《基於端元特徵提取的高光譜遙感圖像壓縮》是依託電子科技大學,由羅欣擔任醒目負責人的青年科學基金項目。
基本介紹
- 中文名：基於端元特徵提取的高光譜遙感圖像壓縮
- 依託單位：電子科技大學
- 項目類別：青年科學基金項目
- 項目負責人：羅欣
項目摘要,結題摘要,
項目摘要
針對高光譜遙感圖像無損壓縮比不可能達到很高的問題，本項目在前期研究工作的基礎上，從提取端元特徵信息的角度研究了高光譜遙感圖像的有損壓縮方法，重點解決無先驗知識的端元光譜提取問題。首先，以線性光譜混合模型為假設，將高光譜數據轉換到端元豐度域，從而使提取的特徵具有明確的物理意義；通過貝葉斯信息準則（BIC）有效的估計高維數據的本徵維數，為特徵提取提供了必要的前提；利用獨立成分分析（ICA）方法解決高光譜圖像線性解混時，缺乏先驗知識的問題；採用最大噪聲分離（MNF）變換對ICA的數據預處理過程進行改進，可減小數據中噪聲的干擾；ICA的具體實現採用了以一種近似負熵作為獨立性度量的快速定點算法，疊代過程簡單、收斂穩定的特點，尤其適用於對高維數據的處理；最後，利用統計特徵對特徵圖像進行排序，並對目標信息與背景信息分別採用不同的壓縮策略，從而在獲得較高的壓縮比的同時能夠使小目標地物得到更可靠的保存。
結題摘要
本項目研究按計畫從降低數據維數的角度研究了高光譜遙感圖像的壓縮方法，重點解決了本徵維數分析、稀有特徵保持、端元特徵提取等關鍵性問題。主要研究工作及成果有： (1) 系統地分析和總結了多種高光譜圖像虛擬維數分析算法，提出了一種噪聲抑制的虛擬維數分析算法，降低了數據計算量，增強了算法的抗噪性能，有效提高了虛擬維數分析的可靠性； (2) 研究了一種非線性學習方法——流形學習，並將其套用在高光譜維數分析中，提出了一類基於流形學習的高光譜圖像降維算法，通過將其與線性降維方法比較，評價了所提算法的性能，為研究基於稀有空間保持的降維算法的提出打下了基礎； (3) 深入研究了稀有特徵保持的問題，實現了一種高效的高光譜圖像降維新算法，該算法不僅能保持數據的主要成分特徵，而且能保持一些用戶感興趣的小目標地物的稀有特徵，同時還降低了信噪比變化對降維的影響，增強了保存數據的完備性，提高了壓縮數據的質量； (4) 提出了一種聯合空譜信息的高光譜圖像端元特徵提取方法，該方法在利用數據光譜信息的同時，也很好地利用了數據在圖像空間上的相關性，從而彌補了現有端元提取算法存在的不足，改善了高光譜數據端元特徵提取的效果。
