基於結構化稀疏先驗的貝葉斯高光譜解混壓縮感知方法
2023-09-19 03:02:20 1
基於結構化稀疏先驗的貝葉斯高光譜解混壓縮感知方法
【專利摘要】本發明公開了一種基於結構化稀疏先驗的貝葉斯高光譜解混壓縮感知方法，用於解決現有聯合光譜解混的高光譜圖像壓縮感知方法精度差的技術問題。技術方案是壓縮過程通過線性解混發掘高光譜數據內在的低秩性質，使用小波變換將豐度值轉換成結構化稀疏信號，之後使用壓縮感知得到壓縮數據。重建過程，從光譜庫中選擇合適的端元矩陣，引入豐度值小波係數的結構化稀疏先驗，然後使用基于吉布斯採樣的貝葉斯推理方法精確重建豐度值矩陣，最後使用線性混合模型重建原始數據。相對於【背景技術】壓縮感知類算法精度提升10%左右。
【專利說明】基於結構化稀疏先驗的貝葉斯高光譜解混壓縮感知方法
【技術領域】
[0001]本發明涉及一種高光譜解混壓縮感知方法，特別是涉及一種基於結構化稀疏先驗的貝葉斯高光譜解混壓縮感知方法。
【背景技術】
[0002]由於高光譜圖像數據量巨大，高壓縮比的壓縮算法，對於高光譜圖像的採集、傳輸和處理具有很深遠的意義。目前已有的高光譜圖像壓縮算法主要分為兩類，一類是傳統的基於信息編碼的壓縮方法，這類方法是從普通圖像的壓縮方法拓展而來，側重於在高光譜圖像中去除各個波段內部以及波段之間的冗餘性來進行壓縮，其中包括聚類的脈衝差分編碼(Cluster-based differential pulse-code modulation, CDPCM),三維小波變換(3dimension discrete wavelet transformation, 3D-DWT),三維離散餘弦變換(3dimension discrete cosine transformation, 3D-DCT)等，但是這類壓縮算法只能在圖像獲取之後進行壓縮，仍然需要大量的硬體來採集和暫時存儲數據，而且通常壓縮比低?』另一類方法則是基於壓縮感知(Compressive Sensing)的壓縮方法,該類方法可以通過採集少量樣本點精確重建原始的稀疏信號，為減少採集數據需要的硬體消耗提供了理論依據，該方法更側重於重建過程。
[0003]文獻 「A compressive sensing and unmixing scheme for hyperspectral dataprocessing, IEEE Transactions on Image Processing, 2012，21 (3): 1200 - 1210，，公開了一種聯合光譜解混的高光譜圖像壓縮感知方法。該方法通過線性解混將高光譜數據分解為豐度值矩陣和端元矩陣； 豐度值矩陣在空間維度上的梯度具有稀疏性，可以採用壓縮感知的方式進行壓縮重建。具體做法是，首先使用壓縮感知矩陣獲得壓縮數據；結合光譜庫，選擇適當的端元；之後使用壓縮感知的方法重建包含稀疏梯度的豐度值矩陣；最後，使用線性混合模型重建需要採集的高光譜數據。然而，梯度稀疏性並不能挖掘出豐度值矩陣更深層次的結構稀疏性，而且該文使用增廣拉格朗日的方法重建豐度值，該方法不能自適應選擇梯度稀疏性正則項的比重因子。這兩個因素直接影響了該壓縮算法的重建精度。
【發明內容】
