基于空间域压缩采样和谱域Karhunen-Loève变换的光谱成像与重构 下载: 654次
1 引言
成像光谱能够获取监视场景的丰富的空间信息和光谱信息,为天基预警探测任务提供重要的信息支撑;然而,随着空间分辨率和光谱分辨率的不断提高,采用传统的奈奎斯特方式获取数据会使数据量急剧增长,对本来就昂贵且有限的星载硬件资源造成了巨大压力。不同于传统的对地遥感,预警探测的成像时间极其有限,传统的奈奎斯特采样无法实现数据的快速采集,难以满足天基预警探测任务的实时性要求。光谱图像的空间相关性和谱间相关性使光谱图像数据中存在大量冗余信息。利用光谱图像数据的冗余特征,传统的数据压缩方法能够解决数据存储和传输方面的困难,其通常的做法是先进行奈奎斯特采样,然后将获得的数据进行压缩后存储和传输。显然,这种“先采样后压缩”的处理方式并没有从根本上解决数据量庞大的问题,还会造成资源浪费:一方面通过消耗大量硬件资源来获取大量数据,另一方面又通过数据压缩来舍弃大量冗余信息。为了缓解上述矛盾对成像光谱技术应用的限制,需要寻求新的、更加高效的数据采集和处理方法。一个朴素的出发点是,既然大部分冗余数据最终会被舍弃,那么为何还要花费大量资源去获取所有数据呢,是否可以直接获取其中不会被舍弃的那部分有用数据呢 [ 1 ] ?答案是肯定的。压缩感知(CS)理论 [ 2 - 4 ] 为解决该问题提供了良好的途径。CS理论将传统的数据采集和数据压缩合二为一,在不损失信息量的前提下可从源头上减少数据采集量,降低采样成本,缓解硬件资源的压力,非常适合于数据获取端资源有限而后端数据处理资源相对充裕的应用场景。
为了实现光谱成像和解码重构,本文基于二维图像CS编码
[
5
]
,结合谱域自适应Karhunen-Loève(KL)变换,提出了基于空间域压缩采样和谱域KL变换编码的光谱图像重构方法,在空间图像解码重构时建立基于
2 算法
2.1 压缩采样编码
在CS领域,尽管构造性能更优的测量矩阵仍是一个开放性课题,但鉴于随机高斯矩阵已经得到广泛使用并取得了良好效果,本研究仍采用随机高斯矩阵作为测量矩阵。根据CS理论,每一次观测均可以看作测量矩阵行向量与待测向量的内积,每个观测值均包含了待测数据的部分全局信息。此时,测量矩阵行向量之间的相关性越弱,各观测值之间的相关性也就越弱,观测数据包含的有效信息就越丰富,获得的重建质量就越高。采用施密特正交化法对测量矩阵进行预处理,在不影响测量矩阵随机性 [ 6 ] 的同时弱化其相关性。
给定光谱图像数据
式中:
光谱信息是光谱图像探测信息后续应用的关键。为了保证光谱的重建精度,提高后续应用的精度,本研究采用不同的随机高斯矩阵作为每个波段的测量矩阵,即采用三维编码策略,以增强采样编码的谱间随机性,从而提高光谱的重建质量。
经过空间域三维编码压缩采样后,采用KL变换去除谱间冗余。谱间KL变换是一种基于图像统计特性的正交变换,沿着光谱维将数据映射到本征矢量空间,使编码数据的能量集中在少数主成分,其核心是零均值数据协方差矩阵的特征值分解。光谱图像空间域压缩采样数据{
对协方差矩阵
式中
特征值分解后,自适应地选取
式中:
谱域KL变换的具体形式为
2.2 解码重构
完成空间域压缩采样、谱域KL变换编码和数据传输后,接收端需要对编码数据进行解码重构。首先对接收数据进行谱域KL逆变换,得到空间域压缩采样重构数据
然后重塑
式中:
式中:
式中
Fang等
[
12
]
将标准正交匹配追踪法(OMP)算法推广到二维空间,在测量矩阵
根据CS理论,图像的重建误差与稀疏逼近误差呈正比,稀疏逼近误差可以描述为变换域内非显著系数的
定义二维图像
图像
式中:
由于观测噪声在绝大多数情况下是不可避免的,因此模型(16)可以修正为
式中:
基于
式中:
式中:
由于
1) 初始化。初始值
式中
2) 全变分梯度下降。基于(14)式中的定义,全变分TV(
式中:
3) 软阈值收缩。完成梯度下降更新后,为了避免阈值分割时产生局部抖动,利用软阈值收缩算子保证
然后对系数矩阵
算子shrink(
最后基于阈值分割后的系数矩阵
4) 解空间投影。经过全变分梯度下降和软阈值收缩处理后得到的
最终利用拉普拉斯方法求解(27)式,并将其作为本次迭代的结果,即
Daubechies等
[
16
]
证明了上述解空间投影既不会增大图像的全变分,也不会削弱软阈值收缩算子的作用,2D-CRPG算法流程如
综上所述,所提2D-CRPG算法基于2D-CRPG算法和KL变换分别在空间域和光谱域进行编码和解码,具有结构简单和思路清晰的特点,其处理流程如
3 实验与结果分析
选取天基预警探测场景下的合成数据Our Data
[
17
]
作为实验对象,其大小为180×180,波长范围为[2.5961~2.8137 μm,4.0453~4.5998 μm],共300个波段。数据合成时考虑到观测系统的实际情况,在原始图像各波段添加随机高斯噪声作为仪器背景噪声和观测噪声,使得压缩采样数据为有噪采样。采用局部方差法计算各波段图像的信噪比(SNR),结果如
将所提2D-CRPG算法与BCS、CSC、2D-OMP和Kro-OMP等算法进行比较,采用各波段重构图像的
图 2. 基于空域压缩采样和谱域KL变换的光谱成像
Fig. 2. Spectral imaging based on spatial compressive sampling and spectral KL transform
