[发明专利]一种基于压缩感知的高光谱超分辨计算成像系统

说明书

本发明公开了一种基于压缩感知的高光谱超分辨计算成像系统，包括：液晶可调滤光器、空间编码模块、面阵探测器、压缩重构模块、超分辨模块；原始图像依次经液晶可调滤光器、空间编码模块后，由面阵探测器探测，获得空间、光谱维均压缩的高光谱数据；压缩重构模块，用于利用压缩感知的重构算法，对所述高光谱数据进行重构，获得恢复的低分辨率的高光谱图像；超分辨模块，用于利用高光谱图像的非局部自相似性，在不需要辅助高分辨率的RGB图像的情况下，仅从所述低分辨率的高光谱图像，恢复出高分辨率的高光谱图像。使用本发明能够降低数据采集端压力，同时该系统不需要增加额外光路就可实现高光谱图像的超分辨重构。

技术领域

本发明属于光谱成像技术领域，特别涉及一种基于压缩感知的高光谱超分辨计算成像系统。

背景技术

高光谱成像系统能够为地表物体每个像元提供数十至数百个连续窄波段信息，其光谱分辨率达到了纳米的数量级，包含了丰富的地物类型信息。高光谱成像系统的出现和发展大幅提高了人们通过遥感技术观测和认识事物的能力，受到了全球各国的普遍关注，在地质调查、植被研究、大气观察、农业生产、国防军事等方面发挥着重要作用。

高光谱图像是由相同场景下不同谱段的三维图像数据构成，称之为“光谱立方体”，其包含了空间维信息和数十至数百个光谱维信息，因此高光谱数据的数据量巨大，给数据采集端带来了很大的压力。随着压缩感知理论的问世，快速获取高光谱数据得以突破，成像系统在明显减少数据量的同时完成具有极高光谱分辨率的高光谱数据的采集。相对于传统的信号获取和处理过程，利用压缩感知理论，信号采样速率不再取决于信号的带宽，而是取决于信号中信息的结构与内容，如此传感器的采样和计算成本将大大降低，而信号恢复过程是一个优化重构的过程。

压缩感知理论的基本原理是，对于长度为N的信号x寻找某个正交基Ψ，使其在该正交基下经过变换是稀疏的(即系数中只有少量的非零元素)，设计另一个与正交基Ψ不相关的观测矩阵Φ，投影x得到观测信号y，通过求解优化问题来重构原始信号x，数学公式为：

但是现有的基于压缩感知的高光谱计算成像方法很难使获得的高光谱数据具有比较高的空间分辨率，所以利用信号处理技术从低分辨率高光谱图像恢复出高分辨率高光谱图像意义重大、价值深远。而传统的压缩高光谱超分辨成像系统通常需要增加全色观测光路，引入辅助高分辨RGB图像信息实现超分辨重构。这样的系统结构复杂，体积增加，成本上涨。

发明内容

有鉴于此，本发明针对传统的高光谱成像系统数据存储、传输、处理压力大以及获取图像空间分辨率较低的问题，提出了一种基于压缩感知的高光谱超分辨计算成像系统，以降低数据采集端压力，同时该系统不需要增加额外光路就可实现高光谱图像的超分辨重构。此外通过进一步的矩阵选择也可以完成去噪、去模糊的任务。

为了解决上述技术问题，本发明是这样实现的：

一种基于压缩感知的高光谱超分辨计算成像系统，包括：液晶可调滤光器、空间编码模块、面阵探测器、压缩重构模块、超分辨模块；

原始图像依次经液晶可调滤光器、空间编码模块后，由面阵探测器探测，获得空间、光谱维均压缩的高光谱数据；

压缩重构模块，用于利用压缩感知的重构算法，对所述高光谱数据进行重构，获得恢复的低分辨率的高光谱图像；

超分辨模块，用于利用高光谱图像的非局部自相似性，在不需要辅助高分辨率的RGB图像的情况下，仅从所述低分辨率的高光谱图像，恢复出高分辨率的高光谱图像。

优选地，超分辨模块包括：

自适应字典学习子模块，用于将所述低分辨率的高光谱图像分成重叠的图像立方块，使用K-means聚类方法将这些图像立方块划分成K簇，通过主成分分析PCA学习每个类簇的字典，K个PCA子字典最终可以构成一个大的超完备的学习字典；通过聚类形成的学习字典利用了图像的全局非局部自相似性，并保证了局部稀疏性；