CN104408751B - 一种高光谱图像在轨压缩方法 - Google Patents
一种高光谱图像在轨压缩方法 Download PDFInfo
- Publication number
- CN104408751B CN104408751B CN201410583964.3A CN201410583964A CN104408751B CN 104408751 B CN104408751 B CN 104408751B CN 201410583964 A CN201410583964 A CN 201410583964A CN 104408751 B CN104408751 B CN 104408751B
- Authority
- CN
- China
- Prior art keywords
- high spectrum
- compression
- spectrum image
- image
- target area
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001228 spectrum Methods 0.000 title claims abstract description 103
- 238000007906 compression Methods 0.000 title claims abstract description 68
- 230000006835 compression Effects 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 31
- 239000011159 matrix material Substances 0.000 claims abstract description 37
- 230000003595 spectral effect Effects 0.000 claims abstract description 17
- 230000006837 decompression Effects 0.000 claims abstract description 9
- 230000008707 rearrangement Effects 0.000 claims abstract description 7
- 238000004321 preservation Methods 0.000 claims abstract description 6
- 230000003044 adaptive effect Effects 0.000 claims abstract description 4
- 238000011084 recovery Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 10
- 239000013598 vector Substances 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000013144 data compression Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000017105 transposition Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000001615 p wave Methods 0.000 description 1
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005549 size reduction Methods 0.000 description 1
Landscapes
- Compression Or Coding Systems Of Tv Signals (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
Abstract
本发明是一种高光谱图像在轨压缩方法,步骤S1:根据高光谱图像波段间的相似性对波段进行自适应的光谱分组和波段重排,得到初始字典、压缩维数和最优波段顺序、最优波段顺序重排的高光谱图像;步骤S2:用初始字典、光谱稀疏特性和光谱曲线的结构特征将最优波段顺序重排的高光谱图像压缩到光谱维数低的特征空间,得到具有保持光谱曲线可分性的结构字典;步骤S3:在特征空间中提取显著性目标区域,用稀疏矩阵存储显著性目标区域,对特征空间中的背景区域的特征图像降采样得到深度压缩的背景区域;步骤S4:对稀疏矩阵存储的显著性目标区域、深度压缩的背景区域以及结构字典数据解压缩,恢复每一个特征图像,获得恢复的高光谱图像。
Description
技术领域
本发明涉及高光谱图像处理、数据压缩、目标探测等技术领域,特别是一种高光谱图像在轨压缩方法。
背景技术