峰值信噪比(
对于波段
图 4. 不同 Rspa 时2D-CRPG算法重构光谱图像各波段的PSNR。(a) K =10; (b) K =150
Fig. 4. PSNR of each band of reconstructed spectral image for 2D-CRPG algorithm with different Rspa . (a) K =10; (b) K =150
为了分析谱间压缩率对重构质量的影响,在空间采样率
选择
图 5. K= 150条件下2D-CRPG算法在不同 Rspa 时的二维图像重构效果
Fig. 5. Two-dimensional image reconstruction effect of 2D-CRPG algorithm with different Rspa under condition of K= 150
当空间采样率
图 6. 不同 K 值时2D-CRPG算法重构光谱图像各波段的PSNR。(a) Rspa =40%; (b) Rspa =90%
Fig. 6. PSNR of each band of reconstructed spectral image for 2D-CRPG algorithm with different K values. (a) Rspa =40%; (b) Rspa =90%
图 7. 不同算法重构光谱图像各波段的PSNR。(a) Rspa =40%; (b) Rspa =50%; (c) Rspa =60%; (d) Rspa =70%; (e) Rspa =80%; (f) Rspa =90%
Fig. 7. PSNR of each band of reconstructed spectral image for different algorithms. (a) Rspa =40%; (b) Rspa =50%; (c) Rspa =60%; (d) Rspa =70%; (e) Rspa =80%; (f) Rspa =90%
图 8. Rspa =40%时不同算法重构光谱图像的假色图(波段250、222、10)。(a) 原图; (b) BCS, aAPSNR =28.86 dB; (c) CSC, aAPSNR =27.08 dB; (d) 2D-OMP, aAPSNR =26.41 dB; (e) Kro-OMP, aAPSNR =19.05 dB; (f) 2D-CRPG, aAPSNR =33.14 dB
Fig. 8. False color images of reconstructed spectral images for different algorithms with Rspa =40% (bands 250, 222, 10). (a) Original image; (b) BCS, aAPSNR =28.86 dB; (c) CSC, aAPSNR =27.08 dB; (d) 2D-OMP, aAPSNR =26.41 dB; (e) Kro-OMP, aAPSNR =19.05 dB; (f) 2D-CRPG, aAPSNR =33.14 dB
了严重的模糊,并且后两者的重构图像中还出现了明显的条纹。相比较而言,运用2D-CRPG算法能够较好地保存图像的结构信息。由
不同算法的APSNR随空间采样率
图 9. Rspa =90%时不同方法重构光谱图像的假色图(波段250、222、10)。(a) 原图; (b) BCS, aAPSNR =34.54 dB; (c) CSC, aAPSNR =32.95 dB; (d) 2D-OMP, aAPSNR =35.41 dB; (e) Kro-OMP, aAPSNR =23.10 dB; (f) 2D-CRPG, aAPSNR =42.81 dB
Fig. 9. False color images of reconstructed spectral images for different algorithms with Rspa =90% (bands 250, 222, 10). (a) Original image; (b) BCS, aAPSNR =34.54 dB; (c) CSC, aAPSNR =32.95 dB; (d) 2D-OMP, aAPSNR =35.41 dB; (e) Kro-OMP, aAPSNR =23.10 dB; (f) 2D-CRPG, aAPSNR =42.81 dB
4 结论
利用光谱图像的空间稀疏性和谱间冗余,从应用方法的角度提出了基于空域压缩采样和谱域KL变换的光谱图像重构方法,该方法能够有效降低数据采样成本,有利于天基预警探测光谱成像。同时重点研究了二维图像复合正则重构模型的求解问题,结合投影梯度法和软阈值收缩算子提出了2D-CRPG算法,该重构算法能够有效保留光谱图像的结构信息,在有限的采样率下能较好地重构出原始光谱图像。
[1] Donoho D L. Compressed sensing[J]. IEEE Transactions on Information Theory, 2006, 52(4): 1289-1306.
