基于壓縮感知的高光譜圖像重構(gòu)

基于壓縮感知的高光譜圖像重構(gòu)

ID:34873678

大?。?.74 MB

頁數(shù):73頁

時間:2019-03-13

基于壓縮感知的高光譜圖像重構(gòu)_第1頁
基于壓縮感知的高光譜圖像重構(gòu)_第2頁
基于壓縮感知的高光譜圖像重構(gòu)_第3頁
基于壓縮感知的高光譜圖像重構(gòu)_第4頁
基于壓縮感知的高光譜圖像重構(gòu)_第5頁
資源描述:

《基于壓縮感知的高光譜圖像重構(gòu)》由會員上傳分享,免費在線閱讀,更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。

1、爲(wèi)姑丟難作國碩±學(xué)位論文?。牐保崳娀谄たs感知的髙光譜圖像重構(gòu)作者脫M-*取新私1、華爵懶授學(xué)校導(dǎo)師姓名、-取疏王曉華起—5SJ企業(yè)導(dǎo)師姓名、SmM申請學(xué)位類別ah&l一西安電子軒技大學(xué)學(xué)位論文獨創(chuàng)性(或創(chuàng)新性)聲明乗承學(xué)巧嚴(yán)謹(jǐn)?shù)膶W(xué)良的科學(xué)道德,本人聲明所單交的論義是我個人巧導(dǎo)帥風(fēng)和優(yōu)注和致謝指導(dǎo)下進巧的研究工作及取得的研巧成果。盡我所知,除了文中特別加從標(biāo)包含他人己經(jīng)發(fā)表或撰寫過的研究成巧;也不中所羅列的內(nèi)巧^心外,論文中不包含其過的材料—?同工為獲得西女電子科技火學(xué)或其它教育機構(gòu)的學(xué)位或證書而使用?巧我不。

2、貢獻巧己在論文中作了明確的說明并衷J謝技作的同事對本研究所做的任何一人承擔(dān)切法律責(zé)任。學(xué)位論文若巧不實之處,本、之I/’:期r—扳法口—w:苗本人簽名西安電子科技大學(xué)關(guān)于論文使用授權(quán)的說明本人完全了解曲安電子科技大學(xué)有關(guān)保留和使用學(xué)位論義的規(guī)定,即;研究生巧校攻讀學(xué)位期間論文說產(chǎn)權(quán)屬于西安化子科技大學(xué)。學(xué)校有權(quán)巧留送論文工作的知^、借閱論文;學(xué)??蓮墓颊撐牡娜炕虿糠謨?nèi)容,允許采用影的復(fù)印件,允許蒼閱兀成的論,合皆位論文研光成果印論義。同時本人?;?、結(jié)、縮印或巧它復(fù)制乎段保存單位文、發(fā)保密明專利等成果,單名密為后西適安電子科技大學(xué)。的學(xué)位論文在_

3、拇_年解用本授權(quán)巧。本人簽名;?。墸爩?dǎo)師整名;一^如^。、.化苗日期:>0任,心疋了日期:—_學(xué)校代碼10701學(xué)號1302121514分類號TP75密級公開西安電子科技大學(xué)碩士學(xué)位論文基于壓縮感知的高光譜圖像重構(gòu)作者姓名:楊星領(lǐng)域:電子與通信工程學(xué)位類別:工程碩士學(xué)校導(dǎo)師姓名、職稱:張小華副教授企業(yè)導(dǎo)師姓名、職稱:王曉華高工學(xué)院:電子工程學(xué)院提交日期:2015年11月HyperspectralImageReconstructionbasedonCompressiveSensingAthesissubmittedtoXIDIANUNIVERSITYinparti

4、alfulfillmentoftherequirementsforthedegreeofMasterinElectronicsandCommunicationsEngineeringByYangXingSupervisor:ZhangxiaohuaAssociateProfessorWangxiaohuaSeniorEngineerNovember2015摘要摘要高光譜圖像由成像光譜儀在幾百個相鄰的窄波段內(nèi)同時對地物進行成像所得。多個波段的圖像形成三維的數(shù)據(jù)立方體,其中包含了二維的空間信息和一維光譜信息??臻g和波段方向的高分辨特性使得高光譜圖像具有很大的數(shù)據(jù)維度,龐大的信息帶來了嚴(yán)峻挑戰(zhàn)。

