专利名称：一种基于稀疏光谱字典的压缩感知高光谱图像重构方法
技术领域：
本发明涉及一种基于稀疏光谱字典的压缩感知高光谱图像重构方法，属于遥感技术领域。
背景技术：
高光谱遥感拥有更高的光谱分辨率、更多的波段数，能够利用地物的诊断性光谱特征定量分析地球表层物理、化学属性，区分多光谱数据通常不能区分的地物属性，因而在近年来成为各国竞相发展的遥感成像技术。高光谱遥感图像可以形象的表征为描述目标二维空间信息和一维光谱信息的“图像立方体”，随着空间分辨率和光谱分辨率的提高，高光谱数据量也迅速增长，这样一方面增加了传输和存储以及在轨压缩处理的难度，一方面使得成像系统越来越复杂，增大了实现难度和成本。近年来信号处理领域的一种新兴理论一压缩感知理论为医学成像、遥感成像等领域带来了革命性的突破，压缩感知高光谱成像是一种新的成像体制，指的是在利用地物目标的稀疏特性，采用压缩感知理论对目标空间维或光谱维进行随机采样，从远少于经典采样数的测量值中通过相应的数学优化手段重构出目标的三维高光谱图像。在遥感成像过程中，采用压缩感知的成像系统一方面可以大大降低采集系统(如面阵CCD)的规模，另一方面不需要传统成像中的采样后再压缩，减少了在轨处理的压力。应用压缩感知进行成像的三个要素是目标的稀疏性、观测的随机性以及稳定高效的重构算法。压缩感知理论应用于对地观测高光谱遥感成像的一个核心问题在于面对千变万化的地物场景，如何探求有效的稀疏化表达方法。目标的稀疏性是使用压缩感知成像的前提条件，目标稀疏性越好，就能从越少的测量值中重构出图像。对于自身不稀疏的地物目标，需要事先寻找一组基向量，使得通过观测目标在该组基向量下的坐标表示是稀疏的，这组基向量称为稀疏基，如果该组基是过完备的，又称为稀疏字典。由于在成像前目标的信息是未知的，稀疏基的构造是一个挑战，对于压缩感知高光谱成像中的光谱稀疏字典构造国内外尚未见报道。
发明内容
本发明的目的是针对压缩感知高光谱成像中的有效光谱重构方法的缺乏，提出一种基于稀疏光谱字典的压缩感知高光谱图像重构方法及装置。本发明方法包含如下四个步骤:
步骤一、分类选取现有地物光谱库中的典型地物光谱，组成训练样本库，并根据高光谱成像系统的波长范围和谱段数，对该训练样本库中的地物谱线进行截取和重采样，使训练样本的波长范围和谱段数和前者保持一致；
步骤二、利用信号稀疏分解领域的相关算法，比如K-SVD算法，对步骤一得到的训练样本库中的地物谱线进行字典训练，得到对应的稀疏字典；
步骤三、将步骤二中得到的稀疏字典结合压缩测 量值和随机测量矩阵进行高光谱重构，对重构的效果进行评价；
步骤四、调整步骤二中进行字典训练算法的相关参数，如字典大小、算法迭代次数等重复进行步骤二和步骤三，直到光谱重构效果达到最佳。对比现有技术，本发明的有益效果在于:本发明方法是基于典型地物光谱构建的面向压缩感知高光谱成像的稀疏字典的光谱重构方法，与一般的压缩感知稀疏基的重构方法相比，本方法主要有以下两点优势:
1.基于本方法得到的稀疏字典对地物光谱的稀疏化效果更好，重构光谱的精度更高，特别是采样率较低时，与一般方法相比优势更加明显。2.不同于传统的信号在稀疏字典下的分解与重构，本方法不需要目标的先验信息，具有广泛的应用面。
图1为一种基于稀疏光谱字典的压缩感知高光谱图像重构方法流程 图2为一种基于稀疏光谱字典的压缩感知高光谱图像重构方法模块一流程 图3为一种基于稀疏光谱字典的压缩感知高光谱图像重构方法模块二流程 图4为一种基于稀疏光谱字典的压缩感知高光谱图像重构方法模块三流程图。
具体实施例方式
本发明的目的是针对现有高光谱成像系统数据量大、系统复杂、成本高的问题，提出一种基于稀疏光谱字典的压缩感知高光谱图像重构方法。下面结合附图和实施例对本发明进行解释。本发明提出的用于上述方法的一种基于稀疏光谱字典的压缩感知高光谱图像重构方法，包括以下部分:稀疏光谱字典构建模块、高光谱图像重构模块和自适应调整模块。各模块的实现结构及工作原理如下:
