[发明专利]基于空谱联合稀疏先验的卫星高光谱压缩感知重建方法

说明书

技术领域

本发明属于遥感图像处理领域，具体涉及一种基于空谱联合稀疏先验的卫星高光谱压缩感知重建方法。

背景技术

高光谱遥感数据具有很高的光谱分辨率，能在电磁波谱的可见光、近红外、中红外和热红外波段范围内获取许多非常窄的光谱波段信息，从而得到高维的光谱数据。然而高的空间和光谱分辨率也生成了大量的测量数据，给高光谱遥感探测数据的存储、传输以及后续处理带来了困难。特别是星载高光谱传感器连续工作将生成海量的数据，导致在带宽有限的卫星信道上存储和传输非常困难。因此，在存储和传输高光谱数据前需要对其进行压缩。传统技术一般采用预测、变换、矢量量化等压缩算法，通过建模高光谱数据在空间和光谱两个维度的相关性，去除数据间的冗余，进而实现数据的有效压缩。然而随着人们对信息需求量的急剧增加，这种高冗余采样再压缩的过程造成极大的资源浪费，给低功耗、资源有限的星上应用带来巨大压力。

压缩感知理论融合了传统的采样与压缩过程，能够直接获取远低于Nyquist采样率的测量数据，有利于降低采样成本、减少存储资源，同时压缩感知模型的编码端只需进行线性的随机测量，解码端通过求解优化模型重建测量信号，这种编码端低运算复杂度的处理模式非常适合星上处理的应用需求。目前已有学者对卫星高光谱图像的压缩感知问题进行了积极研究，形成了一些新的压缩采样与重建方法，如：有学者将全变差模型独立应用于高光谱图像的每一光谱波段数据，约束其空间光滑性进行高光谱压缩重建；有学者采用三维张量小波联合约束高光谱数据的稀疏性，利用光谱维的分片光滑先验进行高光谱压缩重建等。但是上述技术仍然没有解决一些关键科学问题，比如：编码端对所有谱段进行耦合测量，不能自适应于每个谱段的统计特性，也不利于压缩成像装置的硬件实现；解码时的重建模型只利用了光谱波段之间的相关性，对于光谱波段内的空间相关性并未得到充分利用，导致高光谱数据重建的精度和效率都不高。这些问题使得卫星高光谱图像的压缩感知重建技术离实际应用还有一定的距离。

发明内容

本发明解决了现有技术对卫星高光谱遥感数据进行压缩时压缩不够、精度不高的问题。

本发明解决上述技术问题的技术方案为：基于空谱联合稀疏先验的卫星高光谱图像压缩感知重建方法，包括星上编码端高光谱数据块对角随机测量和地面解码端压缩感知重建，星上编码端对每一个光谱波段独立随机采样获得测量数据后将其通过数据链路发送到地面解码端，然后地面解码端进行压缩感知重建；

所述星上编码端高光谱数据块对角随机测量过程为：将高光谱数据的三维立方体重新排列为矩阵X，然后将该矩阵X再按列依次堆叠重新排列形成一维向量X_vec；采用解耦的随机采样模式，使用具有块对角结构的随机测量矩阵A对每一个光谱波段数据进行独立采样，在采样过程中根据每个光谱波段的统计特征自适应调整，获得测量向量y；

所述地面解码端压缩感知重建过程为：根据测量向量y联合高光谱数据光谱波段间的低秩先验与光谱波段内的稀疏性先验建立凸优化重建模型，对凸优化重建模型进行迭代求解获得重建的高光谱数据低秩成分Z和重建的高光谱数据稀疏成分E，然后将重建的高光谱数据低秩成分Z和稀疏成分E合并获得重建的高光谱数据。

本发明与现有技术相比，其显著优点在于，本发明在编码端把高光谱数据重排成一维向量，然后配合块对角结构的随机测量矩阵对每一光谱波段进行独立采样，因而只需获取少量的线性测量数据，降低了星上编码端的能量与存储要求；在解码端将高光谱数据矩阵分解为低秩成分和稀疏成分，并对低秩成分在空间维进行稀疏分解，进而构建联合谱间低秩性先验与谱内空间稀疏性先验的凸优化重建模型并通过采用多变量优化方法进行迭代求解，实现卫星高光谱图像的低损高倍压缩感知重建，提高卫星高光谱数据的回传效率。基于上述两方面的优点，本发明进一步提高了卫星高光谱图像压缩感知重建的精度和效率，实现了原始高光谱图像数据的高精度重建，本发明适合低功耗、资源有限的星载应用，有利于促进星载遥感器的轻型化设计。

附图说明

图1是本发明基于空谱联合稀疏先验的卫星高光谱压缩感知重建方法流程示意图。

图2是本发明星上编码端高光谱数据块对角随机测量流程示意图。

图3是本发明地面解码端高光谱数据压缩感知重建流程示意图。

具体实施方式

如图1所示，本发明方法包括星上编码端高光谱数据块对角随机测量和地面解码端压缩感知重建，星上编码端对每一个光谱波段独立随机采样获得测量数据后将其通过数据链路发送到地面解码端，然后地面解码端进行压缩感知重建。