[发明专利]基于空谱三维稀疏先验的高光谱解混压缩感知方法

说明书

技术领域

本发明涉及一种高光谱解混压缩感知方法，特别是涉及一种基于空谱三维稀疏先验的高光谱解混压缩感知方法。

背景技术

高光谱遥感图像凭借精细的光谱分辨率收集地面物质在不同波长太阳光下的反射率，获取不同地物特有的反射率光谱曲线，为地物的遥感检测、分类和识别提供了物理依据。高光谱图像丰富的光谱信息导致图像数据量巨大，需要消耗大量的资源进行数据的获取、传输和处理，严重制约了高光谱图像的广泛应用。

大部分方法主要将高光谱数据的每一个波段看作是普通的灰度图像，从而采用传统的图像压缩算法进行压缩，或者将传统压缩算法推广到能够直接处理三维的高光谱数据。然而，这些压缩机理均作用在图像获取之后，仍需要消耗大量的资源数据的临时存放和传输，不能根本上解决资源消耗问题。近来，压缩感知成像理论的提出保证了仅需要从场景中采集少量的信息便可以在需要时对原始场景图像进行高精度的重建，大幅减少了图像采集过程中的临时资源消耗。

ChengBo Li等人在文献“A compressive sensing and unmixing scheme for hyperspectral data processing,IEEE Transactions on Image Processing,2012,21(3):1200–1210”中，利用压缩感知成像技术，采集部分少量场景的光谱样本，实现高光谱数据的大幅压缩。通常假设，高光谱数据在线性解混后，得到若干端元的光谱和整个数据在端元上的丰度值投影矩阵，该矩阵在空间维具有梯度稀疏性。基于这样的先验假设，在重建过程中，该文章引入一定量的端元光谱，利用压缩感知重建技术重建稀疏的丰度值矩阵，最终利用线性混合模型得到原始的高光谱数据。然而，一方面，该方法需要和图像中像素数量成正比大小的采集元件进行随机采样，硬件消耗较大；另一方面，该方法忽略了丰度值矩阵在光谱维的潜在稀疏性，未能充分发掘高光谱数据中的冗余性，从而导致压缩效率低。

发明内容

为了克服现有高光谱解混压缩感知方法压缩效率低的不足，本发明提供一种基于空谱三维稀疏先验的高光谱解混压缩感知方法。该方法使用随机采样矩阵从场景的光谱中抽取少量波段作为压缩数据。重建过程中，从光谱库中选择适当的光谱作为端元矩阵，并引入丰度值矩阵的空谱三维稀疏先验，同时约束丰度值矩阵在空间维和光谱维上稀疏性，进而使用增广拉格朗日的方法精确估计丰度值矩阵。最后，依据线性混合模型重建原始数据。可以提高压缩效率。

本发明解决其技术问题所采用的技术方案是：一种基于空谱三维稀疏先验的高光谱解混压缩感知方法，其特点是包括以下步骤：

步骤一、对于包含n_p个像素，n_b个波段的高光谱图像其中每一个像素的光谱x_i表示成所有端元的线性组合，其中，为对应的丰度值向量。X表示成丰度值矩阵和端元矩阵W的乘积，如下：

X＝WH                           (1)

H中，行方向是空间维，代表不同像素的光谱在同一个端元上的投影；列方向是光谱维，代表某个像素的光谱在不同端元上的投影。

步骤二、使用满足高斯随机分布，列归一化的随机采样矩阵对场景的光谱进行随机采样，得到压缩数据，其中，m表示n_b个波段压缩后的长度，m＜n_b。

F＝AX＝AWH                       (2)

步骤三、面积有限的成像场景，通常仅包含有限个端元。根据场景信息在USGS光谱库中抽取n_e个光谱组成端元矩阵W。

步骤四、为了通过模型(2)精确求解H，综合考虑H空间维和光谱维上的稀疏性，设计了空谱三维稀疏先验，约束H的求解。具体过程如下：

(a)构建H的空谱三维稀疏先验：