推扫式高光谱谱间压缩感知成像与重构

提出一种推扫式谱间压缩采样的高光谱成像系统,用于实现高光谱图像的压缩感知成像,并对该系统成像的重构算法进行了研究。在图像采集阶段,采用棱镜对地面成像行的像素进行谱带分离,然后利用数字微镜器件实现谱带的线性编码,通过柱面透镜完成编码谱带的叠加。压缩采样数据重构时,不像传统的压缩感知重构方法那样直接重构高光谱数据,而是利用线性光谱库混合模型将重构高光谱数据转换成重构丰度系数矩阵,采用交替方向乘子法求解丰度的优化问题,再根据重构的丰度和高光谱库恢复原数据。与标准压缩感知重构算法的对比实验表明,该方法在压缩采样数据为总数据的20%时,重构的平均峰值信噪比比标准压缩感知提高了18dB。所设计的成像系统采样方式简单,可应用于星载或机载的高光谱压缩感知成像。     

基于分布式压缩感知重构算法的应用

针对无线传感器网络通信功耗大、导致节点寿命短的问题,引入压缩感知算法进行数据压缩,减小传输数据量、降低通信能耗。通过对无线传感器网络的分布式信号进行分析,提出了针对分布式压缩感知联合稀疏模型1的正交匹配追踪法的改进算法,减少重构算法计算量,使其适用于无线传感器网络。文中把改进算法用于处理温室大棚中所检测的温度信息,并进行性能分析。实验结果验证了理论分析结论,在保证复原信号精确度的前提下减少了计算量。     

基于压缩感知归一化关联成像实现目标重构

在归一化关联成像的基础上,结合压缩感知理论,提出了基于压缩感知的归一化关联成像方法。该方法首先对物臂的桶探测值进行归一化处理,并由散斑场构造测量矩阵;然后采用正交匹配追踪算法,在低测量次数下优质量地还原出了物体的像。实验中采用灰度图像及二值图像作为成像目标,以峰值信噪比作为衡量标准,分别对传统关联成像,归一化关联成像及压缩感知归一化关联成像的重构效果进行了量化对比。仿真实验结果表明,对于细节较为丰富的灰度图像,压缩感知归一化关联成像的峰值信噪比较传统方法高6dB左右,比归一化关联成像方法提高了2dB左右;对于细节较少的二值图像,其峰值信噪比较归一化关联成像法高3.4~4.3dB,比传统法高5.2~6.5dB。最后,采用实际电荷耦合元件测得的散斑场构造了测量矩阵,实验结果进一步验证了基于压缩感知的归一化关联成像算法能提高重构质量。     

基于压缩感知的荧光成像技术现状及趋势研究

压缩感知成像技术是压缩感知与空间光调制技术结合的产物,其可突破Nyquist-Shannon采样定理限制,实现了亚采样成像,并且具降维探测和高通量测量等优势,具有巨大的发展潜力和应用前景.目前国际上已利用压缩感知成像技术有效地实现了光谱成像、时间分辨成像、相位成像等研究.作为近十几年来发展起来的一种前沿技术,压缩感知成...     

基于压缩感知重构算法的关联成像系统研究

通过对关联成像原理的研究,提出了一种基于随机相位板的高效赝热光制备技术和基于压缩感知的图像重构算法,并最终搭建了等臂非预置的关联成像系统.实验结果表明,赝热光制备方法和压缩感知图像重构方法能够满足高质量关联成像系统要求.     

基于多波段预测的高光谱图像分布式无损压缩

提出了一种基于分布式信源编码的高光谱图像无损压缩算法,用于星载高光谱数据的有效压缩.为充分利用高光谱图像较强的谱间相关性,引入多波段谱间线性预测方案获取当前编码块的预测值,有效降低了编码块的最大预测残差值.在此基础上,根据最大预测残差值确定编码块各像素所属陪集的索引,通过传输每个像素所属陪集的索引代替预测残差,实现高光谱图像压缩.对星载可见/红外成像光谱仪(AVIRIS)获取的高光谱图像进行实验,并与已有的典型算法进行比较,结果显示该算法能够取得较好的无损压缩效果,同时具有较低的编码复杂度,适用于星载高光谱图像的无损压缩.     