与全色图像或多光谱图像相比,高光谱图像具有很高的光谱分辨率,如由机载可见光红外成像光谱仪(AVIRIS)获取的高光谱遥感图像的光谱分辨率约为10nm。高光谱图像为目标识别提供了一种新的手段,不仅可以用于识别目标的形状,还可以利用高光谱分辨率辨识目标的材质或对地物进行精细化分类。近年来,高光谱遥感图像已被广泛应用到地质勘探、考古发现、异常目标检测、军事作战等多个领域。
与传统的图像相比,高光谱图像的波段数很多,高光谱图像占用的空间很大,将容量很大的高光谱图像从卫星传到地面需要占用很多网络资源和传输时间,制约了高光谱图像的广泛应用。
传统的高光谱图像压缩一般属于数据级压缩,数据级压缩一般是数据下传到地面以后由地面处理系统为减少存储空间进行的压缩。
与数据级压缩相比,特征级压缩具有更好的实用性。特征级压缩不仅可以减少高光谱图像的存储空间,而且可以有效减少高光谱图像分类、目标检测和识别等后续步骤的处理时间。目前,高光谱图像的特征级压缩方法还很少,不能满足实际应用的需求。
目前,高光谱图像的在轨处理有很强的应用需求。与传统的高光谱图像压缩不同,高光谱图像的在轨压缩不仅要考虑数据传输效率、存储空间等基本要求,还要考虑在轨处理的时效性要求及数据压缩与后续的处理步骤之间的关系。
发明内容
本发明的目的是针对现有技术的问题,提供一种在轨处理的特点和实际应用的需求、有效的高光谱图像在轨压缩方法。
为了实现上述目的,本发明的高光谱图像在轨压缩方法包括如下步骤:
步骤S1:根据高光谱图像波段间的相似性对波段进行自适应的光谱分组和波段重排,得到初始字典、压缩维数和最优波段顺序、最优波段顺序重排的高光谱图像;
步骤S2:利用初始字典、光谱稀疏特性和光谱曲线的结构特征,将最优波段顺序重排的高光谱图像压缩到光谱维数较低的特征空间,得到具有保持光谱曲线可分性的结构字典;
步骤S3:在特征空间中提取显著性目标区域,利用稀疏矩阵存储显著性目标区域,对特征空间中的背景区域的特征图像进行降采样,得到深度压缩的背景区域;
步骤S4:对稀疏矩阵存储的显著性目标区域、深度压缩的背景区域以及结构字典数据进行数据解压缩,恢复每一个特征图像,获得恢复的高光谱图像。
本发明的有益效果:本发明所述方法对于提高在轨处理环境下的高光谱数据压缩性能、高光谱数据结构特征的保持具有重要的意义,其主要优点如下:
本发明综合考虑了高光谱数据在光谱维上的结构特点和稀疏性、显著目标的重要性和背景区域的可深度压缩性,在确保恢复质量的基础上对高光谱图像进行多方位的深度压缩。利用光谱稀疏特性将高光谱图像压缩到维数较低的特征空间,大大节省了网络资源和存储资源;利用结构字典描述光谱曲线的结构特征,用以保持光谱曲线的可分性。利用稀疏矩阵存储显著目标区域,对背景区域的特征图像进行降采样,进一步节省网络资源和后续处理步骤的处理时间。
本发明是一种集数据级压缩、特征级压缩和目标级压缩于一体的多级别压缩,特征级压缩保持了光谱曲线的可分性,目标级压缩保持了目标的细节,数据级压缩确保在特征级压缩和目标级压缩后仍可以恢复数据,压缩的过程中考虑了数据的恢复质量尤其是目标区域细节的可保持性。这种多级别的压缩方式使得其中间结果可以直接被高光谱图像解混、高光谱图像分类等后续步骤应用,在完成数据压缩的同时大大减少了后续应用的处理时间。
得益于上述优点,本发明极大地提高了高光谱图像的在轨压缩性能及对其他在轨处理模块如高光谱图像解混、高光谱图像分类的支撑作用,可广泛应用于星载高光谱图像在轨压缩、高光谱图像在轨分类及异常目标在轨检测等系统中。
附图说明
图1是本发明高光谱图像在轨压缩流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合附图说明本发明技术方案中所涉及的技术问题。应指出的是,所描述的实施方式仅旨在便于对本发明的理解,而对其不起任何限定作用。
如图1示出本发明基于光谱稀疏特性和目标显著特性的高光谱图像在轨压缩方法,该方法包括步骤如下:
步骤S1光谱分组与波段重排:根据高光谱图像波段间的相似性对波段进行自适应的光谱分组和波段重排,得到初始字典、压缩维数、最优波段顺序和最优波段顺序的高光谱图像。具体过程如下:
步骤S11数据重排:将每一波段的二维图像转换为一维向量,然后按照波段顺序将整个三维的高光谱图像I重排为二维矩阵X=(x1;x2;…xi;xp)T,设xi表示将第i个波段图像按照“先列后行”顺序重新排列的1×(m×n)维的行向量;其中,i为波段的序号,i=1,2,3,…,p,m为高光谱图像的高度,n为高光谱图像的宽度,p为高光谱图像的波段数,T为二维矩阵的转置。
步骤S12波段重排及初始字典学习:根据波段间光谱响应的相关性调整波段的排列顺序、对波段进行分组并为每组确定聚类中心,聚类中心即为初始字典。波段重排及初始字典学习是通过对各波段的光谱响应进行自动聚类实现,自动聚类将波段间的互相关系数作为相似性度量准则,在初始化时把所有的波段看成潜在的中心点,然后通过迭代传播责任感消息和可用性消息寻找每个波段的聚类中心并确定每个波段的分组类别。责任感消息r(i1,i2)表示第i2个波段适合作为第i1个波段的聚类中心的程度,i1和i2为波段的序号,i1=1,2,3,…,p,i2=1,2,3,…,p。可用性消息a(i1,i2)表示第i1个波段选择第i2个波段作为其聚类中心的可能性。波段重排及初始字典学习的具体步骤如下:
