基于混合范數(shù)追蹤算法的高光譜圖像重構(gòu)方法
【專利摘要】本發(fā)明公開了一種基于混合范數(shù)追蹤算法的高光譜圖像重構(gòu)方法：結(jié)合高光譜圖像性質(zhì)分析現(xiàn)有壓縮感知重構(gòu)算法，選擇相應(yīng)的0范數(shù)算法和1范數(shù)算法，證明存在能將二者結(jié)合的混合策略并尋找最佳的混合策略，得到混合范數(shù)追蹤算法，進(jìn)而對(duì)稀疏采樣的高光譜圖像進(jìn)行重構(gòu)，最后輸出經(jīng)稀疏逆變換獲得的重構(gòu)高光譜圖像。該方法具有人機(jī)交互接口模塊、混合策略分析模塊、高光譜圖像重構(gòu)模塊、重構(gòu)圖像輸出模塊這四個(gè)功能模塊?；旌戏稊?shù)追蹤算法相比于傳統(tǒng)的重構(gòu)方法，在速度和精度上都有明顯的改善，減輕了高光譜大數(shù)據(jù)傳輸、存儲(chǔ)帶來的硬件壓力，提高了數(shù)據(jù)傳輸?shù)目垢蓴_能力。
【專利說明】基于混合范數(shù)追蹤算法的高光譜圖像重構(gòu)方法

【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種基于混合范數(shù)追蹤算法的高光譜圖像重構(gòu)方法，適用于高光譜數(shù)據(jù)處理系統(tǒng)中，屬于高光譜數(shù)據(jù)處理領(lǐng)域。

【背景技術(shù)】
[0002]高光譜遙感是一項(xiàng)近幾十年來迅速發(fā)展的空天對(duì)地觀測技術(shù)，它圖譜合一的性質(zhì)有重大的研究意義和廣泛的應(yīng)用前景，已經(jīng)在商業(yè)、軍事和民間領(lǐng)域得到廣泛應(yīng)用。相比較于常規(guī)遙感圖像，高光譜圖像能夠更精細(xì)的刻畫地物特征，探測到常規(guī)遙感中無法探測到的物質(zhì)，為后期地物分類以及探測提供前提條件。然而，它良好的性質(zhì)建立在龐大的數(shù)據(jù)量上，一張高光譜圖像的大小往往是常規(guī)圖像的幾百倍，大量的波段數(shù)帶來了巨大的信息冗余。這為高光譜圖像的采集、傳輸和存儲(chǔ)帶來不必要的麻煩。
[0003]壓縮感知是近年來提出的一個(gè)尋找欠定系統(tǒng)稀疏解的技術(shù)，該技術(shù)通過開發(fā)信號(hào)的稀疏特性在遠(yuǎn)小于奈奎斯特采樣率的條件下，利用隨機(jī)采樣獲取信號(hào)的離散樣本，然后通過非線性重構(gòu)算法完美重構(gòu)信號(hào)。壓縮感知理論一經(jīng)提出便受到信息論、圖像處理、地球科學(xué)、光學(xué)、微波成像、模式識(shí)別、無線通訊等領(lǐng)域的高度關(guān)注，并被廣泛的應(yīng)用于電子工程尤其是信號(hào)處理中，進(jìn)行低采樣率采樣和高精度重構(gòu)稀疏或可壓縮的信號(hào)。目前廣泛采用的壓縮感知重構(gòu)算法主要有兩類:基于O范數(shù)的貪婪算法和基于I范數(shù)的凸優(yōu)化算法?；贠范數(shù)的貪婪算法包括匹配追蹤算法、正交匹配追蹤算法、硬閾值迭代算法等，基于I范數(shù)的凸優(yōu)化算法包括基追蹤算法、梯度投影算法、內(nèi)點(diǎn)法、同倫法等。這兩類算法各有所長但也均有其不足之處:0范數(shù)對(duì)應(yīng)的算法速度快但是精度不高；1范數(shù)對(duì)應(yīng)的算法精度高但速度不快。
[0004]高光譜圖像數(shù)據(jù)龐大且獲取不易，為了減輕硬件傳輸、存儲(chǔ)壓力需盡可能低的進(jìn)行采樣和高精度重構(gòu)；另一方面，低速度的重構(gòu)算法的缺點(diǎn)會(huì)因大數(shù)據(jù)量而被急劇的放大，造成的時(shí)間消耗往往讓人無法忍受。因此，需要尋找一種重構(gòu)精度足夠高并且重構(gòu)速度足夠快的算法，滿足高光譜圖像實(shí)時(shí)處理的需求。


