基于辅助信息与张量建模的高光谱压缩感知研究

In remote sensing, hyperspectral compressive imaging and processing is a newly compressive-sensing driven research field. Currently, this field has been attracting much research interest and made great progress. However, there still exist some basic problems to be tackled: (1) the existing methods are almost designed through the vectorization or matricization, i.e. reshaping the hyperspectral image into a vector or matrix, which destroys the underlying intrinsic structure of the hyperspectral image; (2) the existing methods do not substantially fuse the useful side-information of other images like the panchromatic image into the process of hyperspectral image reconstruction. Hence, these methods cannot significantly reduce the necessary sampling number of the imaging spectrometry and further enhance the reconstruction precision. This project, as the starting point of preserving and effectively utilizing the intrinsic structure of the associated images, will develop novel methodologies for hyperspectral compressive sensing, mainly including: (1) structure modeling and its measure of the hyperspectral image and the associated images; (2) observation noise modeling and its measure of the hyperspectral image; (3) developing new models, theories and algorithms for hyperspectral compressive sensing based on the proposed tensor structure measures; (4) applications to resource exploration, environment monitoring and so on. The research of this project will provide new technical supports for hyperspectral image processing.

在遥感科学中，高光谱压缩成像与处理是一个受压缩感知技术驱动的新兴研究领域，近年来吸引了研究人员广泛的研究兴趣并取得了重大进展. 但仍存在一些基本问题亟待解决：(1)已有方法几乎都是基于向量或者矩阵设计，即通过把高光谱图像拉伸成向量或者矩阵来处理，这种处理方式破坏了高光谱图像内在的三维结构；(2)已有方法没有实质性地耦合其他有用的辅助信息(如全色图像)到高光谱图像的重构过程. 因而，这些方法仍不能显著地减少成像谱仪的测量数和进一步提高高光谱图像的重建精度. 本课题将以保持和有效利用图像的内在结构为出发点，采用张量数学结构并结合辅助信息的思想来发展高光谱压缩感知的新方法，主要研究：(1)高光谱图像与辅助图像的结构建模与度量，(2)高光谱图像的观测噪声建模与度量，(3)基于张量和新度量的压缩感知模型、理论与算法，(4)在资源探测等实际问题上的应用.该项目研究将为高光谱图像处理提供新的技术支撑.

本项目以高光谱图像处理、自然图像处理中基本问题为研究背景，主要研究内容有三项：1）图像重建与恢复模型构建，2）稀疏优化算法设计与分析，3）重构理论分析。本项目主要结果有，针对内容一：1）关于高光谱条纹噪声去除问题，我们提出了一种赋权的时空全变差模型来刻画图像结构，利用矩阵低秩性来刻画条纹噪声，该成果发表在SCI期刊上，被google scholar引用7次；2）关于高光谱图像恢复问题，我们提出了一种谱-空非局部低秩模型来刻画图像内在结构，方差自适应的高斯—拉普拉斯混合概率模型来刻画图像复杂噪声结构，该成果发表在遥感图像处理领域国际知名期刊上，被google scholar引用9次；3）针对高光谱图像等多通道图像结构，我们提出非局部张量全变差模型来描述该结构，该模型在图像压缩感知、图像去噪、图像去模糊等问题上有良好性能表现；4）在高光谱图像解混问题上，我们把丰度系数看成多通道张量图像，该系数在每个通道向量上是稀疏的，在每个通道图像上是非局部光滑的，基于这种观察，我们提出一种新的图像解混方法，该成果发表在图像处理领域知名期刊IEEE Trans. Image Processing上（2019年中科院大类分区SCI-1区）；5）在视频压缩感知问题上，我们提出了一种诸帧在线重建方法，该方法已经申请专利。针对内容二：1）本团队成员利用神经网络逼近的思想求解稀疏优化问题，从算法设计上是一种有意思的尝试，有3篇论文，其中SCI论文2篇，中文核心论文1篇；2）针对非凸复合优化问题的交替方向乘子方法（ADMM），与合作者导出其收敛性证明，该论文被《中国科学：信息科学》杂志发表。针对内容三：在此项子课题上，我们正在指导硕士研究生开展研究，已有成熟的思路。本项目已经取得的研究成果将在交通视频监控、手机拍摄照片去噪与去模糊、高光谱图像恢复、高光谱图像解混，高光谱压缩感知等问题上有潜在应用前景。

内容获取失败，请点击重试