表明,在相同采样率和压缩比条件下,采用SL0-CS-PNAH的声场重建质量较好且重建效率较高。     

基于高阶非线性模型的多目标高光谱图像解混算法

在高阶非线性混合模型的基础上,提出一种多目标高光谱图像解混算法,解决传统方法受高光谱数据异常值影响而解混精度不高的问题。该算法以重构误差与光谱角分布为目标函数建立优化模型,并同时优化两目标函数以减少数据异常值对模型求解的影响,使解混结果在两个评价指标上得到提升;最后采用差分搜索算法求解多目标优化模型,解决梯度类优化方法易陷入局部极值的问题,从而进一步提升解混精度。实验结果表明,文中算法与传统高光谱解混算法相比,具有更精确的端元丰度估计结果和更高的解混精度。     

基于微分搜索的高光谱图像非线性解混算法

针对线性混合模型在实际高光谱图像解混过程中的局限性,提出一种新的基于微分搜索的非线性高光谱图像解混算法.在广义双线性模型的基础上采用重构误差作为解混的目标函数,将非线性解混问题转化为最优化问题.将目标函数中的待求参数映射为微分搜索过程中的位置变量,利用微分搜索算法对目标函数进行优化求解.在求解过程中,通过执行搜索范围控制等机制满足高光谱图像解混的约束要求,进而求得丰度系数和非线性参数,实现非线性高光谱图像解混.仿真数据和真实遥感数据实验结果表明,所提出的非线性解混算法可以有效克服线性模型下解混算法的局限性,避免了由于使用梯度类优化方法而易陷入局部收敛的问题,较之其它高光谱图像解混算法具有更好的解混精度.     

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。     

基于字典优化的联合稀疏表示高光谱图像分类

针对训练样本量少导致高光谱图像分类精度低的问题,本文提出了一种基于字典优化的联合稀疏表示高光谱图像分类方法。首先,采取基于层次聚类的波段选择方法降低高光谱图像数据维度;其次,结合空间信息将高光谱数据划分为多个子集,利用已知标签信息的训练样本标记各个子集中可能成为训练样本的像元,组成训练样本备选集,根据光谱相似度准则筛选备选集得到优化字典;最后,将优化字典用于联合稀疏表示对高光谱图像进行分类。通过Indian Pines数据集和Pavia University数据集仿真实验表明,本文提出的分类算法能够有效提高高光谱图像分类精度。      

Regularized MSBL algorithm with spatial correlation for sparse hyperspectral unmixing

Sparse unmixing is a promising approach that is formulated as a linear regression problem by assuming that observed signatures can be expressed as a linear combination of a few endmembers in the spectral library. Under this formulation, a novel regularized multiple sparse Bayesian learning model, which is constructed via Bayesian inference with the conditional posterior distributions of model parameters under a hierarchical Bayesian model, is proposed to solve the sparse unmixing problem. Then, the total variation regularization and the non-negativity constraint are incorporated into the model, thus exploiting the spatial information and the physical property in hyperspectral images. The optimal problem of the model is decomposed into several simpler iterative optimization problems that are solved via the alternating direction method of multipliers, and the model parameters are updated adaptively from the algorithm. Experimental results on both synthetic and real hyperspectral data demonstrate that the proposed method outperforms the other algorithms.     

基于多维测量信息的压缩感知多目标无源被动定位算法

无源被动定位是入侵者检测、环境监测以及智能交通等应用的关键问题之一。现有的无源被动定位方法可通过信道状态信息获取多个维度上的测量信息,但是现有方案未能充分挖掘多个信道上的频率分集以提高定位性能。该文提出一种基于多维测量信息的压缩感知多目标无源被动定位算法,在压缩感知框架下利用多维测量信息的频率分集提高定位精度和鲁棒性。根据鞍面模型建立无源字典,将多目标无源被动定位问题建模成多测量向量联合稀疏恢复问题,并利用多维稀疏贝叶斯学习算法估计目标位置向量。仿真结果表明,该算法能有效利用多维测量信息提高定位性能。