【摘 要】
：
高光谱遥感影像的成像过程受到多种因素的干扰，包括传感器、大气、地形以及其他因素，导致影像中出现噪声、模糊、混叠、云覆盖、阴影等。通过质量改善算法来去除这些干扰因素，是高光谱遥感影像解译的一个重要步骤。本文从多个层次，较全面地回顾高光谱遥感影像的质量改善方法，利用变分框架构建泛化的重建模型，将多种降质问题统一。为了体现高光谱遥感影像质量改善方法的特殊性，我们根据所采用的高光谱针对性策略，将现有方法划
【机 构】
：
武汉大学资源与环境科学学院 武汉大学测绘学院
【出 处】
：
第三届全国成像光谱对地观测学术研讨会
论文部分内容阅读
高光谱遥感影像的成像过程受到多种因素的干扰，包括传感器、大气、地形以及其他因素，导致影像中出现噪声、模糊、混叠、云覆盖、阴影等。通过质量改善算法来去除这些干扰因素，是高光谱遥感影像解译的一个重要步骤。本文从多个层次，较全面地回顾高光谱遥感影像的质量改善方法，利用变分框架构建泛化的重建模型，将多种降质问题统一。为了体现高光谱遥感影像质量改善方法的特殊性，我们根据所采用的高光谱针对性策略，将现有方法划分为六类：(1)光谱变换域处理，高光谱数据由于其具有极高的光谱维度，波段间具有极高的相关性，光谱变换能够有效提升影像质量，在去噪和超分辨率重建领域已有广泛应用。(2)多通道相关性先验，传统的先验模型通常基于单通道，忽略了通道间的相关性，通道先验则利用这种相关性构建先验模型，包括多通道拉普拉斯模型、多通道马尔科夫模型和多通道全变差模型等，能够有效提升影像去噪与修复的效果。(3)多波段互补性先验，光谱高维度使得波段间存在大量互补信息，包括空间互补与辐射互补，这些信息为死像元修复和雾霾处理提供了依据。(4)多传感器融合，数据在具有高空间分辨率的同时，往往不能兼顾高空间分辨率，利用多传感器的多光谱和全色数据，能够有效提升高光谱数据的空间分辨率。(5)空间光谱联合处理，噪声与模糊等降质不仅会干扰高光谱影像的空间维信息，同时影响光谱维信息，空间光谱联合的处理方法能够有效提升质量改善的精度。(6)基于张量表达的质量改善框架，根据最新的多元线性代数理论，高光谱数据能够用一个三维张量进行充分表达，这是一个新的方向，我们对张量表达在高光谱去模糊中的应用进行了探索。
其他文献
近几年广受关注的压缩感知理论是一种在稀疏表示和优化理论基础上提出的信号重构理论。压缩感知的本质是直接将采样与压缩相结合，它利用信号稀疏表示的先验知识，能从少量的观测值(投影值)中恢复原始信号。该理论在编码端只需要通过一个简单的投影过程，就能在解码端通过一个相对复杂的求优化过程来重构原信号，计算负担从编码端转移到了解码端，由于编码端所需运算量极小，无疑给资源受限的高光谱成像平台的数据获取和压缩提供了
高光谱遥感中包含了丰富的光谱和空间信息，高光谱遥感空间信息表达主要采用图像空间表达地物的空间信息和形态特征、采用光谱空间表达二维和三维光谱信息、采用特征空间表达样本在不同空间中的分布。而在传统的遥感应用和图像信息表达中，为了满足目视判别的需要，又是还需要对遥感影像进行彩色可视化表达。高光谱遥感影像的彩色可视化表达主要基于色彩三通道RGB显示系统对信息进行描述，从而便于目视判别和解译，这对于地质矿产
由于数字图像在获取，储存，传输的过程中受到传感器本身和成像环境的影响，会使得某些有用信息丢失，进而不利于图像后续的信息提取与解译。因此，影像补绘技术在图像处理领域具有关键的作用。
高光谱遥感器具有纳米级的光谱分辨率，其拍摄的图像是地物在不同电磁波波段上的成像序列，该序列包含几百甚至上千幅的图像。因此，高光谱图像能精细地描述地物的光谱特征，丰富的光谱信息使得光谱维区分鉴别地物成为可能。但随着遥感器分辨率的快速提高，高光谱图像的数据规模以几何级数递增，其波段间的相关性越来越强，信息冗余越来越大，不仅会增加计算负担，还可能增加信道带宽与数据传输需求之间的矛盾。因此，对高光谱图像进
由于高光谱数据较高的光谱特征维数，针对高光谱影像的统计模式分类通常计算量很大，且容易受Hughes现象影响。近年来，随着具备处理小样本大数据能力的子空间学习技术迅速发展，对于非高斯多峰的高光谱影像数据，影像蕴含的局部保持邻域信息是对原始高维空间的有效低维嵌入。由于包含大量的波谱特征，高光谱影像相应的空间结构信息异常丰富，引入拓展多属性剖面模型(EMAPs)构建高光谱影像的空间结构特征，能有效提高样
新型WorldView-2/3遥感图像不仅空间分辨率得到了大幅提升而且波段划分更细，各波段的光谱响应也出现了显著的变化。这些新特点代表了下一代超高分辨率遥感图像的发展趋势，同时也对图像融合技术提出了挑战。现有的许多图像融合方法并不适用于此类新型高分辨率遥感图像，若直接套用，则会出现严重的光谱和空间信息失真现象。
高光谱图像能够覆盖几十甚至上百个波段，其中含有丰富的空间和光谱信息，使得高光谱图像被广泛应用于目标检测，地物分类，环境监测等诸多研究领域中[1]。高光谱图像在较窄且连续的波段上成像，有较高的光谱分辨率和较窄的波段间隔，但其空间分辨率一般较低，因此会对高光谱图像的后续处理带来较大影响[2]。目前已经有大量针对于提高高光谱图像空间分辨率的方法，这些方法对光谱维超分辨鲜有涉及。然而在目标检测和分类等诸多
近年来，随着人们对信息量需求的急剧增加以及高光谱图像在军事监控、农业规划、矿产勘查等的广泛使用，对高光谱图像高空间分辨率和高光谱分辨的需求也变得越来越高，虽然在遥感传感器的设计中，高光谱图像的光谱和空间分辨率有一个较大的改进。然而，在获取图像的过程中，不可能同时获得高空间分辨率和高光谱分辨率的高光谱图像。这是由于，一方面，系统为了权衡数据量和信噪比，另一方面，为了满足不同的特定应用的需求。然而，在
高光谱图像具有丰富的空间和光谱信息，在地物分类、矿物勘探等领域具有广泛应用。由于成像设备等限制，高分辨率的高光谱图像难以获取，较低的空间分辨率会导致光谱混合，进而影响高光谱图像的辨识能力。因此，高光谱图像的超分辨重构具有较大的理论和应用价值[1]。
图像处理系统的实时性是衡量图像处理系统性能的一个重要方面。系统的实时性表示系统对于外来事件必须在限定时间内做出反应。高光谱图像是高分辨率、高带宽数据,对该数据进行实时处理时,要求的处理速度一般在NG bit/s左右,传统的串行软件设计难以满足此要求,FPGA所具有的并行处理特点为解决此类问题提供了新的途径。本课题中涉及的实时图像处理,主要是用MATLAB完成图像的主成分分析,对高光谱图像进行降维处