高光谱遥感作为上世纪八十年代发展起来的一门新兴技术,借助成像光谱技术的发展,使得其能够在电磁波很宽的波长范围内,记录更多、更窄的连续光谱数据,这些丰富的数据信息,使得高光谱遥感影像在农业、林业、大气和环境监测等各个领域发挥着重要的作用。但是成像光谱仪所获数据的激增,给星载压缩系统设备对数据的存储和实时传输带来了巨大的负担,因此,对高光谱遥感影像压缩技术的研究成为遥感领域比较关注的问题。传统的压缩过程是对高光谱影像进行奈奎斯特采样,其步骤是先经过某种变换方法,然后获得较大幅值的系数,并舍去较小幅值系数,以达到采样目的。这种采样压缩方式不能满足星载设备的需求,而压缩感知理论很好地解决了这个问题,以CS理论为指导的基于最优化方法的求解算法,实现了编码端将采样、压缩同时进行的高效压缩,且解码端能够实现利用这些较少的观测值进行高概率的高光谱影像重构。本文对高光谱遥感影像的压缩感知模型进行研究,创新点表现在以下两个方面:一、首先采用压缩感知理论,在编码端采用随机高斯矩阵对高光谱遥感数据进行压缩、采样,然后将采样值经过信道传输到地面解码设备进行影像重构,在对针对自然图像的基于局部平滑稀疏性和非局部自相似性的RCoS恢复算法研究的基础上,本文提出一种基于谱间和帧内的协同稀疏的高光谱图像压缩感知模型,该模型考虑了高光谱遥感影像的三方面的稀疏性作为先验来对目标函数进行约束,即高光谱影像的局部平滑相似性、非局部自相似性和谱间相似性。大量实验表明,利用本文所提出的HICoSM模型的重构算法,在对高光谱影像进行重构时,其重构图像质量明显高于由现有的GPSR算法、改进的GPSR算法和RCoS算法进行重构的结果。二、利用三维TV模型对HICoSM模型进行改进,在进行优化求解的过程中利用三维TV模型将求解局部平滑稀疏性和谱间相似性的部分进行整合,再结合非局部自相似性的先验条件,利用分离Bregman迭代算法求出最后的优化重构结果。在对高光谱遥感影像进行有效的恢复的同时起到修复、去噪的效果。通过实验验证了基于HICoSM协同稀疏模型及三维TV模型联合压缩感知编码方法的有效性,与经典的稀疏梯度投影算法、基于谱间线性滤波的稀疏梯度投影算法和协同稀疏恢复算法的比较结果可以看出,该算法对图像恢复质量有一定程度的提高。本文对高光谱遥感影像一系列先验知识进行挖掘与分析,提出了一种新的模型HICoSM,并利用三维TV对该模型进行改进,取得了较目前一些经典算法更好的重构结果,大量实验结果验证了本文算法对提高高光谱图像重构质量的有效性。