基于核最优配置张量渐进分解的高光谱图象压缩方法研究

尽管高光谱图象得到了越来越广泛的应用，但海量数据已经成为制约其发展的瓶颈。不同于传统压缩方法对高光谱图象各个维度单独处理，本项目针对其三维数据结构的特点，将高光谱图象视为三阶张量，研究基于张量核最优配置和张量渐进分解的压缩技术，将高光谱图象张量映射到低维张量核和模式矩阵。由于该方法直接对高光谱图象进行整体处理，同时利用了空间和光谱维的相关性，在保证压缩效率的同时，能够获得优良的恢复图象质量。创新点有二：(1)提出了基于稀疏一致性的优化搜索技术，在无需进行张量分解的情况下获取张量核最优配置，保证了压缩效果；(2)提出了基于逼近误差最小化的渐进迭代技术，避免全数据运算，提高编码速度。本项目的研究解决，对于完善高光谱图象分析和处理手段、提高高光谱图象的可应用性具有重要理论意义和应用价值。

高光谱图象是目前国内外在遥感图象应用领域的研究热点之一，其突出特点是成象技术与光谱技术结合，实现了地物空间信息和光谱信息的同步获取，即图谱合一。因此，已被广泛应用于环境监测、地质、气象和军事等领域。高光谱图象数据量较大，数据维较高且具有较强空间与谱间相关性，研究新的适合于高光谱图象特点的压缩方法，对于当前应用和充分利用高光谱图象的信息资源，是极其必要的。 . 高光谱图像基于张量的处理方法，直接对于高光谱三个维度进行整体数据处理，保留了各个维度的特征，不仅分解后维数大大降低，而且图象的空间结构也得以保存，有利于特征的提取和利用。基于上述优点，本课题主要研究了张量高维数据分解和近似理论，高光谱图象张量分解中张量核最优配置，高光谱图象张量渐进分解和高光谱图象张量分解压缩和评价。并为了提高张量核配置的精度，在相同压缩比情况下获得最佳重建精度，通过分析高光谱图象特性和Tucker分解特点，结合递进算法和粒子群算法，提出了粒子群优化搜索配置算法的改进方案，保证了算法收敛于全局最优解，获得了最佳重建精度。针对高光谱图像张量分解计算复杂度高的问题，通过分析算法的复杂度，明确了矩阵乘法的计算瓶颈，将张量在空间维上均匀等分，每块的时间复杂度之和即为总体的时间复杂度，理论分析和实验结果表明，将张量均分为4~16块可以有效减少张量分解时间。考虑到张量分解过程以及高光谱图像张量分解后的数据特性，提出了基于张量分解数据特性的高光谱图像压缩方案设计，将张量分解后的核张量和模式矩阵应用不同的精度进行编码和量化，在压缩比提高的同时，保证了重建图像的质量。 . 本课题得到的研究成果在提高高光谱图像压缩比、压缩效率以及重建图像的质量上效果显著，对高光谱图像压缩的进一步深入探索有重要借鉴意义，为高光谱图象的分析、解混、地物特征识别等应用提供了新的思路。