[发明专利]一种面向植物高光谱的分块压缩重构方法

说明书

本发明公开一种面向植物高光谱的分块压缩重构方法。本发明对原始植物高光谱进行植物区域提取，然后采用分块压缩在数据展开的形式上充分利用了小块区域之间高度的空间相关性，使得展开后的待重构数据不仅在数据排布上保持与原始单光谱曲线一致，同时又提高了单次待重构数据的长度，这使得一方面相同采样率下单次采集到的数据量更多，大大提高了成功重构的概率；另一方面使得以更低的采样率对原始植物高光谱采样已经能够获取足够的光谱信息，从而可以以更低的压缩比完成对植物高光谱的压缩重构。

技术领域

本发明属于植物高光谱图像处理技术领域，涉及一种面向植物高光谱的分块压缩重构方法。

背景技术

传统获取植物生理化参数的方式是取植物样本在实验室中进行一系列的实验，这个过程需要大量的人力以及昂贵的实验设备。遥感技术作为一种快速、宏观的地表资源监测技术手段,较之传统的地面调查,具有客观、无损以及实时获取信息的优势，尤其是高光谱遥感技术的出现和发展,给植被生理化参数的定量化反演带来了新的机遇：高光谱数据中包含植被更丰富的光谱信息,这极大地提高了对植被物生理参数(如叶面积指数和生物量)反演的精度,更为重要的是,也使原来难度较大的除色素(如叶绿素)外的其他植被生物化学参数的遥感反演成为可能。

然而，在获取植物高光谱的过程中存在的主要问题是植物高光谱数据量巨大，这意味着需要大量的存储空间来进行存储。随着高光谱遥感技术的发展，植物高光谱的分辨率越来越高，这也就对存储硬件提出了更高的要求。为降低存储成本，迫切需要一种新的理论来提高压缩比，并且能够利用这些少量采集到的数据精确的重构出植物高光谱。

压缩感知理论作为一种新颖的数据采集理论，将数据的采样和压缩过程巧妙地结合起来,实现以采样率远低于传统奈奎斯特率的采集数据进行精确重构,降低了对传感器和存储硬件的要求,有效避免了追求高分辨率带来的软硬件成本问题。压缩感知理论由Candès等于2006提出，该理论目前以应用于许多热门领域。例如在3D成像技术领域，李军等提出了一种压缩光学图像隐藏方法；在光学图像领域，刘效勇等提出了一种基于压缩感知的光学图像加密技术；在医学成像领域，周崇彬等；植物高光谱领域，已有学者将压缩感知理论应用于植物叶片辐射传输数据模型，实验结果表明将该理论应用于植物高光谱的压缩重构对植物生理化参数反演的影响不大。

对实际植物高光谱的压缩重构，已有的方法是：从图像域对植物高光谱进行压缩重构，例如刘俊峰提出了一种面向植物高光谱的自适应分布式压缩感知。然而针对植物高光谱的重要应用之一即植物生理化参数反演来说，从图像域对植物高光谱进行压缩重构是存在问题的：从图像域对植物高光谱进行压缩重构忽略了植物高光谱谱间的高度相关性，这使得在低压缩比时重构的植物高光谱会丢失原始植物高光谱的谱间信息，从而导致利用重构结果进行生理化参数反演会存在较大的误差。

为更好的保留植物的光谱信息，在压缩的层面应当考虑从单一光谱曲线出发逐一对所有样本点进行压缩重构。然而实际的实验结果表明，单光谱曲线的压缩方式在压缩比为0.25及以上重构效果已经很好，但低压缩比为0.2及以下时这种压缩方式的重构效果不佳，这是因为单光谱曲线的数据长度有限，采样率过低会导致采集到的数据量过少而无法较好地恢复出原始光谱。

为降低存储成本，急需进一步提高压缩比。在单光谱曲线压缩方式的基础上，本发明提出了分块压缩的思想。分块压缩在数据展开的形式上充分利用了小块区域之间高度的空间相关性，使得展开后的待重构数据不仅在数据排布上保持与原始单光谱曲线一致，同时又提高了单次待重构数据的长度，这使得一方面相同采样率下单次采集到的数据量更多，大大提高了成功重构的概率；另一方面使得以更低的采样率对原始植物高光谱采样已经能够获取足够的光谱信息，从而可以以更低的压缩比完成对植物高光谱的压缩重构。

发明内容

本发明的目的是针对现有技术的不足，提供一种面向植物高光谱的分块压缩重构方法。

本发明方法具体包括以下步骤：