CN109285199B - 一种基于三维观测模型的高光谱压缩重构方法 - Google Patents
一种基于三维观测模型的高光谱压缩重构方法 Download PDFInfo
- Publication number
- CN109285199B CN109285199B CN201810980825.2A CN201810980825A CN109285199B CN 109285199 B CN109285199 B CN 109285199B CN 201810980825 A CN201810980825 A CN 201810980825A CN 109285199 B CN109285199 B CN 109285199B
- Authority
- CN
- China
- Prior art keywords
- dimensional
- compression
- column
- image
- hyperspectral
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种基于三维观测模型的高光谱压缩重构方法。该方法先将三维高光谱图像按光谱维度截取出b张m×n的二维图像,分别对每个波段二维图像的列和行进行压缩,重新组合成一个新的三维数据H′;从H′中沿着空域中的行截取出nR个保留了完整光谱维度的二维数据Bj;采用OMP算法对Bj的每一列重构,即得到H′的重构值H″;重构空域列与行压缩。针对高光谱图像等三维信号,本发明对信号各个维度进行压缩,充分利用信号的稀疏性,这种压缩方法克服了传统处理过程的缺陷。
Description
技术领域
本发明属于图像信号处理技术领域,一种基于三维观测模型的高光谱压缩重构方法,可用于广泛应用于雷达、图像分割、无线传感网络和遥感图像处理等方面。
背景技术
经典的数据压缩技术,是从数据本身的特性出发,寻找并剔除数据中隐含的冗余度,从而达到压缩的目的。它是发生在数据已经被完整采集到之后;并且它本身需要复杂的算法来完成。
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,在采样过程中完成了数据压缩的过程。该理论基于信号在某个变换域的稀疏性,利用一个与变换基不相关的观测矩阵,对高维的信号进行观测,映射到一个低维空间上,最终通过求解优化问题以高概率重构原信号。上述方法具有采集和重建过程数值稳定,相同的测量投影(测量矩阵或硬件)可以用于不同的信号采集等特点。2004年,Candes和Donoho等人提出压缩感知后,使得采样速率与信号的结构和内容相关,并以低于奈奎斯特采样定理要求的频率采样、编码和重构。在实际应用中,该方法被广泛应用于雷达、图像分割、无线传感网络和遥感图像处理等方面。
典型CS重构算法,包括凸优化方法、贪婪迭代方法等等。这些方法的研究对象都是一维信号,所以可将其视作单观测向量下的压缩感知重建算法。在处理二维信号时,多将其转换成一维信号进行后续处理,这对问题规模较敏感的基追踪类算法是难以容忍的。另外,近来常用将信号分割成若干子块的方法对二维信号进行重构,但这种方法可能由于每个子块恢复情况不同而导致“马赛克”等人为效应。同理,针对高光谱图像等三维信号,也是采用了高维度进行降维处理。在这种方式下,仅仅是对一个二维信号列进行了压缩处理,忽视了二维信号行之间的相关性、稀疏性,对于高光谱数据,更是忽略了最重要的谱间相关性。
发明内容
本发明基于上述技术问题,在OMP(正交匹配追踪)算法的基础上,提出了一种多维度观测模型,对信号各个维度进行压缩,充分利用信号的稀疏性,这种压缩方法克服了传统处理过程的缺陷,如:忽视信号内部相关性导致的人为效应。
二维观测模型:
yL=φLX=ALθL (1)
yL′=yL T (2)
yR=φRyL′=ARθR (3)
将其转置得
yr_L=y′r_L T (4)
对其利用OMP重构算法求得原始信号X的重构值X_rec。
三维观测模型:
以上二维观测模型针对二维的空域图像,结合了二维图像两个维度的相关性、稀疏性进行压缩感知重构,得到了由于传统一维化的重构效果。同样,对于高光谱图像,由于其每个光谱波段都是一张二维图像,可以根据以上方法推出,对其三个维度都进行压缩感知,同样能利用空域和谱间的相关性、稀疏性。
假设一个三维高光谱图像H∈Rm×n×b,其中,m和n分别是空域图像的行和列,b表示高光谱图像的光谱维度。对其压缩步骤如下:
先将三维高光谱数据按光谱维度截取出b张m×n的空域二维图像,记Xi,i=1,2,……b,设每个二维图像是Ki稀疏的,用两个非自适应测量矩阵和对信号的行列分别进行压缩,得到观测值其中nR<<n,mL<<m,分别为压缩后的行列维度进行列压缩得到行压缩观测值其中ALi为行传感矩阵,θLi为行稀疏系数
yLi=φLiXi=ALiθLi (5)
