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。     

基于压缩感知理论的图像重构技术

通过CS理论在工程应用上典型的正交匹配追踪算法,实现了一维信号和二维图像的精确重构,针对该方法中出现对整幅图像进行采样计算时需要大量的观测矩阵存储空间,并且重构过程中耗费了大量的时间等问题,提出了一种基于OMP算法的改进方案,将图像进行分块压缩感知。通过实验分析,以上问题得到了解决,重构图像的质量在没有增加计算复杂度的前提下也得到了提高。     

基于压缩感知的OMP图像重构算法改进

阐述了压缩感知相关理论以及信号的重构算法,围绕其中的匹配追踪系列算法展开研究,同时在正交匹配追踪算法(OMP算法)的基础上引入了几种改进算法,并结合OMP算法本身耗时长、速度慢的问题,给出了一种OMP的改进方案,该方案将图像进行分块再处理,从而大幅降低了OMP算法迭代的矩阵规模。在相同条件下该算法的主客观重建效果均优于原来的算法。     

压缩感知在口腔医学图像重构中的应用

医疗影像广泛应用于口腔医学中。目前,为了得到高分辨率的扫描图像,口腔临床上大多基于奈奎斯特-香农采样定理,要求医学影像设备的采样频率达到信号频谱中最高频谱2倍以上,才能完全恢复图像。为了提高口腔医学图像的使用价值,减少资源浪费,提出将压缩感知理论运用到口腔医学图像重构中,旨在从原始图像中获得少量感知数据进行重构,得到清晰度高的口腔医学图像。     

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。     

基于空谱联合和波段分类的高光谱压缩感知重构

卫星在获取地面信息时会受到大气、电磁波的干扰,导致高光谱影像本身产生坏线和噪声。针对这一问题,本文结合高光谱遥感影像的特性提出了一种基于空谱联合和波段分类的影像重构方法。首先,根据噪声影响程度将影像波段分为坏线强干扰波段和非干扰低噪声波段;其次,对波段进行分组,确定每组参考波段,并对参考波段进行独立重构;然后,根据参考波段构建双模式空谱联合预测模型,利用正则化交叉投影得到非参考波段重构影像;最后,对坏线强干扰波段,先进行独立重构,然后对重构影像进行小波分解,通过高频校正得到了干扰波段最终重构影像。实验表明,本文方法对重构高光谱影像的平均信噪比较传统方法提高了1~2dB。     

一种新的基于压缩感知理论的稀疏信号重构算法

针对基于l1范数优化的稀疏信号重构算法需要的观测样本数较多,本文以lp范数最小化为目标,结合传统的罚函数(PF)优化思想,给出了基于PF的lp范数迭代重构算法,需要的观测样本数大大低于基于l1范数的优化计算需求,并通过数值实验表明该算法对稀疏信号具有较优的重构效果.     

基于压缩感知的信道反馈重构

在大规模多输入多输出(Multiple-Input Multiple-Output,MIMO)系统中,基于压缩感知技术(Compressed Sensing,CS)开发高效的信道状态信息(Channel State Information,CSI) 反馈方案是现在研究的热点。针对现有的基于CS的信道反馈重构算法——正交匹配追踪(Orthogonal Matching Pursuit,OMP)算法存在重构时间长、数据量大可能会无法适用的不足,提出了一种改进的OMP算法,即广义正交匹配追踪(Generalized OMP,GOMP)算法对CSI进行高效重构。仿真结果表明,GOMP算法在重构精确度上高于OMP算法,特别是在较低的压缩比下优势更为突出;而且由于迭代次数减少,需要的重构时间也显著减少。     

基于压缩感知的超分辨率图像重建

针对传统的超分辨率(SR)图像重建方法需要多幅亚 像素图像配准带来的配准误差以及高成本问题,本文将目前迅速发展的压缩感知(CS)理论 引入SR成像,利用大多数自然图像普遍具有的稀疏性,提出一种基于CS的单幅图像SR重建方 法, 不需要其它任何额外的信息采集,可以在单次拍摄条件下捕获的充分数据实现图像 的SR重建。模拟实验表明,本文提出的方法在重建效果和重建时间方面显著优于耦合字典学 习(CDT)方法,在主观视觉质量及其客观信噪比(SNR)度量 方面都具有优势,且实现方法较为简单,具有重要的应用前景。     

基于压缩感知的偏振光成像技术研究

偏振成像技术是一种基于目标自身辐射或反射信号中所包含的偏振信息获取物体图像的方法,尤其在人工目标的探测和表面识别方面,相对光强度探测方式具有独特的优势。针对传统的偏振成像技术在复杂的成像环境中成像距离短和成像质量差的缺点,提出了一种基于压缩感知的新型偏振光成像技术。阐述了压缩感知理论的基本原理,构造了合适的采样矩阵和重构算法,设计了具体的成像系统,并通过压缩感知偏振成像实验证明了该成像技术的可行性。空气中实验结果表明,该成像系统能够重构出预先放置目标靶的偏振图像。此外在现有的实验条件基础上讨论并提出了几种改进系统成像质量的措施。     

基于压缩感知的图像处理与重构方法

针对图像修复和插值等图像处理问题进行研究,通过将图像修复和插值模型在压缩感知(CS)理论的框架下进行转换,建立了新的图像修复和插值模型,该模型与CS理论中的重构模型相对应。对此转化得到的重构问题,基于图像在复数小波变换上的稀疏性,利用迭代硬阈值方法求解重构模型,进而获得重构图像。仿真和实测数据处理结果验证本文方法的有效性。     

基于残差重构的分布式视频压缩感知

为了改进分布式视频压缩感知方案的性能,提出了一种基于残差重构的分布式视频压缩感知方案。该方案在编码端逐帧独立进行测量,在解码端依靠视频信号的时域相关性提升重构信号质量。首先,对关键帧独立进行重构;其次,利用已重构关键帧做运动估计/运动补偿以生成非关键帧的边信息;接下来,对边信息采用与编码端相同的测量矩阵进行测量并计算测量残差值;最后,采用全变分最小化重构残差信号值并将其与边信息相加生成最终的重构图像。实验结果表明,在相同采样率下,与已有的分布式视频压缩感知方案相比,提出的方案可获得2.8 dB以上的峰值信噪比增益。