基于非线性压缩感知与字典学的压缩光谱成像方法

摘要

本发明公开了一种基于非线性压缩感知与字典学的压缩光谱成像方法，主要解决现有技术在压缩采样过程中学到的字典与稀疏系数存在负值的问题。其实现步骤为：先把原始空间中的信号投影到特征空间上，并引入非负的条件，利用非负核追踪算法和非负矩阵分解的方法，在特征空间中进行字典学；把学到的字典用在非线性压缩感知模型中，通过非负核追踪算法求出稀疏系数；最后利用pre-image方法恢复出原信号。实验结果表明：在不同的采样率下，本发明同其他现有的字典学方法相比，其重构效果最好，可用于遥感图像获取。

主权项

一种基于非线性压缩感知与字典学习的压缩光谱成像方法，包括如下步骤：(1)获取三组大小均为145×145的高光谱图像，从每组高光谱图像的第16个谱段开始，依次选取n个谱段的图像作为训练样本y_j，用双线性插值把样本图像缩小为大小为72×72的图像，并把每幅图像拉成列向量，组成大小为5184×n的训练样本矩阵Y＝[y₁,y₂,…,y_j,…,y_n]，j＝1,2,…,n；(2)利用训练样本y_j训练字典，采用非负核追踪算法和非负矩阵分解的方法求出非负核字典，记为D；(3)把三组高光谱图像的第10个谱段的图像作为测试图像，用双线性插值把每幅图像缩小为72×72的图像，并把其拉成列向量，分别记为e₁,e₂,e₃；(4)随机生成大小为5184×5184的高斯随机矩阵，作为观测矩阵Φ₀；(5)得出最终观测矩阵Φ；5a)设采样率为S，将初始观测矩阵Φ₀的行数5184与采样率S相乘，并在乘积的无穷大方向取整，记为S₀；5b)对初始观测矩阵Φ₀的前S₀行进行归一化，得到观测矩阵Φ；(6)根据上述(2)所求的字典D和(5)所求的观测矩阵Φ，对(3)中的三幅测试图像e₁,e₂,e₃进行非线性压缩成像；(7)利用pre‑image方法重构出原图像