基于预测的高光谱图像并行无损压缩算法

高光谱图像压缩算法众多,本文首次将并行性理论研究应用于高光谱图像压缩领域,以经典预测算法为例进行实验研究,在同样的压缩比下并行算法的压缩效率明显提高,这种高效的并行压缩算法非常适用于卫星上数据的压缩。     

最小化预测残差的图像序列压缩感知

提出了一种最小化预测残差的图像序列压缩感知算法以实现高速相机输出图像的实时压缩.首先,在编码端仅使用映射矩阵对原始输出图像进行压缩,将压缩得到的观测向量通过信道传输到解码端.接着,在解码端对相邻帧进行运动估计和运动补偿,得到一幅待重建图像的预测图像,利用压缩感知算法对原始图像和预测图像之间存在的预测残差图像进行重建.最后,用迭代的方法优化预测残差图像的重建结果,直到连续两次的重建结果之差小于设定阈值,从而获得重建的原始图像.采用DALSA公司的CR-GEN0 H6400相机进行的实验表明,该算法可以实现1 000 frame/s图像的实时压缩,并且图像重建质量比独立地重建每张图像至少提高了2～6 dB,有效地实现了对高速相机输出图像的实时压缩与高质量重建.     

联合全局与局部特征的深度压缩感知图像重构

从极少量的测量值中有效且高概率高质量恢复出原始信号是压缩感知图像重建研究的核心问题,学者们相继提出了传统和基于深度学习的压缩感知图像重建算法,传统算法通常基于优化模型迭代求解,重建质量和重建速度都无法保证;基于深度学习的算法重建质量相对较高,但缺乏物理可解释性。受滤波流的启发,本文提出了联合全局与局部的深度压缩感知图像重建模型（G2LNet）,其以卷积层执行压缩采样以及初始重建过程,利用快速傅里叶卷积与滤波流,同时考虑了图像全局上下文信息和图像像素局部邻域信息,联合学习优化测量矩阵与滤波流,建立了完整的端到端可训练的深度图像压缩感知重建网络。经实验验证,在压缩感知图像重建领域常用的Set5,Set11,BSD68测试集上取得了良好的重建效果,在采样率为20%的情况下,G2LNet的图像重建质量相比于经典的传统算法MH与基于深度学习的算法CSNet的平均PSNR分别提高了2.29 dB,0.51 dB,有效提升了重建图像质量。     

局部保护降维与高斯混合模型的高光谱图像分类

高光谱图像具有高谱间分辨率和低空间分辨率的特点,传统的分类方法难以得到较高的分类精度。针对该问题,该文研究了两种局部保护降维法——局部保护投影(LPP)和局部保护非负矩阵分离(LPNMF)对高光谱图像降维,这两种方法能很好地保护输入空间相邻像素间的局部特征。由于高光谱图像各类间的统计分布多为复杂的多模型结构,文中采用高斯混合模型(GMM)分类器对降维后的数据进行分类。实验结果表明,将局部保护降维与高斯混合模型相结合的高光谱图像分类算法不但在小样本情况下能有效地提高分类精度,而且在背景像素混合的情况下和高斯白噪声环境中具有一定的鲁棒性。     

粒子群优化结构测量矩阵的遥感压缩成像

针对块循环测量矩阵应用于遥感压缩成像存在图像重构性能不理想的问题,本文把粒子群智能优化算法引入到块循环矩阵优化中,实现了在保持矩阵结构不变的同时对块循环矩阵的优化。首先以相关系数的Welch界为阈值约束Gram矩阵非对角元素构造目标矩阵;然后以Gram矩阵逼近目标矩阵的方式建立目标函数,将优化对象改为构造块循环矩阵的自由元向量。为提高优化效率,文中采用权重自适应更新的方式提高粒子搜索能力。开展了相关重构对比实验,结果表明,优化后的块循环测量矩阵在保持矩阵结构的同时,降低了与稀疏变换矩阵的相关性,其与稀疏变换矩阵的最大相关系数、平均相关系数和阈值平均相关系数分别降低了0.027 3、0.017 5和0.004 6,得到的结果显示优化的块循环矩阵提高了图像的重构性能。     

显微高光谱成像系统的设计

设计出一种基于棱镜 光栅 棱镜组合分光方式的显微高光谱成像实验系统.系统根据推帚式成像光谱仪的原理进行设计,采用棱镜 光栅 棱镜组合元件在后光学系统进行光谱分光,利用高精度载物台自动装置驱动样品进行推扫成像,选用PCI总线作为数据采集的微机接口.整个系统由显微镜、分光计、面阵CCD相机、载物台自动装置以及数据采集与控制模块等几部分组成.系统的光谱范围从400nm到800nm,120个波段,光谱分辨率优于5nm,空间分辨率大约1μm.该系统具有直视性、光谱分辨率高、结构紧凑、成本低等优点;不仅能够提供微小物体在可见光范围的单波段显微图像,而且能够获得图像中任一像素的光谱曲线,实现了光谱技术和显微成像技术的结合,成功的将成像光谱技术应用到显微领域,可广泛应用于临床医学、生物学、材料学、微电子学等学科领域.     