步骤S121:可用性消息的初始状态:a(i1,i2)=0;
步骤S122:根据可用性消息更新所有的责任感消息,即
s(i1,i3)表示第i1个波段和第i3个波段之间的互相关系数,i3为波段的序号。
步骤S123:根据可用性消息,更新所有的责任感消息,即
a(i2,i2)=∑i3,i3≠i2max[0,r(i3,i2)]
步骤S124:结合可用消息和责任感消息来确定聚类中心。对于第i1个波段,若使得a(i1,i2)+r(i1,i2)取最大值时的i2等于i1,则说明波段i1本身是聚类中心;若i2与i1不相等,则说明波段i1是附属点,其聚类中心为波段i2。
步骤S125:若达到设定的最大迭代次数Tmax或数据点中的消息变化量小于给定的阈值τ,则算法结束;否则,转到步骤S222。本发明中,Tmax=100,τ=10。
迭代结束时可以得到聚类数目h、聚类中心Cd以及每个聚类的波段序号集合Nd为第d个聚类中的波段的个数,d为聚类的序号,1≤d≤h,表示第d个聚类的波段序号集合中的第x个元素,1≤x≤Nd。其中,聚类中心作为初始字典,聚类数目作为初始字典的字典原子个数。最优波段顺序Sopt={s1,s2,…,sd,…,sh},Sopt是原始波段序号集合Sori={1,2,…,p}的一个排列,sd为第d个聚类的波段序号集合,d为聚类的序号,1≤d≤h。将高光谱图像重排二维矩阵X的波段序号按照最优波段顺序Sopt重新进行排列,得到最优波段顺序的高光谱图像。
步骤S2:利用初始字典、光谱稀疏特性和光谱曲线的结构特征将最优波段顺序重排的高光谱图像压缩到光谱维数较低的特征空间,得到具有保持光谱曲线可分性的结构字典;
基于光谱稀疏特性和结构字典表示的高光谱图像压缩。利用光谱稀疏特性将高光谱图像压缩到维数较低的特征空间以节省网络资源和存储资源;利用结构字典描述光谱曲线的结构特征以保持光谱曲线的可分性。基于光谱稀疏特性和结构字典表示的高光谱图像压缩分为压缩模型建立和压缩模型求解两个步骤,具体过程如下:
步骤S21结构字典学习。
基于光谱稀疏特性和结构字典表示将高维的高光谱图像压缩到低维的特征空间,从压缩误差和光谱曲线保持两方面建立结构字典学习模型。基于上述两项约束,本发明将基于光谱稀疏特性和字典表示的高光谱图像压缩表示为如下的优化问题:
其中,X为m*n行p列的二维矩阵。p行k列的二维矩阵V表示光谱维上的字典,m*n行k列的二维矩阵U表示二维矩阵X基于字典V的表示系数。p为高光谱图像的波段数,k为在光谱维上压缩后的波段数,k取值为步骤S1中聚类个数h。λ为正则项系数。上式目标函数的第一项表示压缩误差,为保证压缩误差尽量小并反映高光谱图像的光谱结构特征。第二项刻画了光谱曲线的保持度,ze和zf分别为待求矩阵U的第e行、第f行的向量,wef表示二维矩阵X的第e行和第f行的向量之间的的互相关系数,由所有的wef(1≤e≤m*n,1≤f≤m*n)构成的二维矩阵称W称为相似性矩阵。
步骤S22压缩模型求解。在初始字典基础上交替迭代更新字典和表示系数,求解压缩模型。压缩模型求解就是在给定二维矩阵X、压缩后的波段数k、相似性矩阵W的情况下求解二维矩阵U、二维矩阵V的过程,具体过程如下:
步骤S221初始值设定。V的初始值V(0)设为步骤S1得到的聚类中心,U的初始值U(0)为方程X=U[V(0)]T的非负最小二乘解,T表示矩阵的转置,λ=100。
步骤S222对U和V进行交替迭代更新。令U(t)和V(t)分别为U和V的第t次迭代时的解,U和V交替迭代更新按照如下公式表示:
其中,Ubq (t+1)表示U第t+1次迭代时的解U(t+1)的第b行第q列的值,Vbq (t+1)表示V第t+1次迭代时的解V(t+1)的第b行第q列的值,D为对角阵,对角线上的元素wef为所述相似性矩阵W的第e行第f列的值。Vbq (t)表示矩阵V(t)在第b行第q列的值,Ubq (t)表示矩阵U(t)在第b行第q列的值,1≤b≤m*n,,1≤q≤k,k为在光谱维上压缩后的波段数。交替迭代更新停止的准则为t<100或mse(U(t+1)[V(t+1)]T,U(t)[V(t)]T)<ε,mse(U(t+1)[V(t+1)]T,U(t)[V(t)]T)表示相邻两次迭代的均方误差,ε为一阈值,本发明ε=0.1。当迭代结束时,将U(t)和V(t)分别赋值给U和V。
步骤S3基于目标显著性的二次压缩。在特征空间中提取显著性目标区域,利用稀疏矩阵存储显著性目标区域,对特征空间中的背景区域的特征图像进行降采样的深度压缩,得到深度压缩的背景区域,进一步节省网络资源和后续处理步骤的处理时间。具体过程如下:
步骤S31:目标显著性特征提取。根据平均波段图像的显著特征映射图像的直方图特性提取显著性目标区域。具体过程如下:
S311对图像Uq(1≤q≤k)的平均波段图像Y,计算显著特征图像其中,Uq为所述矩阵U的第q列向量按照“先列后行”的顺序进行重排后的m行n列图像,DCT(·)和IDCT(·)分别表示离散余弦变换和离散余弦逆变换。
