高光譜圖像結(jié)構(gòu)稀疏編碼與重建.pdf

1、由于高光譜圖像是三維立方體，相比于自然圖像不僅具有二維平面信息，還具有光譜維信息。同時高光譜圖像同以前的多光譜圖像相比，具有更多的譜段數(shù)和更高的譜間分辨率，這使得高光譜圖像在地質(zhì)勘探、資源探查、水質(zhì)評估、環(huán)境檢測等領(lǐng)域都有著廣泛的應(yīng)用。但是成像系統(tǒng)的硬件設(shè)備性能由于技術(shù)水平和造價成本的限制，無法直接通過成像得到高質(zhì)量的高光譜圖像，這極大的限制了高光譜圖像的應(yīng)用。所以為了得到高質(zhì)量的高光譜圖像，近年來學(xué)者們針對如何從低質(zhì)量高光譜圖像恢復(fù)高

2、質(zhì)量高光譜圖像的問題，提出了許多種不同的恢復(fù)算法。但是現(xiàn)有的算法仍主要采用自然圖像上的全變差、非局部相似性等信息，沒有有效的利用高光譜圖像的光譜特征，使恢復(fù)效果無法得到進(jìn)一步提高。而最近幾年，隨著張量概念在圖像處理領(lǐng)域的推廣，學(xué)者們開始用張量的概念刻畫高光譜圖像所表示的三維立方體，將自然圖像的矩陣表示轉(zhuǎn)化為了高光譜圖像的張量表示，使高光譜圖像的刻畫更為準(zhǔn)確，也為我們指引了研究方向。
　　基于這些問題，本文充分挖掘高光譜圖像的光譜特

3、征，圍繞高光譜圖像這個三維立方體可以用張量進(jìn)行表示作為切入點，針對高光譜圖像恢復(fù)的兩個問題提出了兩種高光譜圖像恢復(fù)算法。本文所取得的主要研究成果如下：
　　通過對高光譜圖像光譜維信息的充分挖掘，利用高光譜圖像的聚類稀疏性的先驗信息構(gòu)造了一個結(jié)構(gòu)稀疏約束項，并將其與非負(fù)矩陣分解技術(shù)相結(jié)合，提出了基于聚類的非負(fù)結(jié)構(gòu)稀疏表示模型，然后用該模型刻畫高光譜圖像超分辨問題，再用交替迭代優(yōu)化法求解該問題，重建得到高分辨率的高光譜圖像。通過在模擬

4、高光譜圖像庫和真實高光譜圖像上進(jìn)行的實驗，證明了我們的算法相比于其它算法具有更好的處理效果。
　　基于塊的低秩逼近模型被證明在自然圖像的恢復(fù)上是有效的，然而針對高光譜圖像，二維的低秩逼近模型不能充分利用空間相關(guān)性，所以我們提出了基于加權(quán)一范數(shù)的低秩張量逼近模型。我們首先將相似的3維圖像塊重組為三階張量，然后利用高階奇異值分解對該三階張量進(jìn)行分解，然后對分解出來的張量系數(shù)用加權(quán)一范數(shù)進(jìn)行低秩約束，最后得到了基于加權(quán)一范數(shù)的低秩張量逼