模块一、稀疏光谱字典构建模块，包括以下步骤:
I)分类选取典型地物光谱曲线组成训练样本库，如按水体、矿物、植被、人工目标等分类进行选取，原则上训练样本库中的谱线数量应多于成像目标谱段数才能有较好的效果。2)对训练样本库中的谱线进行截取和重采样，根据高光谱成像系统的波长范围和谱段数确定训练样本库中光谱的波长范围和谱段数，使得训练样本的波长范围和谱段数与成像后获得目标的波长范围和谱段数一致，对于光谱库中没有数据的谱段可以用三次样条插值的方式获得反射率。3)对步骤2)得到的训练样本库中的地物谱线采用信号稀疏分解领域的相关算法，如K-SVD算法进行字典训练得到相应的稀疏字典。K-SVD算法是结合奇异值分解(SVD)与K均值聚类的基于稀疏表示的过完备字典训练方法，该方法对于给定的一组训练信号，能够自适应地按照稀疏约束条件训练出稀疏表示的过完备字典，即训练出的字典对于被训练信号都有良好的稀疏表示效果。当需要稀疏化的信号与字典中的训练信号具有类似的特征时，该字典就可以对目标信号进行稀疏化。将N个训练信号的列向量Wi(I = IUZ)排列成矩阵形式IT = [Wjf1，待训练的字典为D = ,稀疏系数为I = , K-SVD算法模型可描述为
权利要求
1.一种基于稀疏光谱字典的压缩感知高光谱图像重构方法，其特征在于包括以下步骤: 步骤一、分类选取现有地物光谱库中的典型地物光谱，组成训练样本库，并根据高光谱成像系统的波长范围和谱段数，对该训练样本库中的地物谱线进行截取和重采样，使训练样本的波长范围和谱段数和前者保持一致； 步骤二、利用信号稀疏分解领域的相关算法，比如K-SVD算法，对步骤一得到的训练样本库中的地物谱线进行字典训练，得到对应的稀疏字典； 步骤三、将步骤二中得到的稀疏字典结合压缩测量值和随机测量矩阵进行高光谱重构，对重构的效果进行评价，具体步骤如下: a)设计测量矩阵J，行数为压缩测量值的个数，列数为重构的谱段数，且行数小于列数； b)利用成像系统和测量矩阵获取空间点( ,J)处的光谱压缩测量值向量
2.根据权利要求1所述的一种面向压缩感知高光谱成像的稀疏光谱字典构建方法，其特征在于训练样本库中的谱线数量应多于成像目标谱段数才能有较好的效果。
3.根据权利要求1所述的一种面向压缩感知高光谱成像的稀疏光谱字典构建方法，其特征在于步骤一种对训练样本库中的地物谱线进行截取和重采样时，对于光谱中没有数据的谱线可以用三次样条插值的方式获得反射率。
4.根据权利要求1所述的一种面向压缩感知高光谱成像的稀疏光谱字典构建方法，其特征在于可以通过匹配追踪算法迭代求解K-SVD算法模型的最优化问题。
5.根据权利要求1所述的一种面向压缩感知高光谱成像的稀疏光谱字典构建方法，其特征在于步骤二中所述的稀疏字典是一个矩阵，其行数为成像系统要获取的谱段数，列数的选择需要根据实际成像需求·和效果来确定。
全文摘要
本发明涉及一种基于稀疏光谱字典的压缩感知高光谱图像重构方法，属于遥感技术领域。针对现有高光谱成像系统数据量大、系统复杂、成本高的问题，提出一种基于稀疏光谱字典的压缩感知高光谱图像重构方法。该方法基于现有的地物光谱库，分类选取典型地物光谱曲线组成样本库，采用信号稀疏分解领域的相关算法对该样本库进行训练得到稀疏字典，结合压缩测量值和随机测量矩阵进行高光谱重构，根据重构效果调整上述算法的相关参数直至最佳。本方法得到的稀疏字典对地物光谱的稀疏化效果更好，重构光谱的精度更高，不同于传统的信号在稀疏字典下的分解与重构，本方法不需要目标的先验信息，具有广泛的应用面。
文档编号G06T5/00GK103247034SQ201310166348
公开日2013年8月14日 申请日期2013年5月8日 优先权日2013年5月8日
发明者李传荣, 马灵玲, 汪琪, 唐伶俐, 胡坚, 李子扬, 王宁, 周勇胜, 李峰 申请人:中国科学院光电研究院