S312计算显著特征映射图像ο表示Hadamard点乘运算符,g表示高斯核函数,*表示卷积运算。
S313提取显著区域。对显著特征映射图像进行直方图统计,直方图的灰度级数为3。直方图的频数较多的部分为背景,频数较少的像素组成的区域为显著目标区域。
步骤S32目标区域的稀疏存储。用稀疏矩阵存储目标区域,保持目标区域的完整细节。具体过程如下:设目标区域的像素个数为K,用一个K*3维的三维数组SUq来保存Uq中的目标区域。SUq(z,1)表示目标区域的第z个像素对应于原特征图像Uq的行坐标,SUq(z,2)表示目标区域的第z个像素对应于原特征图像Uq的列坐标,SUq(z,3)表示目标区域的第z个像素对应于原特征图像Uq的灰度值。
步骤S33:背景区域的深度压缩。深度压缩主要通过对原特征图像Uq在空间上进行下采样实现的。为了对背景区域进行深度压缩的同时确保背景区域的恢复质量,对原特征图像Uq进行4倍降采样。设Uq经降采样后的图像为相比原特征图像Uq,的尺寸缩小为原来的四分之一。
SUq、和V为高光谱图像X被压缩后的特征数据。与原始高光谱图像相比,SUq和V的存储空间可以忽略不计;的波段数比原始高光谱图像的波段数要少得多,每一个是原始高光谱图像每波段灰度图像的四分之一。经过步骤S1至步骤S3,原始高光谱图像的尺寸大大的减小了,非常有利于高光谱图像的在轨处理和网络传输。
步骤S4:数据解压。对稀疏矩阵存储的目标区域、深度压缩的背景区域以及结构字典数据进行数据解压缩,恢复每一个特征图像,恢复原来的高光谱图像。具体过程如下:
步骤S41:特征图像恢复,根据稀疏矩阵存储的显著性目标区域、深度压缩的背景区域进行数据解压缩,恢复每一个特征图像。具体过程如下:对进行4倍上采样得到将SUq表示的目标区域代替中相应的内容得到恢复的特征图像U′q。对进行4倍上采样可以获取空间分辨率更高的背景区域同时背景区域不会导致模糊;恢复后的特征图像的目标区域来自原始的特征图像,目标区域的清晰度不受影响,为整个数据恢复过程提供了质量保证。
步骤S42:高光谱图像恢复,根据特征图像和结构字典数据恢复高光谱图像。具体过程如下:U′q的大小为m行n列,1≤q≤k,将U′q按照“先列后行”的顺序变成m*n行1列向量,然后按照波段顺序将特征图像集合{U′q|1≤q≤k}组成m*n行k列的矩阵U′;所述二维矩阵X被恢复为m*n行p列的矩阵X′=U′VT,,将X′的第i列按照“先列后行”的顺序变成m行n列的矩阵Gi,然后按照X′的列号将Gi组成一个m行n列p波段的高光谱图像即为解压后的最优波段顺序的高光谱图像。利用最优波段顺序与原始波段顺序的对应关系将的波段进行还原得到解压后的高光谱图像即对于所述最优波段顺序Sopt={s1,s2,…,sd,…,sh}和原始波段顺序Sori={1,2,…,p},将的第Sopt(l)波段的数据赋值给的第Sori(l)波段。Sopt(l)和Sori(l)分别表示集合Sopt和Sori的第l个元素的值,1≤l≤p。
从上述恢复过程可以看出:1)在特征图像恢复阶段,显著目标区域利用的是原始特征图像中的、未经降采样处理的数据,保持了解压后的高光谱图像中的目标区域的细节和区分能力;2)特征图像中包含了不同像素处的光谱曲线的可分性,而下采样、上采样没有破坏相邻像素之间的表示系数的对比关系,因此,恢复后的高光谱图像的光谱曲线及可分性得到了保持。
以上所述,仅为本发明中的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉该技术的人在本发明所揭露的技术范围内,可理解想到的变换或替换,都应涵盖在本发明的保护范围之内,因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (9)
1.一种高光谱图像在轨压缩方法,包括如下步骤:
步骤S1:根据高光谱图像波段间的相似性对波段进行自适应的光谱分组和波段重排,得到初始字典、压缩维数和最优波段顺序、最优波段顺序重排的高光谱图像;
步骤S2:利用初始字典、光谱稀疏特性和光谱曲线的结构特征,将最优波段顺序重排的高光谱图像压缩到光谱维数较低的特征空间,得到具有保持光谱曲线可分性的结构字典;
步骤S3:在特征空间中提取显著性目标区域,利用稀疏矩阵存储显著性目标区域,对特征空间中的背景区域的特征图像进行降采样,得到深度压缩的背景区域;
步骤S4:对稀疏矩阵存储的显著性目标区域、深度压缩的背景区域以及结构字典数据进行数据解压缩,恢复每一个特征图像,获得恢复的高光谱图像。
2.根据权利要求1所述的高光谱图像在轨压缩方法,其特征在于,所述高光谱图像压缩包括如下步骤:
步骤S21:在初始字典基础上交替迭代更新字典和表示系数,得到高光谱图像的压缩模型;
步骤S22:利用压缩模型对最优波段顺序重排的高光谱图像进行压缩,得到光谱维数较低的特征空间。
3.根据权利要求2所述的高光谱图像在轨压缩方法,其特征在于,所述高光谱图像压缩模型具有压缩误差和光谱曲线保持的两项约束。
