单色散压缩编码光谱成像系统研究

随着光谱成像技术向高空间分辨率、高光谱分辨率、高信噪比方向发展, 传统的光谱成像系统面临着数据采集量过大的问题,同时,系统分辨率受探测器帧频与像元尺寸影响较大、大口径长焦距系统难于精密装调、系统能量受限引起信噪比提高困难。为了解决上述问题,研究了一种单色散压缩编码光谱成像系统, 并针对国内压缩编码光谱成像系统工程实现与试验验证不足的问题,重点研究了该新系统的设计与实现,模板平移下的系统数学模型及多帧重构算法,并给出实际样机试验及数据处理结果。最后,根据试验情况,总结提出该新技术后续发展需重点关注的研究内容,包括编码模板误差分析,多维稀疏重构模型与算法,压缩编码光谱成像系统标定技术,重构算法/重构图谱评价技术。单色散压缩编码光谱成像系统通过编码、色散、甚至下采样,由探测器接收得到成像观测图像,然后,利用该成像数据,通过重构算法,得到目标光谱图像数据,其优点是低数据量采样、工程实现硬件要求减低、多通道高通量探测。相关研究结果表明,该系统获取的数据有效,样机设计合理,重构算法与标定方法较为准确,其得到的字母HSI目标光谱图像的空间信息清晰,光谱信息较为准确,符合钨灯光谱,其系统设计与实现具有工程可行性。     

动态测量的高光谱图像压缩感知

针对高光谱图像相邻波段之间具有强光谱相关性的特点,为了提高高光谱图像压缩感知的重构效果,本文提出一种利用边缘信息设计动态测量率的压缩感知算法。首先,通过随机投影的分块压缩感知方法对每个图像块以固定测量率采样,重构出单波段图像作为其他波段的先验信息,并对其提取出图像边缘区域;然后,根据每个图像块边缘信息的丰富程度来自适应分配测量值。在固定总测量数的前提下,对不同图像块分配不同的测量次数。最后,利用分配好的测量次数对其余波段进行采集和重构。仿真结果表明,在相同总测量数情况下,本文提出的动态测量算法重构出的高光谱图像质量（PSNR）与传统固定测量压缩感知策略相比提高了1~4 dB,相比较下的重构时间也减少,在成功重构高光谱图像的基础上更增强了细节处的图像质量。     

基于光谱空间重构的非监督最邻近规则子空间的高光谱异常检测

针对高光谱遥感影像维数高、数据量巨大且地物分布复杂,导致背景与异常难以区分的问题,提出一种基于光谱空间重构的非监督最邻近规则子空间异常探测算法.首先通过基于结构张量的波段选择算法,去除噪声像元,选择更有效的波段.然后,通过光谱空间重构增加背景与异常的绝对光谱距离.最后,为了充分利用背景字典之间的空间相似性信息,将空间距离权重引入到非监督最邻近规则子空间算法中,提高检测精度.为验证所提算法的有效性,用四组真实的高光谱数据进行实验,研究了不同参数对检测结果的影响.结果表明,与其他异常检测算法对比,所提算法具有更好的检测效果.     

特征光谱图像中导弹尾焰的模糊识别

助推段导弹有高温、大面积的尾焰,根据尾焰光谱特征可准确识别导弹。将其应用到天基预警系统能够使导弹防御系统趋于完善,但光谱信息数据量庞大,从获取光谱信息到识别光谱信息需要耗费大量时间。为此,寻找能够代表导弹尾焰光谱的特征光谱,使用模糊算法对特征光谱进行数据处理,以达到准确、快速识别的目的。利用已有的红外图像和大气、云层、导弹及飞机尾焰光谱数据进行特征光谱图像拟合,经信噪比分析后可知,特征光谱图像比全波段红外光谱图像的信噪比高。分别使用模糊算法和光谱角测度对拟合图像进行处理,结果表明模糊算法的实时性和准确性优于光谱角测度。     