[0004]為了克服現有聯合光譜解混的高光譜圖像壓縮感知方法精度差的不足，本發明提供一種基於結構化稀疏先驗的貝葉斯高光譜解混壓縮感知方法。該方法壓縮過程通過線性解混發掘高光譜數據內在的低秩性質，使用小波變換將豐度值轉換成結構化稀疏信號，之後使用壓縮感知得到壓縮數據。重建過程，從光譜庫中選擇合適的端元矩陣，引入豐度值小波係數的結構化稀疏先驗，然後使用基于吉布斯採樣的貝葉斯推理方法精確重建豐度值矩陣，最後使用線性混合模型重建原始數據。本發明的數據在HYDICE衛星拍攝的urban數據上，當壓縮比為1:16時，歸一化的均方誤差小於0.4，在AVIRIS拍攝的Indiana數據上，當壓縮比為1:16時，歸一化均方誤差同樣小於0.4，相對於【背景技術】壓縮感知類算法精度提升10%左右。[0005]本發明解決其技術問題所採用的技術方案是:一種基於結構化稀疏先驗的貝葉斯高光譜解混壓縮感知方法，其特點是包括以下步驟:
[0006]步驟一、針對一幅高光譜數據
【權利要求】
1.一種基於結構化稀疏先驗的貝葉斯高光譜解混壓縮感知方法，其特徵在於包括以下步驟: 步驟一、針對一幅高光譜數據 表示高光譜數據空間上包含的總的像素個數，nb表示高光譜數據包含的波段數目，Xi，i = 1，...，nb表示每一波段的圖像按行展開形成的列向量；每一個像素在nb個波段上的不同反射值組成了該像素的光譜；這種光譜採用線性混合模型描述；線性混合模型認為任何一個混合光譜是所有端元的線性組合，端元在混合光譜中所佔的比例稱作豐度值；X表示豐度值矩陣和端元矩陣的線性組合: X = HW(I) 其中，h = [111，112，...，11?(>於)^為豐度值矩陣，h∈r，i = 1,...4表示每一個像素的混合光譜中第i個端元所佔的比例，1表示端元的數目，W=[W1，W2,..WN]T∈R —為端元矩陣，其中W ∈ R1,「.，《6表示每一個端元； 針對豐度值使用離散小波變換: Θ = ΨΤΗ(2) Y= ΨΤΧ = ΨΤΜ = 0ff 其中，ψ e ir 為小波基，Θ=[θι^2,...,0? ] e 表示豐度值的小波係數，Y表示整個數據的小波係數；Reir' = 1 η友示hi的小波係數，具有結構稀疏性； 步驟二、利用小波係數重建豐度值矩陣，最後實現整個數據的重建: 步驟1、使用滿足高斯分布的隨機變量產生mXnp大小的矩陣，並且每一列進行歸一化得到隨機的感知矩陣使用Φ對小波變換後的原始數據進行採樣，得到壓縮數據F e Mmx"6: F = ΦΥ = ΦΨΤΧ(3) 其中，m表示對長度為np的信號壓縮後數據長度，一般m < np ; 步驟2、對於尺度有限的場景而言，忽略環境因素對光譜的影響，假設端元是數目有限；使用ASTER光譜庫，針對特定的場景有選擇性的從光譜庫中抽取部分光譜作為端元；最終確定包含I個端元的矩陣W ; 步驟3、採用貝葉斯推理的方式從壓縮後的數據估計豐度值矩陣； (1)通過式子(2)和式子(3)，利用最小二乘法獲得豐度值矩陣的小波係數被單獨壓縮後的數據 G = [&, g2，…，g?e ] e Mmxnc: G = FWt(WWt)= Φ Θ +N(4) 其中，N =[ ，n2，...， ]eR，表示利用最小二乘法而引入的噪聲項； (2)得到式子(4)的向量形式gi= Φ ei+ni，假設噪聲叫服從均值為O，協方差為A—1I的高斯分布(0β-1I)，而且各個噪聲向量之間獨立同分布，則得到= 1，2，...，\的似然函數:
【文檔編號】G06T9/00GK103745487SQ201310713709
【公開日】2014年4月23日 申請日期:2013年12月20日 優先權日:2013年12月20日
【發明者】魏巍, 張豔寧, 張磊, 李飛, 孟慶潔 申請人:西北工業大學