4.根据权利要求1所述的高光谱图像在轨压缩方法,其特征在于,所述初始字典由字典原子构成,所述字典原子的个数由光谱分组与波段重排的聚类数目自动确定。
5.根据权利要求1所述的高光谱图像在轨压缩方法,其特征在于,所述提取显著性目标区域是根据平均波段高光谱图像的显著特征映射图像的直方图特性,提取显著性目标区域。
6.根据权利要求1所述的高光谱图像在轨压缩方法,其特征在于,所述稀疏矩阵存储显著性目标区域是保持显著性目标区域的完整细节的目标区域。
7.根据权利要求6所述的高光谱图像在轨压缩方法,其特征在于,所述用稀疏矩阵存储显著性目标区域是未经下采样的特征图像,且保留了目标细节特征的目标数据。
8.根据权利要求1所述的高光谱图像在轨压缩方法,其特征在于,所述数据解压缩包括如下步骤:
步骤S41:根据稀疏矩阵存储的目标区域、深度压缩的背景区域恢复每一个特征图像;
步骤S42:根据特征图像和结构字典数据恢复高光谱图像。
9.根据权利要求8所述的高光谱图像在轨压缩方法,其特征在于,所述恢复每一个特征图像时显著性目标区域的数据来自稀疏矩阵存储的、未经下采样的目标数据,用于保证数据解压后目标细节。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410583964.3A CN104408751B (zh) | 2014-10-27 | 2014-10-27 | 一种高光谱图像在轨压缩方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410583964.3A CN104408751B (zh) | 2014-10-27 | 2014-10-27 | 一种高光谱图像在轨压缩方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104408751A CN104408751A (zh) | 2015-03-11 |
CN104408751B true CN104408751B (zh) | 2017-08-11 |
Family
ID=52646379
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410583964.3A Active CN104408751B (zh) | 2014-10-27 | 2014-10-27 | 一种高光谱图像在轨压缩方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104408751B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104820967B (zh) * | 2015-05-26 | 2018-05-11 | 中国科学院自动化研究所 | 在轨计算成像方法 |
CN105374054A (zh) * | 2015-11-17 | 2016-03-02 | 重庆邮电大学 | 基于空谱特性的高光谱图像压缩方法 |
CN107124612B (zh) * | 2017-04-26 | 2019-06-14 | 东北大学 | 基于分布式压缩感知的高光谱图像压缩方法 |
CN110119716B (zh) * | 2019-05-15 | 2021-05-11 | 中国科学院自动化研究所 | 一种多源图像处理方法 |
CN113658431B (zh) * | 2021-08-13 | 2022-12-13 | 宁波华悦物联科技有限公司 | 交通图像数据处理系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103024398A (zh) * | 2013-01-15 | 2013-04-03 | 山东大学 | 基于稀疏矩阵的高光谱遥感图像的压缩感知处理方法 |
CN103247034A (zh) * | 2013-05-08 | 2013-08-14 | 中国科学院光电研究院 | 一种基于稀疏光谱字典的压缩感知高光谱图像重构方法 |
CN103391438A (zh) * | 2013-07-19 | 2013-11-13 | 哈尔滨工程大学 | 一种高光谱图像压缩编码方法及装置 |
-
2014
- 2014-10-27 CN CN201410583964.3A patent/CN104408751B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103024398A (zh) * | 2013-01-15 | 2013-04-03 | 山东大学 | 基于稀疏矩阵的高光谱遥感图像的压缩感知处理方法 |
CN103247034A (zh) * | 2013-05-08 | 2013-08-14 | 中国科学院光电研究院 | 一种基于稀疏光谱字典的压缩感知高光谱图像重构方法 |
CN103391438A (zh) * | 2013-07-19 | 2013-11-13 | 哈尔滨工程大学 | 一种高光谱图像压缩编码方法及装置 |
