面向高光谱遥感成像的空谱三维压缩感知方法研究

The traditional hyperspectral remote imaging system,which is based on theory of Shannon sampling,is confronted with some problems such as the ability and efficiency issues and huge data. The new imaging method based on compressive sensing provides a new idea for solving those problems. However, the hyperspectral remote imaging belongs to multidimensional information acquisition,the higher dimensions of the data make the sparse representation, measurement system and reconstruction more complicated.The existing compressive sensing theory can not meet the application requirements. In view of the above problems,this project will exploit the characteristic of the hyperspectral image data,study the measure of the 3D sparsity,and then design the structural project measurment matrix based space-spectral correlations,and establish the reconstruction models and algorithms for spectral images sequence and analysis the imaging performance based on reconvery conditon theory and numerical simulation lastly. A well establised new framework for space-spectal 3D compressive sensing for hyperspectral remote sensing imaging, some innovations related to the space-spectra 3D sparsity representation, the design of structural projective measurement matrix and the sequence images reconstruction models based space-spectral sparsity,are expected. The research findings of this project will provide the scientific method for hyperspectral compressive imaging system and promote the development of the compressive sensing multidimensional information aquistion theory.

建立在Shannon采样定理基础之上的现有高光谱遥感成像系统存在信息获取能力和效率不足、数据量大等问题。基于压缩感知的新型成像方法为解决上述问题提供了新思路。但高光谱遥感成像属多维信息获取问题，其更高的数据维数使得相应的稀疏表示问题、投影测量系统及重构问题都变得更加复杂，现有的压缩感知理论不能满足应用需求。本项目针对上述问题，从高光谱遥感图像数据特性出发，研究高光谱图像数据的三维稀疏性度量，在此基础上基于空谱相关性设计结构化投影测量矩阵，并建立空谱稀疏约束下的序列图像重构模型和算法，最后结合可重构条件理论和数值模拟对成像性能进行分析。以此建立面向高光谱遥感成像的空谱压缩感知方法框架，在空谱三维稀疏表示、结构化投影测量矩阵设计、基于空谱稀疏约束的序列图像重构模型等几个方面取得创新。项目成果将为压缩感知理论在高光谱遥感成像中的应用提供科学方法，促进压缩感知多维信息获取理论的发展。

本项目围绕高光谱遥感成像的空谱三维压缩感知相关问题，对高光谱遥感图像的稀疏表示、基于空谱结构的投影测量矩阵设计、基于空谱稀疏约束的光谱图像重构模型和算法、系统性能分析及测量矩阵的物理实现等进行了系统深入的研究。在深刻把握高光谱压缩成像研究现状及应用需求的基础上，将理论推导和数值仿真分析相结合，取得了如下研究成果： . （i）研究提出了适合遥感成像的稀疏表示模型.研究了适合星载遥感成像的稀疏表示模型。结论：在基于调和分析的稀疏表示方法方面：DCT、小波变换和复数小波稀疏表示方法均能满足各种特性典型遥感图像的稀疏表示。在数据驱动的稀疏表示方法方面：1）训练得到的字典能反映对应场景图像的特性，利用优化字典对原图进行表示，其结果优于传统基于调和变换的稀疏表示方法；2）细节信息丰富的图像训练得到的优化字典对各类性质的场景稀疏表示的精度优于均匀场景下的相应结果。.（ii）在基于压缩成像的测量矩阵设计方面.提出了两种基于矩阵分解优化测量矩阵的算法。对于结构性随机矩阵，基于矩阵分解的两种不同优化算法均有很好的改进效果；对于完全随机矩阵，优化测量矩阵的重构性能有所提升；其次，研究了编码矩阵对压缩高光谱成像的影响：1）从理论上方面推导证明了压缩光谱成像系统的可行性。2) 完全随机矩阵和部分正交矩阵的性能相似，在高光谱数据立方体的重构过程中，表现更好。3）将优化测量矩阵应用于光谱压缩成像过程，发现基于结构化随机矩阵的重构效果提升最明显。.（iii）在空谱三维高光谱压缩成像的重构模型与算法方面：提出了基于CASSI系统的压缩采样数据解混模型。将压缩采样模型与光谱线性解混模型相结合，能同时解决重构和解混问题。提出了一个新的超分辨 CASSI 系统。通过将原始 CASSI 系统的编码模板替换为一个分辨率更高的模板，可使得整个系统具有超分辨能力。新系统将重构图像的信噪比提升了 约10个db 。提出了利用计算复杂度低、稳健性好的岭估计方法重构图像。针对重构模型中的病态问题，在改进的成像系统上加入图像的稀疏表示过程，达到了抑制病态的效果。 .课题研究形成了关于高光谱遥感压缩成像的理论、方法和实现等一系列理论成果和技术，研究成果进一步完善了高光谱压缩成像理论，并为压缩感知在高光谱遥感成像中的实际应用及物理系 的构建提供了有力支撑。