5、傳統(tǒng)的壓縮方法采用奈奎斯特采樣速率對數(shù)據(jù)進行采樣,然后再壓縮傳輸。這種高冗余采樣再壓縮的過程造成極大的資源浪費,同時也增加了運算復(fù)雜度,因此并不適合低功耗、資源有限的機載或星載應(yīng)用。壓縮感知作為一種新穎的信號獲取理論,融合了傳統(tǒng)的采樣與壓縮過程,以遠低于奈奎斯特采樣率的方式直接獲取測量數(shù)據(jù),降低了采樣成本,減少了存儲資源。壓縮感知的思想是在充分挖掘原數(shù)據(jù)所具有的性質(zhì)和先驗的基礎(chǔ)上建立重構(gòu)模型,這些先驗約束確保了解的最優(yōu)性。因此,對于高光譜圖像壓縮感知重建問題來說,應(yīng)該在充分了解高光譜性質(zhì)的基礎(chǔ)上進行算法研究。本文基于上述提出的這些問題,對高光譜圖像的壓縮感知重建進行了研究,概括為以下三個方

6、面:首先研究了低秩稀疏分解模型對高光譜圖像壓縮重建性能的提高。本文分析了高光譜圖像不同波段間存在著較強的相關(guān)性,以低秩矩陣恢復(fù)理論為背景,提出基于低秩稀疏分解的重建模型。該模型通過低秩項來約束波段間的相關(guān)性,稀疏項則表示了各波段的差異。通過實驗結(jié)果分析對比,驗證了該算法對重建信噪比的提高作用。其次研究了高光譜圖像的非局部特性,提出基于非局部全變差的低秩稀疏重建模型。與普通的自然圖像相比,高光譜圖像具有豐富的紋理結(jié)構(gòu)和較多的邊緣,傳統(tǒng)的TV重建容易導(dǎo)致邊緣模糊,細節(jié)的重建效果不理想。本文在考慮了高光譜圖像非局部結(jié)構(gòu)特性的基礎(chǔ)上,提出基于非局部TV和低秩稀疏分解的高光譜圖像重建算法。實驗結(jié)果表

7、明,該算法在保證較高重構(gòu)質(zhì)量的同時,較好的恢復(fù)了細節(jié)。雖然高光譜圖像波段間具有較強的相關(guān)性,但是這種相關(guān)性隨波段間距的增加而減弱。通過對高光譜圖像的特性分析可知,表示同類物質(zhì)的像素點之間具有較高的相似度。從整體來看,與非同類像元構(gòu)成的矩陣相比,同類像元構(gòu)成的矩陣具有更強的低秩性,更適合低秩稀疏模型的重建。因此在前兩個工作的基礎(chǔ)上,結(jié)合聚類算法,提出了基于聚類的非局部全變差和低秩稀疏重構(gòu)模型。實驗結(jié)果表明,該算法對高光譜圖

當(dāng)前文檔最多預(yù)覽五頁,下載文檔查看全文

此文檔下載收益歸作者所有

當(dāng)前文檔最多預(yù)覽五頁,下載文檔查看全文
溫馨提示:
1. 部分包含數(shù)學(xué)公式或PPT動畫的文件,查看預(yù)覽時可能會顯示錯亂或異常,文件下載后無此問題,請放心下載。
2. 本文檔由用戶上傳,版權(quán)歸屬用戶,天天文庫負責(zé)整理代發(fā)布。如果您對本文檔版權(quán)有爭議請及時聯(lián)系客服。
3. 下載前請仔細閱讀文檔內(nèi)容,確認(rèn)文檔內(nèi)容符合您的需求后進行下載,若出現(xiàn)內(nèi)容與標(biāo)題不符可向本站投訴處理。
4. 下載文檔時可能由于網(wǎng)絡(luò)波動等原因無法下載或下載錯誤,付費完成后未能成功下載的用戶請聯(lián)系客服處理。