[发明专利]基于非局部全变差和低秩稀疏的高光谱压缩感知重建方法

说明书

本发明公开了一种基于非局部全变差和低秩稀疏的高光谱压缩感知重建方法，主要解决现有技术在高光谱数据进行压缩采样后重建准确度低、效果差的问题。其包括：1.输入高光谱数据并向量化；2.对向量化的高光谱数据采样，得到采样数据；3.对采样数据进行初始重建；4.对初始重建的数据聚类；5.根据像元类别对采样数据分类，得到各类采样数据；6.构造二次重建模型；7.根据各类采样数据求解二次重建模型，得到二次重建的最优数据，并将该数据作为最终重建数据。本发明在低秩稀疏重建的基础上引入非局部全变差和聚类思想，具有重建准确度高、效果好的优点，可用于高光谱数据成像。

技术领域

本发明属于图像处理技术领域，主要涉及一种高光谱数据压缩感知重建方法，可用于高光谱成像。

背景技术

高光谱数据由上百个非常窄的波段组成，其空间和波段方向的高分辨率特性使得高光谱数据具有很大的数据维度，庞大的信息量对高光谱数据的存储、传输以及后续处理带来了困难。传统的压缩采样方法使用奈奎斯特采样速率对信号进行均匀或非均匀采样后，通过预测、变换、矢量量化等算法进行压缩。这种高冗余采样再压缩的过程造成了极大的资源浪费，给低功耗和资源有限的机载或星载应用带来巨大压力。

压缩感知作为一种新颖的信号获取理论，融合了传统的采样与压缩过程，以远低于奈奎斯特采样率的方式直接获取测量数据，降低了采样成本，减少了存储资源。压缩感知方法有效地解决了高光谱数据计算和存储量大的问题。在现有的高光谱数据压缩感知重建方法中，Wagadarikar A等人提出将全变差模型独立应用于每一个波段的数据，用来约束空间平滑性，但该方法忽略了谱间的相关性。Aravind N V等人以分布式压缩感知理论为基础提出了Simultaneous OMP方法，该方法利用了高光谱数据的联合稀疏特性，虽然在重建时间上具有一定优势，但重建图像的质量较低，难以达到后续应用的要求。

James E.Fowler提出的基于压缩-投影主成分分析CPPCA算法将主成分分析PCA算法用于高光谱数据的压缩重建。该算法首先将原高光谱数据投影到随机选择的低维子空间获得采样数据，然后对采样数据进行PCA变换。通过采样数据的PCA变换基，利用凸集交替投影优化算法近似恢复出原数据的PCA变换系数和变换基，进而得到重建的高光谱数据。该方法虽然能将PCA降维步骤由编码端转移到解码端，并且重建时间较短，但是重建图像的质量较低，不足以为后续的图像处理提供可靠的数据来源。

发明内容

本发明的目的在于针对上述已有技术的不足，提出一种基于非局部全变差和低秩稀疏的高光谱压缩感知重建方法，以提高高光谱数据压缩采样后的重建质量，满足后续应用的要求。

为实现上述目的，本发明的技术方案包括如下：

(1)输入高光谱数据其中表示实数空间，H和P分别表示高光谱数据在空间域的水平和垂直方向像元点数，N表示波段总数，X_n＝{X_i,j,n,i＝1,...,H,j＝1,...,P}表示高光谱数据X_ori的第n个波段，X_i,j＝{X_i,j,1,...,X_i,j,N}表示高光谱数据的一个像元；将高光谱数据X_ori进行向量化处理，得到向量化的高光谱数据

(2)对数据使用块对角采样矩阵进行采样，得到采样数据其中T表示单个高光谱像元的采样数据维度；

(3)对采样数据Y按下式进行初始重建：