【發(fā)明內(nèi)容】

[0005]本發(fā)明旨在提供一種基于混合范數(shù)追蹤算法的高光譜圖像重構(gòu)方法，具體是一種結(jié)合現(xiàn)有O范數(shù)算法和I范數(shù)算法優(yōu)點(diǎn)的新型壓縮感知重構(gòu)方法。本方法具有較強(qiáng)的魯棒性，能夠在保證重構(gòu)精度的情況下快速的重構(gòu)出原始的高光譜圖像，對(duì)不同地物環(huán)境的高光譜圖像均表現(xiàn)出良好的實(shí)驗(yàn)效果。
[0006]本發(fā)明所涉及的方法流程具體包括以下四個(gè)步驟:1、獲得初始信息及相關(guān)初始化操作；2、混合策略分析；3、高光譜圖像重構(gòu)；4、重構(gòu)結(jié)果輸出。下面對(duì)該方法流程各步驟進(jìn)行詳細(xì)說明:
[0007]步驟一獲得初始信息及相關(guān)初始化操作
[0008]利用人工交互接口模塊輸入高光譜圖像稀疏采樣結(jié)果和兩類算法范例，并設(shè)置如公式(I)到(3)所示的算法迭代終止條件，對(duì)是否終止算法進(jìn)行判斷。

【權(quán)利要求】
1.一種基于混合范數(shù)追蹤算法的高光譜圖像重構(gòu)方法，并開發(fā)了相應(yīng)的仿真原型系統(tǒng)，該系統(tǒng)具有人機(jī)交互接口模塊、混合策略分析模塊、高光譜圖像重構(gòu)模塊、重構(gòu)圖像輸出模塊這四個(gè)功能模塊，具體包括如下步驟: 第一步，獲取初始數(shù)據(jù)及相關(guān)初始化操作； 利用人機(jī)交互接口模塊獲取低采樣率的高光譜圖像數(shù)據(jù)，初始化算法迭代終止條件，并設(shè)置相關(guān)參數(shù):原始信號(hào)是k稀疏的η維信號(hào)，它的稀疏變換結(jié)果為X，求解的近似結(jié)果為X' , η維空間的基為丨ei,e2,e3...￡?}; 第二步，對(duì)現(xiàn)有的重構(gòu)算法進(jìn)行分析，獲取相應(yīng)的混合策略； 結(jié)合高光譜圖像特點(diǎn)，分析O范數(shù)算法和I范數(shù)算法特點(diǎn)并建立混合策略模型，分析研究最佳的混合策略，得到混合范數(shù)追蹤算法的算法流程，為了方便理解，用梯度引導(dǎo)的算法作為I范數(shù)算法的例子進(jìn)行說明: 步驟1，利用O范數(shù)算法獲取待求解信號(hào)的第一個(gè)分量的近似值X1' = ; 步驟2，利用O范數(shù)算法獲取待求解信號(hào)的第二個(gè)分量的近似值X2' = X1 ? ^ej ； 步驟P，利用O范數(shù)算法獲取待求解信號(hào)的第P個(gè)分量的近似值' '='+^ '*eP ； 步驟P+1，利用I范數(shù)算法沿當(dāng)前位置的梯度方向獲取求解信號(hào)的位置~+1'=V-aKV); 步驟q，利用I范數(shù)算法沿當(dāng)前位置梯度方向獲取求解信號(hào)的位置x' = xq' = xq-1'~ '); 在上面的算法流程中P e {1,2,…k}，k是原始信號(hào)的稀疏度，α 1是第i步迭代步進(jìn)；新算法將會(huì)很大概率的達(dá)到最優(yōu)狀態(tài)，如果利用O范數(shù)算法迭代P步花的時(shí)間t滿足:
V0 (t) = V1Lf (t)] (2) 其中，V0 (t)是O范數(shù)算法的速度，V1 (t)是I范數(shù)算法的速度，t是O范數(shù)算法迭代P步花費(fèi)的時(shí)間，f (t)是I范數(shù)走O范數(shù)算法P步路程花費(fèi)的時(shí)間； 第三步，高光譜圖像重構(gòu)； 根據(jù)高光譜圖像的特點(diǎn)，選擇相應(yīng)的稀疏基，通過混合策略分析模塊得到的混合范數(shù)重構(gòu)算法對(duì)人機(jī)交互接口模塊獲取的稀疏采樣結(jié)果進(jìn)行重構(gòu)，利用稀疏逆變換得到高光譜圖像的重構(gòu)結(jié)果； 第四步:通過重構(gòu)結(jié)果輸出模塊，輸出高光譜圖像重構(gòu)結(jié)果。
【文檔編號(hào)】G06T5/00GK104077751SQ201410277310
【公開日】2014年10月1日 申請日期:2014年6月19日 優(yōu)先權(quán)日:2014年6月19日
【發(fā)明者】尹繼豪, 余萬科, 姜志國, 曲徽, 朱紅梅 申請人:北京航空航天大學(xué)