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<sub>j</sub>,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=[y<sub>1</sub>,y<sub>2</sub>,…,y<sub>j</sub>,…,y<sub>n</sub>],j=1,2,…,n;(2)利用训练样本y<sub>j</sub>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e<sub>1</sub>,e<sub>2</sub>,e<sub>3</sub>;(4)随机生成大小为5184×5184的高斯随机矩阵,作为观测矩阵Φ<sub>0</sub>;(5)得出最终观测矩阵Φ;5a)设采样率为S,将初始观测矩阵Φ<sub>0</sub>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S<sub>0</sub>;5b)对初始观测矩阵Φ<sub>0</sub>的前S<sub>0</sub>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e<sub>1</sub>,e<sub>2</sub>,e<sub>3</sub>进行非线性压缩成像;(7)利用pre‑image方法重构出原图像<img file="FDA0000739144550000011.GIF" wi="71" he="70" /> |