基于谱聚类与类间可分性因子的高光谱波段选择

随着遥感技术和成像光谱仪的发展,高光谱遥感图像的分辨率不断提高,其庞大的数据量在提高其遥感探测能力的同时,也给分析和处理带来了很大的困难。高光谱波段选择可以有效减少数据冗余,提高分类识别精度和处理效率。因此如何从多达数百个波段的高光谱图像中选择出具有较好分类识别能力的波段组合是亟待解决的问题。针对上述问题,采用基于图论的谱聚类算法,将原始高光谱图像中的波段作为待聚类的数据点,利用互信息描述两两波段间的相似度,生成相似度矩阵。再根据图谱划分理论,将相似度矩阵生成的非规范化图拉普拉斯矩阵进行谱分解,得到类间相似度小且类内相似度大的类簇;然后根据地物类型计算各波段的类间可分性因子,将其作为类簇内进一步选择代表性波段的参考指标,达到降维的目的;最后通过支持向量机与最小距离分类方法对波段选择后的图像分类。该方法区别于传统的无监督聚类方法,采用基于图论的谱聚类算法,并根据先验知识计算类间可分性因子来选择波段。通过与自适应波段选择算法和基于自动子空间划分的波段指数算法的对比实验,结果表明：两组实验当聚类数目达到相对最佳时,该波段选择方法支持向量机图像总分类精度达到94.08%和94.24%以上,最小距离分类图像总分类精度达到87.98%和89.09%以上,有效保留了光谱信息,提高了分类精度。     

基于EZW的高光谱图像压缩技术研究

随着高光谱遥感技术的发展,高光谱成像仪已应用于航天航空方面,与多光谱图像不同,高光谱图像是以纳米级的波段宽度对目标进行连续的光谱成像,所获取的图像光谱分辨率非常高.但是,随着波段数的不断增加,光谱成像仪获取的数据量越来越大,要对这些数据进行存储与传输是我们必须面对的问题.随着小波压缩技术的发展,在图像压缩领域有许多人对图像采取EZW压缩并提出各种改进方法,本文将此方法应用于高光谱图像的空间维压缩,对于光谱维的压缩暂不涉及,从高光谱图像的压缩重构结果看,无论从峰值信噪比( PSNR)和光谱曲线比对,还是从人眼主观对原图与重构图的比较,效果都不错.如果先对图像进行光谱维压缩,相信压缩效果会更好.     

基于非采样Contourlet变换的遥感图像融合算法

为了使融合后的多光谱图像在尽可能保持原始多光谱图像光谱特性的同时,显著提高空间分辨力,提出了一种基于非采样Contourlet变换(NSCT)的遥感图像融合算法。算法首先对全色波段图像进行非采样Contourlet变换,得到全色波段图像的低频子带系数和各带通方向子带系数;然后针对多光谱图像的每一个波段,将其进行双线性插值后作为融合后多光谱图像的低频子带系数,对全色波段图像的各带通方向子带系数采用基于成像系统物理特性的注入模型(调整系数)进行局部调整后,作为融合后多光谱图像的各带通方向子带系数,从而得到融合后多光谱图像的非采样Contourlet变换系数;最后再经非采样Contourlet逆变换得到该波段具有高空间分辨力的多光谱图像。采用IKONOS卫星遥感图像进行了仿真实验,实验结果表明,该算法在光谱保留和空间质量提高方面优于其它传统的遥感图像融合算法。     

一种八谱段滤光片成像系统设计

针对多光谱滤光片阵列成像采样率低,原始(Raw)数据稀疏所导致的重建图像模糊,高频信息丢失等问题,提出了一种新八谱段滤光片阵列分布方案,利用基于邻域梯度延伸方法对光谱Raw图像进行重建.首先基于二叉树生成法,在重复排列的4×4阵列中设计了一种等空间概率比的八谱段滤光片分布方案;然后针对传感器直接获取的稀疏Raw图像,计算各谱段采样点的梯度信息,在保持图像结构特征和纹理信息的基础上,利用邻域采样点的像素值和梯度值对未采样点进行重建,从而获得完整的光谱图像信息;最后,基于已重建的八谱段光谱图像,采用伪逆矩阵法重构各像素位置的31波段光谱值.结果表明,相对于主流图像重建方法,本文算法提高了重建八谱段光谱图像的峰值信噪比、复合峰值信噪比,降低了光谱均方差,更好地保留了图像的纹理和边缘,有效降低了多光谱滤光片阵列成像中的颜色伪影和图像模糊等现象.     

基于分组三维离散余弦变换字典的植物高光谱数据去噪方法EI北大核心CSCD

针对植物高光谱图像各波段噪声强度不同,以及空间域和谱域均存在噪声污染的问题,提出了一种基于分组三维(3D)离散余弦变换(DCT)字典的稀疏表示去噪方法。首先分析了植物光谱特征,根据谱间相关性对波段进行分组;然后采用边缘块剔除的局部均值标准差法对高光谱图像进行噪声标准差估计,为去噪算法提供参考阈值;最后构建三维DCT字典的稀疏表示去噪方法,对植物高光谱图像进行去噪。实验结果表明,与原始数据和二维DCT字典去噪方法相比,谱域噪声评估中平均信噪比分别提高18.2dB和9.2dB。因此,该方法不仅具有较好的空间域去噪能力,也有较好的谱域去噪能力。     

