基于张量的高维多通道图像压缩感知重建理论与算法及其应用

With the rapid development and wide application of the new type of sensors, computer communication and network technology, the data people have to face is no longer a simple signal or image, but the high-dimensional multi-channel data with larger scale, higher dimension and more complex structure. In this project, we propose a tensor based multi-characteristics joint geometry regularization prior and structured low rank sparse prior modeling method for high-dimensional multi-channel image, and then propose new compressive sensing super-resolution reconstruction theory and algorithms for high-dimensional multimodal image. According to the characteristics of hyperspectral image, by using the proposed tensor based sparse reconstruction theory and method for high-dimensional multi-channel image, we propose new theory and algorithms for the quality- promoting recovery and compression sensing super-resolution reconstruction of hyperspectral image. The research of project can not only promote the development of compression sensing theory and super-resolution reconstruction theory for the high-dimensional multi-channel image, but also promote the development of tensor theory and method in the field of image processing, and therefore it has important theoretical significance; At the same time, the theory and method proposed in this project can be used for the compressive sensing super-reconstruction of the hyperspectral images, also can be used in video monitoring, multimodal biological information processing and so on, and therefore it plays an important role in many important applications, and has wide application prospect.

随着新型传感器、计算机通信与网络技术的飞速发展和广泛应用，人们所面临的数据已经不再是简单信号或者图像，而是规模更大、维数更高、结构更复杂的高维多通道数据。本项目通过对基于张量的高维多通道图像的多特征联合几何正则化先验度量与建模，以及张量模式下高维多通道图像的结构化低秩稀疏先验度量与建模，提出高维多通道图像的压缩感知超分辨重建理论和方法，并针对高光谱图像的特点，利用所提出的基于张量的高维多通道图像稀疏重建理论和方法，提出高光谱图像质量提升复原和压缩感知超分辨重建新方法。本项目研究不仅推动压缩感知理论和图像超分辨重建理论在高维多通道图像处理中的发展，也推动张量理论和方法在图像处理领域中的发展，具有十分重要的理论意义；同时，所提出的图像重建模型和算法将不仅可以用于基于高光谱（多光谱）的高分辨率遥感图像重建，还可以在视频监控、多模态生物信息处理等许多重要应用领域发挥重要作用，具有广泛的应用前景。

随着新型传感器、计算机通信与网络技术的飞速发展和广泛应用，人们需处理的数据已经不再是简单信号或者图像，而是大规模、维数更高、结构更复杂的高维多通道数据。本项目通过对基于张量的高维多通道图像的多特征联合几何正则化先验度量与建模，以及张量模式下高维多通道图像的结构化低秩稀疏先验度量与建模，研究了高维多通道图像的压缩感知超分辨重建理论和方法，并针对高光谱图像的特点，研究基于张量的高维多通道图像稀疏恢复、高光谱图像质量提升复原以及压缩感知超分辨重建新方法。. 针对有环图上的数学反问题，对“间断不连续”问题进行了数学基础理论研究，为高维数据结构化保持提供理论基础；提出多成分正则化医学图像压缩感知重建方法，张量核范数的高光谱联合压缩感知重建与目标检测方法提出，以及基于深度学习的高光谱图像压缩感知重建方法；在变分计算和张量结构化低秩正则化框架下，提出高光谱图像质量提升融合和异常检测新方法；针对高维数据的计算困难，开展了针对高光谱多通道数据处理的高性能计算的研究，提出了系列并行计算方法。.项目取得很好研究成果，合计发表论文35篇，其中国际SCI期刊18篇（其中二区文章9篇），代表性工作发表在IEEE TGRS，IEEE JSTAR, Signal Processing，Inverse Problems等国际主流刊物。同时在IEEE国际地理与遥感会议IGRASS-2016-2018,ICIP2016-2017,IEEE BIBM 2016等国际会议合计会议论文17篇。并围绕高光谱图像处理，申请国家5项发明专利。培养毕业博士生研究生5名、硕士研究生 7名。. 本项目研究不仅推动压缩感知理论和图像超分辨重建理论在高维多通道图像处理中的发展，也推动张量理论和方法在图像处理领域中的发展，具有十分重要的理论意义；同时，所提出的图像重建模型和算法将不仅可以用于基于高光谱（多光谱）的高分辨率遥感图像重建，还可以在视频监控、多模态生物信息处理和军事侦察等许多重要应用领域发挥重要作用，具有广泛的应用前景。