[2] Candes E J, Romberg J, Tao T. Robust uncertainty principles: exact signal reconstruction from highly incomplete frequency information[J]. IEEE Transactions on Information Theory, 2006, 52(2): 489-509.
[3] 汪琪, 马灵玲, 李传荣, 等. 压缩感知光谱重构中的字典原子选取优化方法[J]. 光学学报, 2016, 36(9): 0930002.
[4] 荆楠, 毕卫红, 胡正平, 等. 动态压缩感知综述[J]. 自动化学报, 2015, 41(1): 22-37.
Jing N, Bi W H, Hu Z P, et al. A survey on dynamic compressed sensing[J]. Acta Automatica Sinica, 2015, 41(1): 22-37.
[5] 谭诗语, 刘震涛, 李恩荣, 等. 基于先验图像约束的多光谱压缩感知[J]. 光学学报, 2015, 35(8): 0811003.
[6] 闫敬文 , 刘蕾 , 屈小波 . 压缩感知及应用 [M]. 北京 : 国防工业出版社 , 2015 : 67 - 89 .
Yan JW , LiuL , Qu XB .Compressive sensing and its applications [M]. Beijing : National Defense Industry Press , 2015 : 67 - 89 .
[8] 吴群 , 周羚君 , 殷俊锋 . 矩阵分析 [M]. 上海 : 同济大学出版社 , 2017 : 54 - 58 .
WuQ , Zhou LJ , Yin JF .Matrix analysis [M]. Shanghai : Tongji University Press , 2017 : 54 - 58 .
[9] 李志林 . 图像压缩感知重建算法研究 [D]. 北京: 北京交通大学 , 2012 : 95 - 109 .
Li ZL . Study on image compressive sensing reconstruction algorithms [D]. Beijing: Beijing Jiaotong University , 2012 : 95 - 109 .
[10] LuG . Block compressed sensing of natural images[C]∥Proceedings of the 15 th International Conference on Digital Signal Processing , 2007 : 403 - 406 .
[11] 岑翼刚, 陈晓方, 岑丽辉, 等. 基于单层小波变换的压缩感知图像处理[J]. 通信学报, 2010, 31(8A): 52-55.
Cen Y G, Chen X F, Cen L H, et al. Compressed sensing based on the single layer wavelet transform for image processing[J]. Journal on Communications, 2010, 31(8A): 52-55.
[13] GhaffariA , Babaie-ZadehM , JuttenC . Sparse decomposition of two dimensional signals[C]∥Proceedings of IEEE International Conference on Acoustics, Speech and Signal Processing , 2009 : 3157 - 3160 .
[14] WimalajeewaT , Eldar YC , Varshney P K. Recovery of sparse matrices via matrix sketching[EB/OL]. ( 2013-11-11)[2017-11-20] . http: ∥arxiv.org/abs/1311 . 2448 .
[15] LiaoL , Zhang YN , ZhangC . 2DCS: two dimensional random underdetermined projection for image representation and classification[C]∥Proceedings of the International Conference on Multimedia Technology , 2011 : 1 - 5 .
[17] 唐意东 . 压缩感知光谱成像目标检测与分类识别方法研究 [D]. 西安: 空军工程大学 , 2017 : 75 - 89 .
Tang YD . Research on detection and classification method for compressive spectral imaging [D]. Xi’an: Air Force Engineering University , 2017 : 75 - 89 .
唐意东, 黄树彩, 黄达. 基于空间域压缩采样和谱域Karhunen-Loève变换的光谱成像与重构[J]. 光学学报, 2018, 38(5): 0530004. Yidong Tang, Shucai Huang, Da Huang. Spectral Imaging and Reconstruction Based on Spatial Compressive Sampling and Spectral Karhunen-Loève Transform[J]. Acta Optica Sinica, 2018, 38(5): 0530004.