[发明专利]协同稀疏测量和3D TV模型的高光谱影像压缩感知重构方法

说明书

技术领域

本发明属于数字图像处理方法，尤其涉及一种可提高高光谱影像压缩感知重构质 量的基于协同稀疏测量和3DTV模型的压缩感知重构方法。

背景技术

高光谱成像技术是一种新型的对地遥感技术，具有超强的地物识别和分类的能 力，它能够在电磁波谱的紫外、可见光、近红外和中红外区域的几十到几百个波段获取目标 图像。目前常用的ENVI等高光谱数据处理软件将高光谱遥感影像截取成一帧帧可以看成是 二维灰度图像的影像，一般情况下，再对一帧帧二维灰度图像进行去噪、分割、解码等处理。 高光谱影像数据具有“图谱合一”的特点，即其是在二维空间成像的基础上加上一维的光谱 信息，这种高空间分辨率、高谱间分辨率和高时间分辨率的特点，使其包含了非常丰富的细 节信息，导致其拥有庞大的数据量，这就给星载卫星系统对数据的存储和实时传输带来了 巨大的压力。为了解决这个问题，有研究者引入了近年来出现的压缩感知信号获取理论，该 理论指出：将压缩和采样的过程合二为一，省去传统信号采集方法中先高速采样获取大量 冗余数据，再舍去大部分无用数据的过程。这种直接采样的特性，可以用更少的采样值来描 述信号，并能通过最优化方法高概率的恢复信号，显著降低了传感器的采样和计算成本。

高光谱遥感影像被看成是由若干个二维灰度图像组成的“立方体”，因此对其处理 也可以用到对自然图像处理的一些方法。一般情况下，图像都存在着大量的冗余，这是因为 它的各个像素与其周围相邻像素间存在着相关性，就是所谓的“局部相关性”；另一个存在 冗余的原因是，它具有周期重复的模式，因此具有自相关性（自相似性），即处在图像不同位 置的图像字块之间往往表现出较强的非局部相似性。图像的这种非局部相似性目前已经被 广泛地用于图像去噪、图像修复、纹理合成等各个领域，并且均表现出很好的效果。但是，在 压缩感知中利用这种先验知识的恢复算法中却不多，例如基追踪（BasisPursuit，BP）、梯 度投影（GradientProjection）算法和迭代阈值法（IterativeThreshold）等，都只利用了 图像稀疏性的先验知识。

发明内容

为了解决现有方法的上述技术问题，本发明提供一种可提高高光谱影像压缩感知 重构质量的基于协同稀疏测量和3DTV模型的压缩感知重构方法。

本发明的技术解决方案是：一种协同稀疏测量和3DTV模型的高光谱影像压缩感 知恢复方法，其特征在于按如下步骤进行：

步骤1.在编码端，对高光谱遥感影像的每一个波段进行压缩感知采样,其过程与典型压缩感知编码相同，得到观测值，中，,M为分组个数；,为第组的波段数，并将传输至解码端；

步骤2.在解码端，令；

步骤3.如果，则令，并转入步骤4；否则，转入步骤5；

步骤4.如果，则解码过程结束；否则，转入步骤5；

步骤5.输入第组的第个波段帧的测量值；

步骤6.如果，即待重构图像为该波段组的第1个波段帧，则采用RCoS算法根据测量值计算对应的重构帧并将其输出，然后转入步骤8；否则，转入步骤7；

步骤7.利用公式(1)所示的协同稀疏模型和三维TV模型的联合模型迭代求解：

其中,为一非负参数，表示第组高光谱图像的第个波段在局部2D空间域上的稀疏性先验，表示第组高光谱图像的第个波段的非局部自相似稀疏先验，表示第组高光谱图像的第个波段和第个波段之间的谱间稀疏性先验，为0-范数，为1-范数；

步骤7.1设表示迭代次数，T表示最大迭代次数，令，引入中间变量和b，并令，，其中，和分别表示和b的第0次迭代后的结果（即初始值）；

步骤7.2利用最速梯度下降法求解公式(2)，从而计算：

其中，是预定的下降步长，A为满足等距约束性的任意投影算子，为正值参数，和分别表示在次和次迭代后的结果，表示在次迭代后的结果，表示b在次迭代后的结果；

步骤7.3定义局部2D稀疏性和谱间稀疏性先验函数：

其中，a和表示某一波段及其前一波段的图像帧，和分别为图像水平和垂直方向的梯度算子，是沿着光谱维方向的1阶差分算子；