[发明专利]一种基于稀疏光谱字典的压缩感知高光谱图像重构方法

摘要

本发明涉及一种基于稀疏光谱字典的压缩感知高光谱图像重构方法，属于遥感技术领域。针对现有高光谱成像系统数据量大、系统复杂、成本高的问题，提出一种基于稀疏光谱字典的压缩感知高光谱图像重构方法。该方法基于现有的地物光谱库，分类选取典型地物光谱曲线组成样本库，采用信号稀疏分解领域的相关算法对该样本库进行训练得到稀疏字典，结合压缩测量值和随机测量矩阵进行高光谱重构，根据重构效果调整上述算法的相关参数直至最佳。本方法得到的稀疏字典对地物光谱的稀疏化效果更好，重构光谱的精度更高，不同于传统的信号在稀疏字典下的分解与重构，本方法不需要目标的先验信息，具有广泛的应用面。

主权项

1.一种基于稀疏光谱字典的压缩感知高光谱图像重构方法，其特征在于包括以下步骤：步骤一、分类选取现有地物光谱库中的典型地物光谱，组成训练样本库，并根据高光谱成像系统的波长范围和谱段数，对该训练样本库中的地物谱线进行截取和重采样，使训练样本的波长范围和谱段数和前者保持一致；步骤二、利用信号稀疏分解领域的相关算法，比如K-SVD算法，对步骤一得到的训练样本库中的地物谱线进行字典训练，得到对应的稀疏字典；步骤三、将步骤二中得到的稀疏字典结合压缩测量值和随机测量矩阵进行高光谱重构，对重构的效果进行评价，具体步骤如下：a) 设计测量矩阵，行数为压缩测量值的个数，列数为重构的谱段数，且行数小于列数；b) 利用成像系统和测量矩阵获取空间点处的光谱压缩测量值向量，为处目标的真实光谱，为测量中的噪声；为空间目标的行数和列数；3）利用压缩感知理论中的稀疏重构算法计算如下问题：为光谱向量在字典下的稀疏系数，为其l₀范数，即非零元素的个数，为误差限；解出重构稀疏系数后代入下式得到重构光谱；步骤四、调整步骤二中进行字典训练算法的相关参数，如字典大小、算法迭代次数等重复进行步骤二和步骤三，直到重构光谱效果达到最佳；具体步骤如下：1）对重构出的高光谱图像进行客观质量评价，包括一维光谱、二维空间和三维数据立方体的质量评价，常用的评价指标包括均方误差、峰值信噪比、分辨率、光谱相似性等；2）改变步骤二中构建的字典参数：字典大小，稀疏度和算法迭代次数训练新的稀疏光谱字典，将该字典代入步骤三进行高光谱图像重构；3）重复以上步骤直至图像质量满足要求或指定最大循环次数，得到参数最优稀疏光谱字典。