Non-Patent Citations (2)
Title |
---|
Compression technique for compressed sensing hyperspectral images;Chengfu Huo等;《International of Electronic Engineering and information Science》;20120531;第33卷(第5期);第1586-1604页 * |
基于自适应谱段重组的高光谱图像压缩方法研究;周正;《中国博士学位论文全文数据库 信息科技辑》;20090515;第I140-88页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104408751A (zh) | 2015-03-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104408751B (zh) | 一种高光谱图像在轨压缩方法 | |
Dian et al. | Hyperspectral image super-resolution via non-local sparse tensor factorization | |
Xu et al. | Nonlocal patch tensor sparse representation for hyperspectral image super-resolution | |
CN111738329B (zh) | 一种面向时间序列遥感影像的土地利用分类方法 | |
US11403733B2 (en) | Systems and methods for image super-resolution using iterative collaborative filtering | |
Peng et al. | Decomposable nonlocal tensor dictionary learning for multispectral image denoising | |
US10268931B2 (en) | Spatiotemporal method for anomaly detection in dictionary learning and sparse signal recognition | |
CN103150713B (zh) | 利用图像块分类稀疏表示与自适应聚合的图像超分辨方法 | |
EP3044758B1 (en) | Automated and scalable object and feature extraction from imagery | |
CN106920214B (zh) | 空间目标图像超分辨率重建方法 | |
CN114119444A (zh) | 一种基于深度神经网络的多源遥感图像融合方法 | |
CN109447898B (zh) | 一种基于压缩感知的高光谱超分辨计算成像系统 | |
CN111223049B (zh) | 一种基于结构-纹理分解的遥感图像变分融合方法 | |
Ramirez et al. | LADMM-Net: An unrolled deep network for spectral image fusion from compressive data | |
CN112215267B (zh) | 一种面向高光谱图像的深度空谱子空间聚类方法 | |
CN115618051B (zh) | 一种基于互联网的智慧校园监控视频存储方法 | |
CN104820967B (zh) | 在轨计算成像方法 | |
CN114998750A (zh) | 一种遥感图像随机长度条带去除方法、装置、设备及介质 | |
CN113066037A (zh) | 基于图注意力机制的多光谱与全色图像融合方法及系统 | |
Zhan et al. | A novel cross-scale octave network for hyperspectral and multispectral image fusion | |
CN105719323A (zh) | 一种基于优化图谱理论的高光谱降维方法 | |
Zhang et al. | Optimized multiple linear mappings for single image super-resolution | |
CN116740415A (zh) | 一种基于光谱分解函数的双分支图卷积网络遥感图像分类方法 | |
Lu et al. | Utilizing homotopy for single image superresolution | |
CN112785583B (zh) | 基于超像素分割的高光谱遥感图像反射率恢复方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |