研究目的
提出一种新的高光谱图像压缩与重建方案,该方案采用压缩感知方式获取图像,旨在相比现有技术方案减少计算资源消耗并提高重建精度。
研究成果
所提出的SHSIR算法通过利用高空间相关性和少量端元,并采用Bregman迭代提高精度,有效实现了高光谱图像的压缩与重建。实验结果表明,该算法在SSIM、PSNR和SAM指标上均优于现有最先进方法,证明了其在卫星通信高光谱数据处理中的有效性。
研究不足
SHSIR算法的主要限制在于高光谱数据集规模庞大导致的计算耗时问题,但由于重建过程发生在资源充足的地面站,这一缺陷被忽略。该方法假设通过RMVSA预先估计混合矩阵,但这种做法在实际操作中未必总是可行。
1:实验设计与方法选择:
该方法采用高斯独立同分布测量矩阵生成压缩测量值,将重建问题构建为含非光滑项的约束优化问题,并使用自适应Bregman乘子迭代法将其转化为循环序列问题进行求解。
2:样本选择与数据来源:
使用两个高光谱数据集——URBAN(原始尺寸307×307×210,裁剪至每波段200×200像素)和PAVIAU(原始尺寸610×340×103,裁剪至每波段200×200像素)。
3:实验设备及材料清单:
配备8GB内存、1TB存储、Intel i5处理器、2GB英伟达显卡、Windows 10操作系统及MATLAB 2016b软件的计算机系统。
4:实验流程与操作步骤:
实施SHSIR算法,包括初始化、参数选择、更新以及Bregman迭代等步骤,直至满足停止准则。在0.1至0.5采样率范围内,通过SSIM、PSNR和SAM指标评估性能,并添加高斯噪声模拟20dB信噪比。
5:1至5采样率范围内,通过SSIM、PSNR和SAM指标评估性能,并添加高斯噪声模拟20dB信噪比。
数据分析方法:
5. 数据分析方法:将重建图像与现有方法(OMP、RLPHCS、SSHBCS)对比,采用结构相似性指数(SSIM)、峰值信噪比(PSNR)和光谱角制图仪(SAM)评估性能。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容