基于空谱稀疏结构自适应学习的高光谱图像压缩感知重构方法研究

Compared with the traditional unstructured compressive sensing methods, structured sparsity based Hyperspectral compressive sensing methods use the implicit structure of sparse signals to reconstruct a better Hyperspectral image with fewer compressed observations. However, the structured sparsity based methods have limited adaptability to noise and data variations, which leads to low compression ratio and restricts their applicability to hyperspectral related tasks. To solve those problems, we propose an adaptive spatial-spectral structured sparsity learning based reconstruction method for Hyperspectral compressive sensing. First, we build the spectral sparsity structure and spatial structure separately and couple them to generate a spatial-spectral structured sparsity prior. Secondly, a noise and dictionary adjustable Bayesian observation model is built, which makes the reconstruction method suitable to different noise and independent on any particular dictionary. Finally, we combine the established structured sparsity prior and the observation model to obtain a reconstruction method for Hyperspectral compressive sensing, where robust optimization is utilized to adaptively learn the spatial-spectral structured sparsity and make it robust to noise. Thus, in the case of complex observation noise, the high precision hyperspectral image is reconstructed from highly compressed observations. The research achievements will provide the theoretical basis for compressive sensing, high-dimensional data modeling, analysis, de-noising, etc.

基于结构化稀疏表示的高光谱图像压缩感知重构算法借助隐含于稀疏信号内的结构信息，在降低观测数据量的同时，获得优于非结构化压缩感知的重构效果。但现有结构化方法由于对噪声和数据的适应能力有限，导致重构信号的压缩比不高，限制了其在高光谱领域的应用。为此，本项目研究基于空谱稀疏结构自适应学习的高光谱图像压缩感知重构方法。首先，建立谱间稀疏结构和空间结构，并耦合二者生成空谱稀疏结构先验；其次，建立对噪声和字典可动态调整的鲁棒贝叶斯压缩感知观测模型，使重构方法适用于复杂噪声且不依赖于特定的稀疏化字典；最后，关联结构先验和观测模型，建立基于空谱稀疏结构的高光谱图像压缩感知重构模型，通过鲁棒优化方法自适应学习出适合高光谱图像特点的空谱稀疏结构并提高其对噪声的适应能力，从而实现在复杂观测噪声下，以高压缩比、高精度从观测数据中重构高光谱图像。研究成果为压缩感知、高维数据建模、分析、去噪等理论的发展提供支撑。

高光谱成像能同时捕获目标的空间和光谱信息，有助于更准确的定性定量的对被观测对象进行物理分析和识别，因而高光谱图像在环境监测、军事、农业和医学等领域应用日益广泛。数据量过于庞大是高光谱图像应用的瓶颈问题，压缩感知理论为解决这一问题提供了有效途径。对于压缩感知算法而言，如何利用少量的观测数据准确的重构高光谱图像成为高光谱压缩感知研究的核心内容。考虑到压缩感知重构是一个不适定的逆问题，而解决不适定性的有效途径是引入信号的先验知识。因而项目从结构化稀疏先验建模的角度出发，研究如何在贝叶斯框架下，利用结构化稀疏建模先验结合鲁棒观测模型，实现从少量的观测数据中准确重构高光谱图像。项目研究内容包括高光谱图像稀疏结构先验表示、鲁棒贝叶斯观测模型、自适应模型优化方法等内容。在理论创新方面，提出了一系列的新思想、新方法，在国内外主流学术期刊和会议上发表学术论文35篇，包括计算机视觉与模式识别以及遥感领域的权威期刊(International Journal of Computer Vison 2篇，IEEE Trans. on Image Processing 2篇，IEEE Trans. on Geoscience and Remote Sensing 3篇，IEEE Trans. on Neural Network and Learning System 1篇)以及顶级国际会议（CVPR 1篇，ICCV论文1篇，AAAI论文2篇，IJCAI论文1篇，ICME论文2篇）。在关键技术方面，已申请专利16项。项目组共培养博士生5名，硕士生8名。在基金的资助下，课题组1）协助举办国际会议1次；2）协助举办国内会议及论坛各1次；3）20余人次参加国内学术交流；4）多次邀请国内外同行专家来校交流。通过上述活动，与同行专家进行了充分的讨论和交流，给项目组成员带来了新的思路和新的视野并激发了项目组钻研学术的热情，为项目组的深入研究、内容扩展和项目的顺利实施奠定了良好的基础，同时也提升了项目组在该领域的知名度。本项目的研究成果获得2019年度中国图象图形学学会优秀博士学位论文、2020年度陕西省优秀博士学位论文、2020陕西省自然科学优秀论文三等奖、IEEE ICOT2019国际会议最佳论文奖等。相关研究成果为高光谱图像去噪、高光谱图像超分辨重建及其他高维信号处理分析技术的发展提供理论和技术支持。