高光譜圖像結構稀疏編碼與重建.pdf

1、由于高光譜圖像是三維立方體，相比于自然圖像不僅具有二維平面信息，還具有光譜維信息。同時高光譜圖像同以前的多光譜圖像相比，具有更多的譜段數(shù)和更高的譜間分辨率，這使得高光譜圖像在地質勘探、資源探查、水質評估、環(huán)境檢測等領域都有著廣泛的應用。但是成像系統(tǒng)的硬件設備性能由于技術水平和造價成本的限制，無法直接通過成像得到高質量的高光譜圖像，這極大的限制了高光譜圖像的應用。所以為了得到高質量的高光譜圖像，近年來學者們針對如何從低質量高光譜圖像恢復高

2、質量高光譜圖像的問題，提出了許多種不同的恢復算法。但是現(xiàn)有的算法仍主要采用自然圖像上的全變差、非局部相似性等信息，沒有有效的利用高光譜圖像的光譜特征，使恢復效果無法得到進一步提高。而最近幾年，隨著張量概念在圖像處理領域的推廣，學者們開始用張量的概念刻畫高光譜圖像所表示的三維立方體，將自然圖像的矩陣表示轉化為了高光譜圖像的張量表示，使高光譜圖像的刻畫更為準確，也為我們指引了研究方向。
　　基于這些問題，本文充分挖掘高光譜圖像的光譜特

3、征，圍繞高光譜圖像這個三維立方體可以用張量進行表示作為切入點，針對高光譜圖像恢復的兩個問題提出了兩種高光譜圖像恢復算法。本文所取得的主要研究成果如下：
　　通過對高光譜圖像光譜維信息的充分挖掘，利用高光譜圖像的聚類稀疏性的先驗信息構造了一個結構稀疏約束項，并將其與非負矩陣分解技術相結合，提出了基于聚類的非負結構稀疏表示模型，然后用該模型刻畫高光譜圖像超分辨問題，再用交替迭代優(yōu)化法求解該問題，重建得到高分辨率的高光譜圖像。通過在模擬

4、高光譜圖像庫和真實高光譜圖像上進行的實驗，證明了我們的算法相比于其它算法具有更好的處理效果。
　　基于塊的低秩逼近模型被證明在自然圖像的恢復上是有效的，然而針對高光譜圖像，二維的低秩逼近模型不能充分利用空間相關性，所以我們提出了基于加權一范數(shù)的低秩張量逼近模型。我們首先將相似的3維圖像塊重組為三階張量，然后利用高階奇異值分解對該三階張量進行分解，然后對分解出來的張量系數(shù)用加權一范數(shù)進行低秩約束，最后得到了基于加權一范數(shù)的低秩張量逼