基于壓縮感知理論的高光譜圖像重建和超分辨成像技術(shù)研究.pdf

1、光譜圖像由于可以同時(shí)提供被觀測(cè)目標(biāo)的空間信息和光譜信息,研究人員可定性定量地對(duì)被觀測(cè)目標(biāo)進(jìn)行物理分析和識(shí)別,從而在對(duì)地觀測(cè)等領(lǐng)域得到廣泛應(yīng)用。隨著人們對(duì)信息量需求的急劇增加,光譜圖像的分辨率也變得越來越高。然而,分辨率的提高不僅會(huì)造成系統(tǒng)的成本和實(shí)現(xiàn)難度非線性增加,高分辨率帶來的海量數(shù)據(jù)也給后續(xù)的處理、存儲(chǔ)和傳輸造成巨大的壓力。這對(duì)于光譜圖像的進(jìn)一步發(fā)展和推廣應(yīng)用提出了挑戰(zhàn)。
　　壓縮感知理論(Compressive Sensin

2、g,CS)是一種新穎的采樣理論,具有在信號(hào)采樣率非常低的情況下精確重構(gòu)信號(hào)的特點(diǎn),降低了對(duì)傳感器的要求,有效避免了盲目追求高分辨率的探測(cè)器帶來的高成本問題。而CS重建算法作為CS理論的核心內(nèi)容之一,直接關(guān)系著該理論在具體實(shí)際應(yīng)用中的成敗,因此自CS理論提出以來,它就一直是研究的熱點(diǎn)。本文正是在這一背景下,以高光譜圖像的CS重建算法為研究對(duì)象,對(duì)其做了深入的研究,致力于尋求高效、魯棒的CS重建算法以提高大尺度圖像的重建性能,并對(duì)CS理論的

3、成像實(shí)現(xiàn)方案進(jìn)行了研究。論文的主要工作及取得的研究成果如下:
　　1.針對(duì)圖像CS重建算法復(fù)雜度高的問題,提出了一種基于邊信息輔助的高光譜壓縮感知圖像重建算法。根據(jù)高光譜圖像的統(tǒng)計(jì)相關(guān)特性,利用基于均方差最小的線性預(yù)測(cè)算法從已重構(gòu)的相鄰波段中估計(jì)出當(dāng)前波段的最優(yōu)預(yù)測(cè)波段,對(duì)預(yù)測(cè)波段與當(dāng)前波段的拉普拉斯模型參數(shù)進(jìn)行研究,根據(jù)該參數(shù)在算法迭代過程中的變化特點(diǎn),提出以預(yù)測(cè)波段作為重建當(dāng)前波段的邊信息,用來修正梯度投影稀疏重構(gòu)算法(Gra

4、dient Projection for Sparse Reconstruction,GPSR)的初始條件和收斂準(zhǔn)則。實(shí)驗(yàn)結(jié)果表明提出的算法能夠以較快的重構(gòu)速度獲得較高的重構(gòu)精度。
　　2.針對(duì)高光譜壓縮采樣數(shù)據(jù)特性,提出了一種基于譜間預(yù)測(cè)和聯(lián)合優(yōu)化的高光譜壓縮感知圖像重建算法。首先對(duì)高光譜壓縮采樣數(shù)據(jù)進(jìn)行研究,從理論上證明其與高光譜圖像具有一致的譜間相關(guān)性;然后通過線性預(yù)測(cè)去除譜間高光譜圖像觀測(cè)向量的冗余信息,降低預(yù)測(cè)殘差向量的

5、熵;最后在凸集交替投影(Projections Onto Convex Sets,POCS)的基礎(chǔ)上提出基于最陡下降法的聯(lián)合優(yōu)化算法對(duì)預(yù)測(cè)殘差向量進(jìn)行重構(gòu),提高重構(gòu)質(zhì)量;同時(shí)采用像素點(diǎn)為指導(dǎo)的收斂準(zhǔn)則提高算法的收斂速度。實(shí)驗(yàn)結(jié)果表明,在相同觀測(cè)值數(shù)目下,該算法的重構(gòu)性能明顯優(yōu)于其它已有重構(gòu)算法,并且具有較低的計(jì)算復(fù)雜度。
　　3.針對(duì)高光譜圖像多波段特性,提出了一種快速重構(gòu)高光譜圖像的正交匹配追蹤算法(Orthogonal Mat

6、ching Pursuit,OMP)。鑒于高光譜圖像的譜間結(jié)構(gòu)相似性,波段圖像稀疏解具有一致的非0元素位置索引,提出了基于聯(lián)合稀疏模型的CS重構(gòu)算法。首先利用提出的基于高光譜壓縮采樣數(shù)據(jù)的自適應(yīng)波段分組算法對(duì)壓縮采樣數(shù)據(jù)進(jìn)行分組,在最小二乘準(zhǔn)則下確定出每個(gè)分組的最佳參考波段,對(duì)其采用OMP算法進(jìn)行重構(gòu),并記錄稀疏解的非0元素位置索引;根據(jù)所記錄的非0元素位置索引,構(gòu)建最小二乘法對(duì)每個(gè)分組中的其余非參考波段進(jìn)行線性重構(gòu)。實(shí)驗(yàn)結(jié)果表明,提出

7、的算法能夠很好權(quán)衡重構(gòu)質(zhì)量和重構(gòu)速度。
　　4.提出了一種基于數(shù)字微鏡陣列(Digital Micromirror Device,DMD)分區(qū)控制和超分辨重建的壓縮感知成像方法。針對(duì)壓縮感知成像(Compressive Imaging,CI)技術(shù)存在成像時(shí)間長和算法復(fù)雜度高的問題,采樣端通過構(gòu)建新的測(cè)量矩陣實(shí)現(xiàn)DMD分區(qū)控制,增強(qiáng)信息獲取的準(zhǔn)確性,測(cè)量得到一組與新DMD對(duì)應(yīng)的壓縮采樣值;重構(gòu)端由采樣值優(yōu)化重構(gòu)出低分辨率圖像后,根據(jù)