y′Li=yLi T (6)
yRi=φRiy′Li=ARiθRi (7)
ybj=φbjBj=Abjθbj (8)
针对高光谱图像等三维信号,本发明对信号各个维度进行压缩,充分利用信号的稀疏性,这种压缩方法克服了传统处理过程的缺陷。
附图说明
图1为本发明流程图。
具体实施方式
本发明提供了提出了一种多维度观测模型。通过下面方法,可以实现高光谱图像空间压缩的功能。(以三维观测模型为例)步骤如下,如图1:
步骤一:按光谱维度截取出b张m×n的二维图像
获取三维高光谱图像H∈Rm×n×b,其中m和n分别是空域图像的行和列,b表示高光谱图像的光谱维度;将上述三维高光谱图像按光谱维度截取出b张m×n的空域二维图像,记Xi,i=1,2,……b,且设每个二维图像是Ki稀疏;
步骤二:分别对每个波段二维图像的列和行进行压缩
2.1二维图像的列压缩
yLi=φLiXi=ALiθLi (5)
2.2二维图像的行压缩
y′Li=yLi T (6)
yRi=φRiy′Li=ARiθRi (7)
步骤三:重新组合成一个新的三维数据H′
步骤四:截取出nR个保留了完整光谱维度的二维数据
从H′中沿着空域中的行截取出nR个保留了完整光谱维度的二维数据 构造光谱维测量矩阵并对其进行观测,根据公式(8)得到观测值ybj;其中bs为压缩后数据的光谱维度,Abj为光谱维度传感矩阵,θbj为光谱维度稀疏系数
ybj=φbjBj=Abjθbj (8)
步骤五:重构光谱维压缩
步骤六:重构空域列与行压缩
Claims (1)
1.一种基于三维观测模型的高光谱压缩重构方法,其特征在于该方法包括以下步骤:
步骤一:按光谱维度截取出b张m×n的二维图像
获取三维高光谱图像H∈Rm×n×b,其中m和n分别是空域图像的行和列,b表示高光谱图像的光谱维度;将上述三维高光谱图像按光谱维度截取出b张m×n的空域二维图像,记Xi,i=1,2,......b,且设每个二维图像是Ki稀疏;
步骤二:分别对每个波段二维图像的列和行进行压缩
2.1二维图像的列压缩
yLi=φLiXi=ALiθLi (5)
2.2二维图像的行压缩
y′Li=yLi T (6)
yRi=φRiy′Li=ARiθRi (7)
步骤三:重新组合成一个新的三维数据H′
步骤四:截取出nR个保留了完整光谱维度的二维数据
从H′中沿着空域中的行截取出nR个保留了完整光谱维度的二维数据 构造光谱维测量矩阵并对其进行观测,根据公式(8)得到观测值ybj;其中bs为压缩后数据的光谱维度,Abj为光谱维度传感矩阵,θbj为光谱维度稀疏系数;
ybj=φbjBj=Abjθbj (8)
步骤五:重构光谱维压缩
步骤六:重构空域列与行压缩
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810980825.2A CN109285199B (zh) | 2018-08-27 | 2018-08-27 | 一种基于三维观测模型的高光谱压缩重构方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810980825.2A CN109285199B (zh) | 2018-08-27 | 2018-08-27 | 一种基于三维观测模型的高光谱压缩重构方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109285199A CN109285199A (zh) | 2019-01-29 |
CN109285199B true CN109285199B (zh) | 2023-04-11 |
Family
ID=65183390
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810980825.2A Active CN109285199B (zh) | 2018-08-27 | 2018-08-27 | 一种基于三维观测模型的高光谱压缩重构方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109285199B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN104933685A (zh) * | 2015-06-16 | 2015-09-23 | 西安电子科技大学 | 基于三维张量压缩感知的高光谱压缩成像方法 |
