空谱联合相关性驱动的高光谱图像概率图修补模型与算法

Due to the aerological water vapor, clouds and cloud shadows, part of spectral and spatial information of hyperspectral image may be missing, therefore inpainting is an essential task for the post-processing of hyperspectral image processing. In this project, we make a study on hyperspectral image inpainting by fully exploiting spatial-spectral joint correlation priors of hyperspectral patch in a local and nonlocal ways . Based on the cliques and potential functions which are defined by the spatial neighborhoods and multispectral bands, an undirected probabilistic graph with different topology structure is constructed. Finally, a patch based hyperspectral inpainting model via probabilistic graphical model is proposed under the framework of MAP, and accelerated using an efficient parallel optimization algorithm. The research of the project will enrich and promote the development of hyperspectral inpainting theory and algorithm, and has a great significance to hyperspectral denoising, classification and identification. Meanwhile, the project has a very important theoretical value as well as a very broad application prospect to hyperspectral image processing techniques, geological exploration, remote sensing of vegetation and atmospheric remote sensing,etc.

高空中水汽、云层等因素会引起高光谱图像数据中的部分光谱和空间信息丢失，补全这些丢失信息对后续的高光谱图像处理具有非常重要的理论和应用价值。本项目以高光谱图像修补为具体科学问题，联合光谱曲线相似性度量，深入分析高光谱图像patch局部与非局部相关性表征机理和先验度量；基于局部和非局部邻域系统的簇和势函数，构建具有不同拓扑结构的概率图模型；在最大后验概率框架下，提出联合空谱相关的高光谱图像概率图修补模型，并提出高效的并行优化算法。本项目对于推动高光谱图像去噪、分类、识别等后续研究具有重要的理论意义。同时，本项目所提供的方法和技术在地质勘查，植被遥感、大气遥感等诸多领域具有广阔的应用前景。

高光谱遥感在成像过程中，不可避免的会受噪声、水汽以及硬件设施等因素影响，因此，对高光谱图像进行去噪、修补等操作对后续的高光谱图像处理具有非常重要的理论和应用价值。本项目重点研究了空谱联合相关性先验的高光谱图像建模分析。取得的主要成果包括：(1)提出了基于各向异性张量矩阵的三维核回归高光谱图像去噪模型。所提出方法在数值模拟实验和真实数据实验中都得到了很好的去噪效果。(2) 针对高光谱图像超分辨重构问题，提出了一种基于字典学习与空谱联合正则化的高光谱图像超分辨方法，并给出了模型的求解算法。实验结果表明，本章方法不仅能很好地增强高光谱图像的空间分辨率，还能很好地对地物光谱信息进行保真。（3）针对多光谱遥感图像和全色图像的融合问题，提出了一种新的基于深度神经网络的Pan-sharpening方法。实验结果表明，该方法在空间细节和光谱保真方面都优于其它主流方法。（4）通过充分挖掘高光谱图像的全局和局部空间信息，提出了一种基于低秩矩阵分解以及概率支持向量机的高光谱图像分类方法。实验结果表明，该方法的分类结果优于其他主流分类方法。（5）针对高光谱图像异常检测问题，提出了一种基于低秩和稀疏表示的高光谱异常检测方法，并设计了有效的求解算法。实验表明，所提出的异常检测方法具有较高的检测准确率。（6）开展了有利于高光谱图像空谱联合性分析的一系列研究，包括：在Bayesian-MAP框架下，提出了欧拉弹性正则与泊松似然保真的图像泊松去噪变分正则化模型以及快速求解算法；提出了一种利用Wasserstein距离的局部亮度自适应彩色图像增强模型；提出了一种基于图像分解和自适应方向梯度的启发式边缘增强图像盲去模糊算法；提出了一种基于非局部张量表示的彩色图像去马赛克变分正则化模型。这些相关研究工作为高光谱图像的恢复、分类方法奠定了良好的理论基础。本项目研究提供的新的技术和方法，对于推动高光谱去噪、恢复、修补、分类、识别等后续研究具有重要的理论意义以及广泛的应用前景。