[发明专利]面向任意形状BOIs的高光谱自适应压缩传感方法

说明书

本发明公开面向任意形状BOIs的高光谱自适应压缩传感方法。针对任意形状感兴趣波段BOIs的三维高光谱图像，利用最大内接矩形法对任意形状感兴趣波段进行自适应分块，进而采用张量压缩传感与单光谱压缩相结合的方法，对任意形状的高光谱图像进行压缩感知处理，极大程度的降低了压缩感知算法的压缩性能。该发明提出一种新的压缩感知方法，以实现对任意形状感兴趣波段进行压缩，充分利用信号的稀疏性，提高了压缩感知过程中的处理性能。

技术领域

本发明属于图像信号处理技术领域，一种面向高光谱的压缩感知方法，可广泛应用于任意形状BOIs(Bands Of Interest)高光谱数据。

背景技术

随着高光谱遥感技术分辨率的提高，对存储硬件提出了更大的挑战。对高光谱数据，有效地节省数据的存储容量，在空间和光谱域重建高光谱数据具有重要的意义。为降低存储成本，迫切需要一种新的理论来提高压缩比。

经典的压缩感知技术，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。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。压缩感知理论很好的解决了原始信号在进行压缩编码时造成的采样资源浪费的问题，有效的实现了对信号的压缩。光谱分辨率小于10nm的光谱图像被称为高光谱图像，一维的光谱信息是高光谱图像的第三位数据，而众多的二维空间图像根据光谱序列依次排列，相当于在数百个普通二维图像上加入了一维的光谱数据，形成三维立方体。面对高光谱图像等三维信号，一个直接的方法就是将三维信号拉伸为一个一维向量，然后进行处理。而三维信号的各个维度间存在结构相关性，若简单的向量化，将会破坏三维信号各个维度间的结构，从而失去结构信息，给后续的信号处理增加困难。张量压缩感知是压缩感知的多维框架，与传统压缩感知系统相比，它克服了压缩感知理论在在三维信号处理方面的弊端，在减少存储量、简化硬件实现和保留信号的三维结构方面是有利的。

高光谱图像具有光谱范围广、分辨率高、数据量大、冗余信息多等特点。但数据量的急剧增加，增加了数据处理的难度，且相邻波段间的相关性和冗余信息影响了数据处理的精度。由于高光谱图像高的光谱分辨率和高的数据维数,使得图像中的某一波段的信息可以部分或完全由图像中其他波段预测,所以产生了光谱冗余。如何既有效地利用高光谱数据的最大信息，又能较快地处理高光谱数据是高光谱遥感研究的一个的重要努力方向。合理的降维处理已成为高光谱图像分析的必要手段。现有的高光谱图像的降维方法主要分为特征提取与波段选择两大类。其中，波段选择方法是在已有的光谱数据中选择和抽取波段，由于不改变其原始数据，因此，保留了其所代表的物性特征，为后续的高光谱处理带来了极大的便利。Alam等提出了基于目标检测与分类的自适应进行波段选择。这个方法在一定程度上实现了对规则形状感兴趣波段提取的可行性，但是对任意形状的高光谱波段的提取存在一定的局限性，如何提高高光谱压缩感知过程中的传输效率以及降级硬件成本是后续研究的重要目的。

发明内容

本发明所要解决的技术问题是传统数据处理过程中的由于三维数据图像形状不规则问题导致的压缩效率低，提出面向任意形状BOIs的高光谱自适应压缩传感方法，具体是针对任意形状感兴趣波段BOIs的三维高光谱图像，采用最大内接矩形与单光谱压缩相结合的方法，对任意形状的高光谱图像进行张量压缩感知处理，极大程度的降低了数据处理的难度，提高了数据处理的精度。该发明提出一种新的压缩感知方法，以实现对任意形状感兴趣波段进行压缩，充分利用信号的稀疏性，提高了压缩感知过程中的传输效率，同时极大地降低了硬件成本。

本发明方法具体包括以下步骤：

(1)获取高光谱图像。

(2)使用空间光谱维去相关法(SSDC)获取最优波段高光谱图像。

(3)获取上述波段的高光谱图像的平均灰度值，并以该平均灰度值作为阈值，对图像进行二值化处理，得到二值掩码高光谱图像。

(4)基于二值掩码进行高光谱图像的自适应压缩传感