基于分组三维离散余弦变换字典的植物高光谱数据去噪方法

针对植物高光谱图像各波段噪声强度不同,以及空间域和谱域均存在噪声污染的问题,提出了一种基于分组三维(3D)离散余弦变换(DCT)字典的稀疏表示去噪方法。首先分析了植物光谱特征,根据谱间相关性对波段进行分组;然后采用边缘块剔除的局部均值标准差法对高光谱图像进行噪声标准差估计,为去噪算法提供参考阈值;最后构建三维DCT字典的稀疏表示去噪方法,对植物高光谱图像进行去噪。实验结果表明,与原始数据和二维DCT字典去噪方法相比,谱域噪声评估中平均信噪比分别提高18.2dB和9.2dB。因此,该方法不仅具有较好的空间域去噪能力,也有较好的谱域去噪能力。     

基于压缩感知理论的PIE显微成像研究

为了克服PIE成像中所面临的数据量过大的问题,将压缩感知理论用于PIE成像。将采样到的衍射斑稀疏变换并压缩后,可以显著减少需要存贮的数据量。再现过程中选用子空间匹配追踪算法(SP)或者正交匹配追踪算法(OMP)重构出散射斑的原始分布,用常规的PIE算法进行图像重建。模拟和实验结果均表明,当压缩采样率在30%的时候就能重构出很好的图像。和OMP重构算法相比,SP算法更适合在PIE成像中应用。     

面向高光谱图像分类的空谱半监督局部判别分析

针对传统的基于特征提取的高光谱图像分类算法大多只考虑光谱信息而忽略空间信息的问题,提出了一种基于空谱半监督局部判别分析(S3 ELD)和空谱最近邻(SSNN)分类器的高光谱图像分类算法。该算法结合高光谱图像的空间一致性,在利用标记样本的判别信息保持数据集可分性的基础上,定义空间近邻像元散度矩阵来保存像元的空间近邻结构,提出基于空谱距离的相似性度量并将其应用于局部流形结构的发现和SSNN的构建。S3 ELD算法不仅能揭示数据集的局部几何关系,而且增强了光谱域同类像元和空间域近邻像元在低维嵌入空间的聚集性。结合SSNN进行分类,进一步提升了分类精度。利用PaviaU和Salinas数据集进行的实验结果表明,S3 ELD算法的总体分类精度分别达到了92.51%和96.29%;与现有几种算法相比,该算法能更有效地提取出判别特征信息,并达到更高的分类精度。     

基于小波域马尔可夫随机场模型的压缩传感图像重构

目前在压缩传感重构算法中利用图像的可稀疏性表示先验知识,从比奈奎斯特采样少得多的观测值中恢复原始图像。除了稀疏性之外,邻域系数的相关性也可以作为先验知识加速重构算法收敛。为了克服目前算法中没有利用邻域系数相关性的缺点,提出了基于小波域马尔可夫随机场模型的压缩传感图像重构算法,根据显著性度量对变换系数进行分类得到具有马尔可夫性的初始掩模,利用ICM算法完成掩模优化,实现系数更新,并将算法与未考虑邻域相关性的算法进行了比较。实验结果证明了算法的有效性。     

尾焰特征光谱在主动段弹道目标识别中的应用

天基红外预警卫星远距离探测时获取的弹道目标特征信息匮乏,代表物质固有属性差异的光谱信息可作为目标识别的主要依据。将尾焰特征光谱信息作为识别的重要手段,综合考虑尾焰光谱吸收特性和特征光谱提取原则,采用改进的向前和向后间隔偏最小二乘法建立特征波段提取模型,以新型自适应变权重光谱相似性测度(SAVM)实现目标与特征光谱数据库的匹配,提出了基于尾焰特征光谱的主动段弹道目标识别方法。仿真实验进行了特征波段提取与SAVM优越性的验证,相较于全波段光谱匹配识别法,提出的方法所需数据量更小、识别精度更高。研究内容可为红外预警卫星系统优化探测识别能力提供有意义的参考。     

基于探测信号叠加的推扫式压缩多光谱关联成像

针对推扫模式下多光谱关联成像重构图像模糊、信噪比低问题,提出了一种利用探测信号叠加提高重构图像信噪比的多光谱关联成像方案.该方案基于稀疏约束关联成像光谱相机实验系统,通过单次曝光获得一帧探测信号,对前后帧连续探测信号进行错位叠加,计算出系统总探测矩阵,结合标定测量矩阵,采用压缩感知算法得到待测目标物体重构图像.数值模拟和实验结果表明:适当延迟曝光时间可以提高系统重构图像质量;相同曝光时间条件下,利用探测信号错位叠加的推扫10帧重构图像信噪比明显高于单帧多光谱重构图像.     

