基于Gini指数的高光谱图像空、谱相关稀疏性分析及压缩感知联合重建方法研究

The conventional hyperspectral imaging technique is based on Nyquist sampling theorem. So acquiring the high-spatial-resolution hyperspectral images needs to sample and transmit a large amount of data, which brings serious challenges to the pratical hyperspectral remote sensing platform processing systems where the power consumption and bandwidth are tight constraints. In this subject, we consider the compressed sensing hyperspectral images joint reconstruction problem for reducing the hyperspectral images sampling data essentially. In particular, by analyzing the spatial and spectral correlation of hyperspectral images deeply, a gini index based measure of spatial and spectral correlation sparsity prior is studied. Finally, a set of novel compressed sensing reconstruction model and algorithm for hyperspectral images are established. This project will enrich and extend the sparse representation and the compressed sensing theory and algorithm in the theoretical sense, and promote the design and practical application of new compressed sensing hyperspectral imaging system.

传统的高光谱成像技术依据Nyquist采样定理进行采样，获取高空间分辨率的高光谱图像需要大数据量的采样和传输，这给低功耗和带宽有限的实用高光谱遥感平台硬件系统带来巨大的压力。本项目以高光谱图像为研究对象，以压缩感知高光谱图像联合重建为科学问题，通过深入分析高光谱图像的空间维和光谱维相关性，研究高光谱图像的空、谱维稀疏表示系数联合聚类结构特征及其基于Gini指数的度量方法，建立基于空、谱维相关稀疏性先验的压缩感知高光谱图像联合重建模型和算法，旨在从根本上进一步减少高光谱图像的采样数据，降低高光谱图像的获取成本。本课题对丰富拓展稀疏表示、压缩感知理论和算法具有十分重要的理论意义，同时将为设计新型的低功耗CS高光谱成像系统奠定良好的理论基础，具有十分广阔的应用前景。

本资助项目以高光谱图像压缩感知重建为科学问题，深入研究了高光谱图像的空谱稀疏性及其应用，圆满完成了3年预定目标。取得研究成果包括：1）引入图像的向量化Hessian特征来刻画图像的几何结构信息，提出新的高阶几何结构信息迁移正则项，同时给出基于观测模型的光谱信息保真项和基于Wavelet融合的光谱信息保真项，在此基础上提出了一种空间Hessian特征驱动的变分高光谱图像融合方法。2）通过分析高光谱图像背景像元的低秩性和异常像元的稀疏性，尤其对背景的描述部分，采用表示系数矩阵的低秩性和稀疏性刻画高光谱图像背景像元的全局相关性和光谱特征，提出了基于低秩和稀疏表示（Low rank and sparse representation, LRASR）模型的异常检测方法。3）通过对高光谱视频气体的时、空连续性和背景图像的线性相关性进行建模分析，提出时空TV正则化的低秩矩阵分解模型，并在此基础上提出融合多特征检测结果的方法。4）研究了基于天基定向测量数据的空间非合作目标跟踪方法，利用稀疏测量数据推导了地球非球形引力作用下改进的拉普拉斯初轨确定方法，并利用长期观测数据进行轨道改进，在长期序贯估计过程中研究了基于自适应因子的鲁棒滤波算法。到目前为止，受基金资助共发表学术论文18篇，其中SCI收录6篇，EI收录5篇。