压缩感知框架下高光谱图像重构与去噪研究

• 作 者: 汪浩然
• 出 处: 河北工业大学
• 发表日期: 2017年01期
• 关键词: 高光谱图像 压缩感知 图像重构 图像去噪

近年来,能够获取的不同空间分辨率的高光谱卫星遥感数据愈发丰富。然而,高光谱图像在获取和传播过程中难以避免会受到噪声污染。如何从这些被噪声污染的高光谱影像中获取更加有效可靠的信息是亟待解决的重要问题。压缩感知理论突破了奈奎斯特采样率限制,能大大降低信号采样及处理过程的成本。因此我们将压缩感知框架应用到高光谱图像的采样重建中并对重构后图像的去噪算法进行了深入研究。本论文主要工作或创新如下:(1)压缩感知框架下一种匹配追踪重构算法研究。在分段正交匹配追踪算法(StOMP)基础上,给出一种基于惯性权重指数递减粒子群优化(IWPSO)算法和回溯特性的StOMP改进算法(ba-IWPSO-StOMP),即在每次迭代中,使用IWPSO算法对传感矩阵中原子进行优化,再在原子选择时中引入回溯策略,实现原子的二次筛选。对一维信号和二维图像的实验结果表明,该算法重构精度明显优于OMP等常用算法。(2)具备噪声估计特性的字典学习去噪方法研究。K-SVD字典学习去噪算法具备耗时短、去噪效果好等特点,但其适用条件仅限于图像噪声强度是已知的。为此,给出一种具备噪声估计特性的字典学习去噪算法(ABKSVD),即先利用一种平滑图像块的筛选方法和奇异值分解(SVD)对图像进行噪声估计,然后根据噪声估计结果采用K-SVD字典学习进行去噪。经过经典图像的去噪实验,结果表明去噪图像能够较好地保留细节信息和边缘特征,其效果优于常用去噪算法。(3)结合特征降维和字典学习去噪的高光谱图像自适应去噪方法研究。ABKSVD算法适用于空间域图像去噪,但仅靠空间域去噪很难将高光谱图像中的噪声有效清除。为此,提出一种光谱-空间域联合去噪算法(PCA-ABKSVD),即先采用主成分分析(PCA)对高光谱图像处理得到一组主成分图像,再对其中含噪图像组采用ABKSVD算法进行去噪,最后通过图像组融合得到最终去噪图像。经对比实验结果表明,该算法去噪后高光谱图像的峰值信噪比和画面质量都得到明显提升,优于数种传统去噪算法。(4)实际高光谱图像处理。设计一个压缩感知框架下的高光谱图像重构和去噪的处理系统,实现高光谱图像从采样重构到去噪的一系列处理。对真实高光谱图像的实验结果表明,经处理的高光谱图像无论重构精度还是图像质量都能达到理想效果。