基于壓縮感知的高光譜圖像重構(gòu)

《基于壓縮感知的高光譜圖像重構(gòu)》由會員上傳分享，免費在線閱讀，更多相關內(nèi)容在學術論文-天天文庫。

1、爲姑丟難作國碩±學位論文?。牐保崳娀谄たs感知的髙光譜圖像重構(gòu)作者脫Ｍ－＊取新私１、華爵懶授學校導師姓名、－取疏王曉華起—５ＳＪ企業(yè)導師姓名、ＳｍＭ申請學位類別ａｈ＆ｌ一西安電子軒技大學學位論文獨創(chuàng)性（或創(chuàng)新性）聲明乗承學巧嚴謹?shù)膶W良的科學道德，本人聲明所單交的論義是我個人巧導帥風和優(yōu)注和致謝指導下進巧的研究工作及取得的研巧成果。盡我所知，除了文中特別加從標包含他人己經(jīng)發(fā)表或撰寫過的研究成巧；也不中所羅列的內(nèi)巧＾心外，論文中不包含其過的材料—？同工為獲得西女電子科技火學或其它教育機構(gòu)的學位或證書而使用？巧我不。

2、貢獻巧己在論文中作了明確的說明并衷Ｊ謝技作的同事對本研究所做的任何一人承擔切法律責任。學位論文若巧不實之處，本、之Ｉ／’：期ｒ—扳法口—ｗ：苗本人簽名西安電子科技大學關于論文使用授權的說明本人完全了解曲安電子科技大學有關保留和使用學位論義的規(guī)定，即；研究生巧校攻讀學位期間論文說產(chǎn)權屬于西安化子科技大學。學校有權巧留送論文工作的知＾、借閱論文；學?？蓮墓颊撐牡娜炕虿糠謨?nèi)容，允許采用影的復印件，允許蒼閱兀成的論，合皆位論文研光成果印論義。同時本人?；?、結(jié)、縮印或巧它復制乎段保存單位文、發(fā)保密明專利等成果，單名密為后西適安電子科技大學。的學位論文在＿

3、拇＿年解用本授權巧。本人簽名；！．導師整名；一＾如＾。、．化苗日期：＞０任，心疋了日期：—＿學校代碼10701學號1302121514分類號TP75密級公開西安電子科技大學碩士學位論文基于壓縮感知的高光譜圖像重構(gòu)作者姓名：楊星領域：電子與通信工程學位類別：工程碩士學校導師姓名、職稱：張小華副教授企業(yè)導師姓名、職稱：王曉華高工學院：電子工程學院提交日期：2015年11月HyperspectralImageReconstructionbasedonCompressiveSensingAthesissubmittedtoXIDIANUNIVERSITYinparti

4、alfulfillmentoftherequirementsforthedegreeofMasterinElectronicsandCommunicationsEngineeringByYangXingSupervisor:ZhangxiaohuaAssociateProfessorWangxiaohuaSeniorEngineerNovember2015摘要摘要高光譜圖像由成像光譜儀在幾百個相鄰的窄波段內(nèi)同時對地物進行成像所得。多個波段的圖像形成三維的數(shù)據(jù)立方體，其中包含了二維的空間信息和一維光譜信息?？臻g和波段方向的高分辨特性使得高光譜圖像具有很大的數(shù)據(jù)維度，龐大的信息帶來了嚴峻挑戰(zhàn)。

5、傳統(tǒng)的壓縮方法采用奈奎斯特采樣速率對數(shù)據(jù)進行采樣，然后再壓縮傳輸。這種高冗余采樣再壓縮的過程造成極大的資源浪費，同時也增加了運算復雜度，因此并不適合低功耗、資源有限的機載或星載應用。壓縮感知作為一種新穎的信號獲取理論，融合了傳統(tǒng)的采樣與壓縮過程，以遠低于奈奎斯特采樣率的方式直接獲取測量數(shù)據(jù)，降低了采樣成本，減少了存儲資源。壓縮感知的思想是在充分挖掘原數(shù)據(jù)所具有的性質(zhì)和先驗的基礎上建立重構(gòu)模型，這些先驗約束確保了解的最優(yōu)性。因此，對于高光譜圖像壓縮感知重建問題來說，應該在充分了解高光譜性質(zhì)的基礎上進行算法研究。本文基于上述提出的這些問題，對高光譜圖像的壓縮感知重建進行了研究，概括為以下三個方

6、面：首先研究了低秩稀疏分解模型對高光譜圖像壓縮重建性能的提高。本文分析了高光譜圖像不同波段間存在著較強的相關性，以低秩矩陣恢復理論為背景，提出基于低秩稀疏分解的重建模型。該模型通過低秩項來約束波段間的相關性，稀疏項則表示了各波段的差異。通過實驗結(jié)果分析對比，驗證了該算法對重建信噪比的提高作用。其次研究了高光譜圖像的非局部特性，提出基于非局部全變差的低秩稀疏重建模型。與普通的自然圖像相比，高光譜圖像具有豐富的紋理結(jié)構(gòu)和較多的邊緣，傳統(tǒng)的TV重建容易導致邊緣模糊，細節(jié)的重建效果不理想。本文在考慮了高光譜圖像非局部結(jié)構(gòu)特性的基礎上，提出基于非局部TV和低秩稀疏分解的高光譜圖像重建算法。實驗結(jié)果表

7、明，該算法在保證較高重構(gòu)質(zhì)量的同時，較好的恢復了細節(jié)。雖然高光譜圖像波段間具有較強的相關性，但是這種相關性隨波段間距的增加而減弱。通過對高光譜圖像的特性分析可知，表示同類物質(zhì)的像素點之間具有較高的相似度。從整體來看，與非同類像元構(gòu)成的矩陣相比，同類像元構(gòu)成的矩陣具有更強的低秩性，更適合低秩稀疏模型的重建。因此在前兩個工作的基礎上，結(jié)合聚類算法，提出了基于聚類的非局部全變差和低秩稀疏重構(gòu)模型。實驗結(jié)果表明，該算法對高光譜圖