论文部分内容阅读
光谱图像由于可以同时提供被观测目标的空间信息和光谱信息，研究人员可定性定量地对被观测目标进行物理分析和识别，从而在对地观测等领域得到广泛应用。随着人们对信息量需求的急剧增加，光谱图像的分辨率也变得越来越高。然而，分辨率的提高不仅会造成系统的成本和实现难度非线性增加，高分辨率带来的海量数据也给后续的处理、存储和传输造成巨大的压力。这对于光谱图像的进一步发展和推广应用提出了挑战。压缩感知理论（Compressive Sensing, CS）是一种新颖的采样理论，具有在信号采样率非常低的情况下精确重构信号的特点，降低了对传感器的要求，有效避免了盲目追求高分辨率的探测器带来的高成本问题。而CS重建算法作为CS理论的核心内容之一，直接关系着该理论在具体实际应用中的成败，因此自CS理论提出以来，它就一直是研究的热点。本文正是在这一背景下，以高光谱图像的CS重建算法为研究对象，对其做了深入的研究，致力于寻求高效、鲁棒的CS重建算法以提高大尺度图像的重建性能，并对CS理论的成像实现方案进行了研究。论文的主要工作及取得的研究成果如下：1.针对图像CS重建算法复杂度高的问题，提出了一种基于边信息辅助的高光谱压缩感知图像重建算法。根据高光谱图像的统计相关特性，利用基于均方差最小的线性预测算法从已重构的相邻波段中估计出当前波段的最优预测波段，对预测波段与当前波段的拉普拉斯模型参数进行研究，根据该参数在算法迭代过程中的变化特点，提出以预测波段作为重建当前波段的边信息，用来修正梯度投影稀疏重构算法(Gradient Projection for Sparse Reconstruction, GPSR)的初始条件和收敛准则。实验结果表明提出的算法能够以较快的重构速度获得较高的重构精度。2.针对高光谱压缩采样数据特性，提出了一种基于谱间预测和联合优化的高光谱压缩感知图像重建算法。首先对高光谱压缩采样数据进行研究，从理论上证明其与高光谱图像具有一致的谱间相关性；然后通过线性预测去除谱间高光谱图像观测向量的冗余信息，降低预测残差向量的熵；最后在凸集交替投影(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量进行重构，提高重构质量；同时采用像素点为指导的收敛准则提高算法的收敛速度。实验结果表明，在相同观测值数目下，该算法的重构性能明显优于其它已有重构算法，并且具有较低的计算复杂度。3.针对高光谱图像多波段特性，提出了一种快速重构高光谱图像的正交匹配追踪算法(Orthogonal Matching Pursuit, OMP)。鉴于高光谱图像的谱间结构相似性，波段图像稀疏解具有一致的非0元素位置索引，提出了基于联合稀疏模型的CS重构算法。首先利用提出的基于高光谱压缩采样数据的自适应波段分组算法对压缩采样数据进行分组，在最小二乘准则下确定出每个分组的最佳参考波段，对其采用OMP算法进行重构，并记录稀疏解的非0元素位置索引；根据所记录的非0元素位置索引，构建最小二乘法对每个分组中的其余非参考波段进行线性重构。实验结果表明，提出的算法能够很好权衡重构质量和重构速度。4.提出了一种基于数字微镜阵列(Digital Micromirror Device, DMD)分区控制和超分辨重建的压缩感知成像方法。针对压缩感知成像(CompressiveImaging, CI)技术存在成像时间长和算法复杂度高的问题，采样端通过构建新的测量矩阵实现DMD分区控制，增强信息获取的准确性，测量得到一组与新DMD对应的压缩采样值；重构端由采样值优化重构出低分辨率图像后，根据DMD分区控制过程建立CS框架下的超分辨重建模型，利用梯度稀疏约束优化算法进行求解，恢复出原高分辨率图像。实验结果表明，DMD分区控制与超分辨重建相结合的方法可以明显降低压缩感知成像系统的计算量，缩短成像时间，并且具有较高的图像重构质量。