[发明专利]机器学习优化稀疏基的高光谱全偏振图像压缩重构方法

权利要求书

1.一种机器学习优化稀疏基的高光谱全偏振图像压缩重构方法，其特征在于，包括：

步骤1、采用四分之一波片与具有线偏振特性的器件组合将图像成像于探测器，通过切换四分之一波片的快轴角度和/或具有线偏振特性的器件的透光轴角度实现不同的全偏振调制方式，切换次数小于或等于3；采用该全偏振调制方式，对于待重构高光谱全偏振图像F中每个波段的每个空间像素的四个斯托克斯参量f进行偏振调制，获得压缩信息g^*，所有波段的所有空间像素组合可得压缩信息G^*；

步骤2、利用四分之一波片与具有线偏振特性的器件的穆勒矩阵构建偏振调制矩阵H并取第一行元素，并代入步骤1用于探测的快轴角度和透光轴角度，得到偏振调制矩阵H^*；

步骤3、已知待重构高光谱全偏振图像F中任一λ波段的全偏振局部图像F_λ，提取全偏振局部图像F_λ中每个空间像素的四个斯托克斯参量f_λ；利用偏振调制矩阵H^*对每个空间像素的四个斯托克斯参量f_λ进行偏振调制，获得压缩信息g_λ^*，全偏振局部图像F_λ所有空间像素组合可得压缩信息G_λ^*；

步骤4、采用粒子群算法对四个斯托克斯参量的稀疏基Ψ^*进行迭代寻优；其中，粒子中的元素对应稀疏基矩阵中的元素；每次迭代后，针对每个获得的稀疏基，基于压缩感知理论，利用稀疏基、所述偏振调制矩阵H^*以及步骤3获得的压缩信息g_λ^*，重构全偏振局部图像F_λ每个空间像素的四个斯托克斯参量f_λ^*，所有空间像素组合可得重构的全偏振局部图像F_λ^*；采用已知的全偏振局部图像F_λ和重构的全偏振局部图像F_λ^*计算重构的局部图像四个斯托克斯参量的峰值信噪比(PSNR)，将四个PSNR中的最小值记为个体最优值；以保留较大值为原则，更新个体最优值和个体最优粒子位置，并保留个体最优值的最大值作为新的全局最优值；达到预设的优化停止条件时，最终的全局最优值g对应全局最优粒子位置x_g，将全局最优粒子位置对应的稀疏基作为偏振调制H^*对应的全斯托克斯参量稀疏基Ψ^*；

步骤5、基于压缩感知理论，采用优化的稀疏基Ψ^*、偏振调制矩阵H^*以及步骤1获得的压缩信息g^*，重构每个波段的每个空间像素的四个斯托克斯参量f^*，所有波段的所有空间像素组合可得高光谱全偏振图像F^*。

2.如权利要求1所述的方法，其特征在于，所述具有线偏振特性的器件为线偏振片或液晶可调滤波器(LCTF)。