压缩采样域内的高光谱遥感图像分类与解混研究

How to effectively compress and interpret large-scale hyperspectral remote sensing images remains challenges in terms of compression rate, accuracy and real-time. This project concerns about hyperspectral remote sensing data in compressed sampling domain, and the main innovative contents include: (1) Establish the compression and interpretation framework for hyperspectral remote sensing images in the compressed sampling domain, study the key technologies and specific implementation methods of data acquisition, classification and unmixing modules, to form a comprehensive scheme for collecting and processing hyperspectral remote sensing data. (2) Design block diagonal measurement matrix, verify that the matrix satisfies RIP theory, to provide a highly operational design method of compressed sensing measurement matrix. (3) Propose direct classification algorithm for the compressed hyperspectral data, to improve the classification efficiency by cutting off the reconstruction processing. (4) Construct the direct unmixing model of compressed hyperspectral data, propose a dual-compression unmixing algorithm without terminal priori information, to provide a more practical means for sub-pixel target detection. Through the research of this project, a new approach of interpretation and processing of hyperspectral remote sensing images in compressed sampling domain is explored, which can effectively solve the problems faced by the application of hyperspectral remote sensing images.

如何有效对大规模高光谱遥感图像进行压缩和解译处理仍然在压缩率、精度、实时性等方面存在挑战。本项目以压缩采样域内的高光谱遥感图像数据为研究对象，主要创新研究内容包括：(1) 建立压缩采样域内的数据压缩和解译框架，研究数据获取、分类和解混三个模块的关键技术和具体实现方法，形成完善的高光谱遥感数据获取、处理方案；(2) 设计块对角测量矩阵，验证矩阵满足RIP理论，提供操作性强的压缩感知测量矩阵设计方法；(3) 提出压缩采样域数据的直接分类方法，割舍重构过程，提升分类效率；(4) 构建压缩采样域数据的直接解混模型，提出无需端元先验信息的双压缩解混算法，为亚像元目标探测提供更实用的手段。通过本项目研究，探索形成一种新的压缩采样域内高光谱遥感图像的解译处理途径，有效解决高光谱遥感图像应用所面临的难题。

本项目面向高光谱遥感图像，开展压缩采样域内的高光谱遥感图像数据获取、分类与解混的研究，为压缩采样在高光谱遥感领域深入发展提供技术支持，推动高光谱遥感技术的应用和落地。高光谱图像的稀疏分解、压缩重构、光谱解混和分类是高光谱图像处理和解译的重要研究内容。针对高光谱图像的稀疏分解，本项目对智能优化算法实现高光谱图像稀疏分解进行了可行性研究，完成了基于粒子群算法、免疫克隆算法、参考点非支配排序遗传算法的稀疏分解算法研究，实现了冗余字典下高光谱图像的稀疏分解，提高了稀疏分解的效率和精度。针对高光谱图像的压缩重构，本项目对基于正交匹配追踪算法、埃尔米特求逆重构算法、参考点非支配排序遗传算法的高光谱图像压缩重构进行了可行性研究，论证了压缩重构算法的精度和实时性。针对高光谱图像的光谱解混，本项目对利用顶点成分分析法从压缩数据中提取端元进行了研究，提出了基于联合压缩采样的光谱解混算法，完成了高光谱图像像元级的光谱解混。针对高光谱图像的分类，本项目对高光谱图像的谱间特征进行分析，利用双压缩采样模型的丰度估计结果，完成了基于光谱特征提取的高光谱图像分类。本项目充分利用压缩感知理论的鲜明特点，科学构建高光谱图像处理的压缩和解译框架，给出从数据压缩到图像解译的具体实现方法，为压缩成像系统的设计提供助力、提升高光谱遥感图像的解译精度和效率。