《星載環境下高光譜遙感圖像感知壓縮方法研究》是依託武漢大學，由種衍文擔任項目負責人的面上項目。
基本介紹
- 中文名：星載環境下高光譜遙感圖像感知壓縮方法研究
- 項目類別：面上項目
- 項目負責人：種衍文
- 依託單位：武漢大學
項目摘要,結題摘要,
項目摘要
隨著更高光譜解析度的遙感圖像的廣泛套用，在星上資源受限的條件下，開展更低計算資源消耗、更高壓縮比和更高重構精度的高光譜遙感圖像壓縮和重構的研究成為關鍵。圍繞星載環境的高光譜遙感圖像在觀測矩陣構造、適應性字典學習和高精度重構這三方面存在的問題，研究利用不同地域不同時間的高光譜遙感圖像數據，訓練學習生成自適應字典，構建最優稀疏表達模型，針對性的提出一種結合離散混沌系統與輪換矩陣的觀測矩陣的構造方法，研究高光譜遙感圖像稀疏表征條件下高精度非線性重構的算法。力爭通過高光譜遙感圖像感知壓縮減少數據量傳輸和計算資源消耗，通過非線性高精度重構算法提高重構圖像數據的質量，爭取在多維信息的獲取、處理、網路化共享與套用服務質量理論、方法等方面取得新突破，為星載環境低資源消耗、高壓縮率和高重構精度要求下的高分遙感圖像壓縮提供技術支撐，提高空間信息網路高光譜遙感圖像信息服務能力。
結題摘要
本項目針對高光譜圖像感知壓縮問題，圍繞觀測矩陣構造、自適應字典學習和高精度重構等方面展開研究，取得了一系列重要研究成果。在感知壓縮觀測矩陣構造方面，構造了非相關輪換混沌觀測矩陣以較高的機率精確恢復稀疏信號；在自適應字典學習方面，將基於解析字典的分塊圖像壓縮模型分為線下解析字典學習和利用學習獲得的解析字典進行圖像壓縮兩部分來提高系統的效率；在高光譜遙感圖像的非線性高精度重構算法方面，提出了一種基於結構化稀疏表示的高光譜圖像壓縮方法，在稀疏的基礎上進一步提升了壓縮率，同時，將高光譜圖像視為一個三維的張量信號，提出了一種基於稀疏張量字典學習的高光譜圖像壓縮方法，採用線性的張量塊稀疏重構算法縮短了重構時間；基於傳統的無監督稀疏子空間聚類算法在高光譜圖像中聚類精度受到限制，尤其是在一些高光譜地物聚類過程中會出現許多地物像素錯分的情況，無法進行正確有效的聚類。因此在高光譜聚類中，我們提出了基於稀疏子空間算法監督信息的類機率傳遞模型研究；為了解決低秩圖塊對角結構下的高光譜遙感影像分類問題，本文提出了空譜塊對角聯合類機率結構表示和空譜塊對角聯合模糊類機率結構表示進行高光譜遙感影像的分類。本項目所取得的研究成果，能夠在一定程度上推動高光譜圖像感知壓縮的發展。
