一种高光谱图像的双压缩感知模型

《一种高光谱图像的双压缩感知模型》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、航空学报Sep．252015V01．36No．93041-3049ActaAeronauticaetAstronauticaSinicaISSN1000-6893CN11-1929／Vhttp：#hkxb．buaa．edu．CRhkxb@buaa．edu．ca一种高光谱图像的双压缩感知模型冯燕1’*，王忠良1’2，王丽11．西北工业大学电子信息学院陕西省信息获取与处理重点实验室，西安7101292．铜陵学院电气工程学院，铜陵244000摘要：高光谱图像因其海量数据性，给存储、传输及后续分析处理带来了挑战。压缩感知理论提供了一种全新的信号采集框架。

2、针对高光谱数据的三维特性，提出一种双压缩感知的采样与重构模型。该模型在采样阶段兼顾高光谱数据的空间和谱间稀疏特性，构造了能同时实现空间和谱间压缩采样的感知矩阵；重构阶段不同于传统的压缩感知重构方法直接重构高光谱数据，而是将高光谱数据分离成端元和丰度分别进行重构，然后利用重构的端元和丰度信息合成高光谱数据。实验结果表明，所提双压缩感知在低采样率下重构精度较三维压缩采样提高了10dB以上，更为显著的是运算速度提升了3个数量级，同时该方法还便于获得端元和丰度信息。关键词：高光谱图像；压缩感知；数据压缩；线性混合模型；端元提取；丰度估计中图分类号：V24

3、3．5；TP751．1文献标识码：A文章编号：1000—6893(2015)09—3041—09随着成像光谱技术的不断发展，高光谱遥感由于具有极强的地物分类和识别能力，已经成为遥感领域一个快速发展的重要分支。与传统遥感相比，随着光谱分辨率的不断提高，高光谱遥感所获取的数据量呈指数量级增加，给数据的计算、存储和传输都带来了巨大的压力。因此，有效地进行数据压缩是目前高光谱技术中迫切需要解决的难题。压缩感知(CompressedSensing，CS)理论[1。31提供了一种全新的信号采集框架，将压缩和采样过程巧妙地结合起来，实现了采样率低于传统奈奎斯特

4、率下的数据采集。该信号采集方式具有编码简单、解码较复杂、能够实现较为高效的压缩以及抗误码性能好等特点，这些特点非常适合机载或星载的高光谱遥感成像技术。压缩采样数据的信号重构需要从较少的观测数据中精确恢复出原数据，因此重构时需要解决欠定方程的求解问题，可通过求解优化问题来实现。通过对CS理论的研究，产生了一系列高效的重构算法。对于高光谱数据，文献E4]针对三维数据的特点，提出了三维压缩采样(ThreeDimen—sionalCompressiveSampling，3DCS)，构造了能同时兼顾数据空间平滑性和谱间低秩性的压缩感知成像系统，重构时通过增

5、加三维全变分和低秩正则项来提高重构精度；刘海英等[5。6]在分析高光谱图像压缩采样数据特性的基础上，提出了一种基于谱间预测和联合优化的压缩感知图像重构算法；文献I-7]根据高光谱数据的稀疏性、空间相关性和谱间相关性，提出了一种基于复合正则化的高光谱图像压缩感知投影与重构方法。现有的高光谱数据压缩感知重构算法大多直接重构原始数收稿日期：2014-09-15；退修日期：2014-10-13；录用日期：2014—12—10；网络出版时间：2014-12-3016：14网络出版地址：WWWcnkinet／kcms／detail／S1000—6893．20

6、14．0350．htmI基金项目：国家自然科学基金(61071171)；安徽省高等学校省级自然科学研究项目(KJ20138298)；西北工业大学博士论文创新基金(CX201424)*通讯作者．Tel：029—88431255E—mail：sycfy@nwpuedu．CR戮用搭武lFengY，WangZL，WangL．AdoublecompressedsensingmodelofhyperspectralimageryEJJ．ActaAeronauticaetAstronauticaSinica．2015。36(9)：3041-3049冯燕．王忠良

7、，I丽÷一种高光谱图像的双压缩感知模型!J]?航空学报．2015，36(9)：3041-3049．航空学报Sep252015Vol36No．9据，数据量大，处理速度慢。高光谱数据的线性混合模型(LinearMixingModel，LMM)作为一种常规而有效的光谱混合模型，被广泛应用于高光谱图像的混合像元分解[8-9]。该模型指出高光谱数据矩阵可以看作端元矩阵和丰度矩阵的乘积。本文根据高光谱数据的空间和谱间稀疏性，提出一种高光谱图像的双压缩感知(DoubleCompressedSensing，DCS)采样和重构模型。在信号采集端采用空间和谱间分离的

8、压缩采样模式；在解码端，根据高光谱数据线性混合模型假设，将高光谱数据分离成端元和丰度分别进行估计，然后利用估计的端元和丰度信息合成高光谱