轻小型高分辨率星载高光谱成像光谱仪

在小型化成像光谱仪的研制和应用中,如何同时实现轻量化、高地面分辨率和高信噪比是目前亟待突破的技术难题.本文通过将线性渐变滤光片分光技术和数字域时间延迟积分技术相结合,并对镜头进行紧凑化处理,设计了一款工作波段为403～988 nm、平均光谱分辨率为8.9 nm、系统总质量为7 kg的轻小型星载高光谱成像光谱仪.仿真和实...     

插入Féry棱镜的小型Offner超光谱成像系统的设计

为了减小超光谱成像系统的质量和体积,校正光谱成像的谱线弯曲,提出了一种新型带有Féry曲面棱镜的Offner超光谱成像系统。在该系统中,一对Féry曲面棱镜位于Offner中继系统的两臂,光束两次通过Féry棱镜进行分光,因此当获得指定大小的色散值时该结构具有比传统结构更小的质量和体积。为了减小可见近红外(VNIR)光谱通道的非线性色散,在该结构中还引入一对消色差火石Féry棱镜。设计了应用于VNIR和短波红外(SWIR)两个光谱通道的超光谱成像系统,并给出了设计结果。结果表明,该光谱成像系统在两个光谱通道内的谱线弯曲均小于0.1个像元,色畸变均<0.045个像元,而非线性度小于0.1,可满足机载或星载超光谱成像仪的要求。     

基于压缩感知关联成像的目标检测技术

高效率的目标检测是视觉应用的重要技术,但运动目标的提取易受环境的影响。关联成像能够解决特殊环境下难以获得清晰图像和一些常规成像技术不易解决的问题。在目标检测中,利用关联成像采集图像信息并运用背景差分法在压缩域中获得目标图像的测量值,直接通过压缩感知重构出目标图像。这种方法可以解决在特殊情况下无法检测到目标的问题,同时检测到的目标图像清晰,采样次数少,信噪比也较高。     

并行压缩成像系统的压缩域小目标检测

提出一种适用于并行压缩成像系统的压缩域小目标检测算法,以便省去获得小目标位置信息时进行的图像重建环节,有效降低算法的复杂度。该方法通过并行压缩成像数学模型捕获背景以及待测图像压缩测量值,通过高斯混合模型进行压缩域背景建模,从而获得压缩域前景观测值。然后计算压缩域前景观测值与各压缩域目标位置模板的余弦相似度,根据局部阈值以及压缩域候选目标面积实现目标检测与定位。最后进行了仿真实验,分析了降采样率、测量次数、投影误差以及噪声等对目标检测效果的影响。结果表明:增大降采样率及噪声均会降低检测效果;测量次数对检测效果的贡献是有限的;测量次数为2次或3次时,可以在保证检测效果的同时有效控制运行时间。此外,噪声对检测效果影响较大,因而需要严格控制系统噪声。该方法可以在不进行任何图像重建的情况下实现目标的实时检测。     

高光谱遥感岩矿识别的研究进展

分析与综述了当前高光谱遥感岩矿识别研究的进展。论述了岩矿光谱特征的作用机理以及岩矿光谱的特征测量与分析方法。归纳和总结了目前以及未来几年可用于岩矿识别的高光谱遥感探测器件和仪器的特点。对基于光谱吸收特征、完全波形匹配和混合像元分解的3类岩矿识别方法进行了归纳与对比,重点介绍了近年来这类技术的重要成果以及研究热点。最后,从理论、数据、方法以及应用4个方面对当前高光谱遥感岩矿识别面临的主要问题和发展趋势进行了剖析。作者认为,高光谱遥感岩矿识别的整体发展趋势为定性识别向定量化分析发展,在此发展过程中,混合光谱模型的建立与解混、面向岩矿识别的新型高光谱传感器的研制、岩矿信息提取的智能化以及复杂地质环境下的岩矿识别将成为研究的主要方向。     

基于多核支持向量机的高光谱影像非线性混合像元分解

针对基于线性模型分解高光谱影像混合像元分解精度低,而非线性模型难以建立等问题,提出了利用多核支持向量机(MKSVM)的后验概率进行高光谱影像非线性混合像元分解的方法。该方法在支持向量机的基础上,以线性加权组合核函数代替单核函数,采用简单多核学习方法迭代解算权系数来实现分类。然后,通过S型函数将分类器输出值转化为概率;将两两配对概率转换为多类后验概率。最后,利用后验概率实现高光谱影像的非线性混合像元分解。采用该方法对两组推帚式超光谱成像仪(PHI)的高光谱影像进行了对比实验,结果表明:该方法的分类精度分别提高到95.62%和91.51%,均方根误差(RMSE)最小分别为11.15%和7.55%,均小于15%。实验结果显示提出的方法基本消除了混合像元对高光谱影像分类的影响,提高了分类精度。