低成本高光谱压缩采样与结构化稀疏重建

Hyperspectral imaging(HSI) has been widely applied in military and enviromental resource monitoring. Usually imaging spectrometers are in the airborne or spaceborne, thus lowering the cost of spectral data sampling and improving the quality of the HSI are the inportant issues to be solved.The compressed sensing(CS) theory provides new opportunities to perform undersampling in data acquistion thus reduce the amount of the acquired data. Signals will be recovered by solving nonlinear optimization problems at the decoder side. The basic assumption of CS is that signals are sparse and sparser representations usually lead to lower reconstruction error. In this project, we will explore the spatial-spectral sparsity and low cost compression of HSI data. With the optimization methods in sparse signal reconstruction, we will propose the jointly and adaptively spatial-spectral sparse reconstruction models and improve the image resolution from highly undersampled data. Research work in the project will be conducted as follows:1) To derive the influnce about sampling matrixs to the spectral correlations; 2）Design the method of controlled compression rate and low cost KL transform; 3) Design the jointly and adaptively spatial-spectral structure sparse model in order to improve the quality of reconstruction HSI.

高光谱成像在军事和环境资源监测等领域有着重要应用。成像光谱仪通常是机载或星载，因此降低光谱数据采样成本，提高光谱质量是亟待解决的问题。压缩感知可减少采样数据量进而节省能量，并在地面解码端进行解码，这种编码和解码的非对称性非常适用于高光谱成像。压缩感知理论要求信号是稀疏的，信号越稀疏信号重建误差越小。本项目拟从高光谱数据的低成本压缩和空间-谱间的联合稀疏重建出发，利用压缩感知重建算法，建立自适应联合稀疏渐进重建模型，尽可能在减低成像复杂度的前提下提高分辨率。研究内容包括：1)推导采样矩阵对谱间相关性的影响;2)设计可控压缩率的低成本KL变换方法 3) 设计联合空-谱的自适应结构化稀疏表示，提高重建图像质量。

高光谱成像在军事和环境资源监测等领域有着重要应用。本项目主要研究图像的低秩分解、结构化稀疏和联合稀疏表示, 并把这些特性用于高光谱图像分类、低秩磁共振波谱图像欠采重建和图像超分辨重建中。首先,在基于高光谱图像分类的研究中,项目组成员主要研究了基于联合稀疏表示的高光谱图像分类和基于自适应旋转非局部加权联合稀疏表示的高光谱图像分类方法, 实验结果表明,与几种典型的分类方法相比,所提方法在高光谱图像分类中的分类准确率最高有2%到3%的提升。研究所提算法可应用于农业和环境资源检测的高光谱遥感数据分类。其次,在低秩Hankel矩阵的波谱重建的研究中, 项目组提出了一种快速低秩Hankel矩阵分解算法,这个算法避免了奇异值分解。结合并行计算,对于三维谱,所提方法比原来的低秩分解方法加速25倍以上。项目组提出了基于增强型Hankel矩阵低秩的混合时频信号重建方法,所提方法在低强度谱峰重建上优于前沿的基于稀疏重建的方法,且能够提供精度更高的量化结果。在图像超分辨重建的工作中, 项目组提出了一种改进型网络,通过引入多尺度卷积滤波器来增强图像细节提取能力,对自然图像超分辨率的实验结果表明,所提出的网络的性能优于最先进的方法。对多对比图数据, 项目组提出了结构相似性的稀疏重建方法, 该方法基于多对比度图像在特定稀疏变换下的联合稀疏性,通过引入L2,1范数约束多对比度图像的联合稀疏性,从而降低图像重建误差。在稀疏表示的理论研究中, 项目组主要研究了将一般的有限维框架转换为Parseval框架的线性变换。Parseval框架具有很好的性质,在图像处理和稀疏表示理论中运用较广。以上研究为工业应用奠定了基础。