基于空谱联合异常度的高光谱异常目标检测

随着高光谱图像技术的不断发展,光谱分辨率和空间分辨率不断提高,相比于其他遥感图像,能够获得更为精细的光谱特征。这为地物的高精度分类、解混和目标检测等研究领域提供了理论平台,其中由于高光谱异常目标检测技术不需要地物的先验信息,更符合实际应用的需求。针对现有的大多数高光谱异常目标检测算法只关注目标和背景在光谱信息方面的差异,而忽略两者空间信息的差异,导致检测精度不高的问题,提出了一种基于空谱联合异常度的高光谱异常目标检测算法。该算法不需要假设图像的背景模型,建立在滑动双窗口的基础上,提出了光谱异常度和空间异常度两个概念。在光谱异常度计算中,考虑了波段间的非线性特征,采用光谱角匹配的核函数方法进行检测,基于双窗口模型的基础上逐个计算中心像元与局部背景像元的核光谱角并设置阈值来获得中心像元的光谱异常度;在空间异常度的计算中,由于物质在空间方面的聚类特性,通过构建像元点的空间窗模型能够得到代表像元类别的图像块灰度向量,同时求解不同像元之间图像块灰度向量的欧式距离并设置阈值来获得中心像元的空间异常度;最后将中心像元的光谱异常度与空间异常度进行加和则可得到中心像元的空谱联合异常度,基于滑动双窗口模型对整幅图像的像元进行逐个检测,即可得到图像的异常检测结果。采用AVIRIS的三组真实高光谱数据对所提算法进行仿真实验,并与传统的RX算法、 LRX算法和KRX算法进行对比研究,结果表明本文算法具有较好的检测效果,与KRX算法相比,运行速度具有较大幅度的提升。     

数字对焦光场成像清晰度评价方法研究

结合光场成像数字对焦空间域算法和频率域算法的区别,分别提出了适用的图像清晰度评价方式,并进行了仿真实验分析.空间域评价方法根据评价区域缩小图像重构数据量,频率域评价方法则将评价函数嵌入到图像重构过程中,改进后的方法相对传统方法提高了速度.     

数字对焦光场成像清晰度评价方法研究

结合光场成像数字对焦空间域算法和频率域算法的区别,分别提出了适用的图像清晰度评价方式,并进行了仿真实验分析.空间域评价方法根据评价区域缩小图像重构数据量,频率域评价方法则将评价函数嵌入到图像重构过程中,改进后的方法相对传统方法提高了速度.     

光谱去相关技术在高光谱图像小波压缩中的应用

随着数据量的不断增长,如何有效压缩高光谱图像成为影响其普及应用的一个关键问题。近年来,小波压缩技术已经被证明是高光谱图像压缩方法中很有发展前景的一个,但由于其对高光谱图像特性的利用较为有限而使其性能的进一步提升受到了限制。文章根据高光谱图像的光谱特征,提出了一种基于光谱去相关的高光谱图像小波压缩方法,设计了分块预测方法来同时去除光谱间相关性和空间相关性,并将其应用于小波压缩方法之中。首先,将高光谱图像分为几个具有高谱间相关性的图像块。然后推导出各块中波段的近似成比例的特性,并在各块分别进行基于这一特性和超光谱图像其他特性设计波段预测编码。最后,将预测用的参考波段和预测后获得的偏差数据,通过小波编码技术进行压缩。实验结果表明,所设计的方法与目前先进的超光谱压缩技术相比其性能有显著的提升。与AT-3DSPIHT算法比较,最高PSNR或SNR提升幅度均能达到4.2 dB左右。此外,此方法在低比特率下的优势也十分突出。     

联合空间预处理与谱聚类的协同稀疏高光谱异常检测

针对利用稀疏表示进行高光谱图像异常目标检测效率不高的问题,基于高光谱图像成像原理和图像结构,充分利用高光谱图像的空间特性和光谱特性,并在它们之间建立协同处理机制,提出了联合空间预处理与谱聚类的协同稀疏高光谱图像异常目标检测算法。该算法首先对高光谱图像空间特性进行分析,并结合光谱特性进行空间预处理,使得处理后的高光谱图像更易于异常目标的检测;利用建立在谱图划分思想基础上的谱聚类方法进行波段子集划分,谱聚类方法具有收敛于全局最优解、聚类速度快的特点;利用提出的新的空间和光谱协同稀疏差异指数方法对每个子集进行异常目标检测,该协同稀疏方式充分考虑了高光谱图像的空间特性和光谱特性,通过对每个波段子集检测结果进行叠加,得到最终异常检测结果。利用真实的AVIRIS高光谱图像和合成的高光谱图像对算法进行仿真实验和结果分析,结果表明该算法具有稳健性,同时检测精度高,虚警率低。