WO2017215149A1 (zh) * | 2016-06-17 | 2017-12-21 | 中国科学院光电研究院 | 基于光调制压缩降维感知激光诱导光谱分析方法和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7659718B1 (en) * | 2008-07-31 | 2010-02-09 | The Board Of Trustees Of The Leland Stanford Junior University | Blip design for random sampling compressed sensing of flyback 3D-MRSI |
-
2018
- 2018-08-27 CN CN201810980825.2A patent/CN109285199B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN104933685A (zh) * | 2015-06-16 | 2015-09-23 | 西安电子科技大学 | 基于三维张量压缩感知的高光谱压缩成像方法 |
WO2017215149A1 (zh) * | 2016-06-17 | 2017-12-21 | 中国科学院光电研究院 | 基于光调制压缩降维感知激光诱导光谱分析方法和装置 |
Non-Patent Citations (1)
Title |
---|
唐意东 ; 黄树彩 ; 黄达 ; .基于空间域压缩采样和谱域Karhunen-Loève变换的光谱成像与重构.光学学报.2018,(第05期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN109285199A (zh) | 2019-01-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103595414B (zh) | 一种稀疏采样与信号压缩感知重构方法 | |
CN103247034B (zh) | 一种基于稀疏光谱字典的压缩感知高光谱图像重构方法 | |
CN110501072B (zh) | 一种基于张量低秩约束的快照式光谱成像系统的重构方法 | |
CN106952317B (zh) | 基于结构稀疏的高光谱图像重建方法 | |
CN110084862B (zh) | 基于多尺度小波变换与深度学习的图像压缩感知算法 | |
CN103237204B (zh) | 基于高维压缩感知的视频信号采集与重构系统 | |
CN104123705B (zh) | 一种超分辨率重建图像质量Contourlet域评价方法 | |
CN109087262B (zh) | 一种多视图光谱图像的重建方法、存储介质 | |
CN104933685A (zh) | 基于三维张量压缩感知的高光谱压缩成像方法 | |
CN113689513B (zh) | 一种基于鲁棒张量分解的sar图像压缩方法 | |
CN109285199B (zh) | 一种基于三维观测模型的高光谱压缩重构方法 | |
Li et al. | Image reconstruction based on the improved compressive sensing algorithm | |
Chen et al. | Compressive sensing analysis of synthetic aperture radar raw data | |
Sun et al. | Junk band recovery for hyperspectral image based on curvelet transform | |
CN106101732B (zh) | 快速压缩高光谱信号的矢量量化方案 | |
CN105931184B (zh) | 基于联合优化的sar图像超分辨率方法 | |
CN103985100A (zh) | 一种基于自适应观测组合优化的分块压缩感知方法 | |
CN104036509B (zh) | 一种基于压缩感知的高光谱混合像元分解的方法 | |
CN108460777B (zh) | 一种面向植物高光谱的提取分块压缩重构方法 | |
CN104243986B (zh) | 基于数据驱动张量子空间的压缩视频采集与重构系统 | |
Fira et al. | Results on ECG compressed sensing using specific dictionaries and its validation | |
CN110930466B (zh) | 面向任意形状BOIs的高光谱自适应压缩传感方法 | |
CN109272561B (zh) | 基于空谱联合多假设预测的高光谱图像压缩感知重构方法 | |
CN109448064B (zh) | 基于哈达玛的高光谱图像重构方法 | |
CN101777191B (zh) | 一种基于信噪分离的成像光谱图像快速矢量量化编码方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |