遥感时空维稀疏-低秩信息多尺度表示与复原研究

The research aims to explore the sparse and low-rank features in Remote Sensing (RS) spatiotemporal information sufficiently, introduce the theory of Compressed Sensing and low-rank matrix reconstruction, take account of the restoration of RS corrupted and missing data, construct the novel optimization models based on the minimization of nuclear norm and L0-L1 norm, further study and expand the algorithm of dictionary learning, sparse reconstruction, low-rank matrix completion and multi-scale analysis, and develop a series of approaches to solve the RS problem by sparse and low-rank representation. The methods of image inpainting based on sparse dictionary reconstruction via patch structure sparsity and local consistency constraint, multi-scale sparse representation and restoration algorithm, constructing and solving multi-temporal dictionary learning, low-rank image restoration by matrix completion, low-rank representation of time-series RS data, and designing of the robust matrix completion algorithm based on augmented Lagrange multipliers, will be considered as the key technologies in the research, to achieve the final purpose of clouds and shadows removal from single/time-series RS images, mixed Gaussian-impulse noise removal, destriping of Landsat7 ETM+ images, reconstruction of time-series MODIS-NDVI data. The research has important theoretical significance and application value in accurately restoring high-quality image information from the corrupted and missing data, by utilizing the sparsity and low rank features hidden in the RS spatiotemporal data.

本研究旨在充分发掘遥感时空信息中的稀疏与低秩性，引入压缩感知与低秩矩阵重建理论，结合遥感数据中受污染与缺损信息的复原问题，构建基于最小化核范数与L0-L1范数的凸优化新模型，深入研究字典学习、稀疏重构、低秩矩阵填充、多尺度几何分析方法，发展遥感信息的稀疏化与低秩化处理方法。研究重点突破利用块结构稀疏度与邻域一致性约束进行稀疏字典重构的图像修复方法、空间维多尺度稀疏表示与修复方法、时序影像的多时相字典学习模型的构建与求解、基于矩阵填充的低秩图像修复技术、基于增广拉格朗日乘数法的稳健矩阵填充算法的设计等关键技术，最终实现遥感单幅或时序影像厚云/阴影修复、影像混合高斯-脉冲噪声去除、Landsat7 ETM+影像去条带与遥感时序MODIS NDVI数据重建。本研究对在信息缺损或受污染的情况下，利用遥感时空数据本身所具有的稀疏-低秩性，来精确恢复高质量的影像信息具有重要的理论意义和应用价值。

近年来，如何充分挖掘并利用遥感时空大数据中的稀疏性与低秩性现象，来进行遥感信息处理与智能解译已经成为一种性能占优的重要研究方向。本项目研究针对遥感数据中受污染与信息缺失的现象，以及影像分类与识别问题，通过引入稀疏表达与低秩矩阵恢复等理论，构建基于最小化核范数与L0-L1范数的凸优化新模型，并将稀疏-低秩表征方法向时空维拓展，发展面向遥感数据修复与影像分类的时空维多尺度稀疏-低秩学习模型与算法，具有突出的科学前沿性与应用价值。. 由于受到传感器失效以及恶劣的大气条件等影响，光学遥感数据中难免出现缺失信息，这严重限制了遥感数据的可用性。为了解决缺失信息复原的逆问题，研究提出了一种基于多尺度字典稀疏表征的自适应块修复方法。通过将其应用于遥感影像去噪、厚云去除、条带修复与定量反演产品重构，结果表明，此法可以完美复原遥感缺失信息，保持空间结构信息的连续性以及纹理信息的一致性，且不会引入平滑效应与条带效应。. 本研究发展了一种用于影像分类/识别的结构化稀疏-低秩表达学习方法，并将其应用于东南亚发展中国家的农村居民点提取。通过将类别标签信息引入到字典训练的过程中，构建了一种语义结构的表达字典；通过学习所获得的表达里自动包含了结构信息与影像类别属性信息，并且能够直接用于影像分类与目标识别。通过性能对比分析实验以及农村居民地提取研究，表明此法具有优越的影像分类与识别性能，未来可继续发掘其在分类识别问题中的应用潜力。