高光谱图像的埃尔米特压缩感知重构算法 下载: 764次
1 引言
高光谱图像(HSIs)包含丰富的空间几何信息和光谱特征信息,适用于目标探测、识别、分类、生物医学等领域[1-4]。高光谱成像光谱仪的研制[5]、高光谱图像数据的分析处理和图像解译研究[6-8],已成为备受关注的前沿热点研究领域。应用领域的不断扩展,要求高光谱图像能够提供更细致的目标信息,即提高成像系统的空间分辨率和光谱分辨率,以获取更完整的空间信息和谱间信息。空间和光谱分辨率越高,对系统的数据存储和传输能力的挑战越高。随着人们对信息需求量的急剧增加,寻找有效的数据压缩和重构算法对高光谱遥感技术的发展十分重要。
压缩感知(CS)理论于2006年提出,直接采集数据的信息特性,在重构端高精度地重构出原始信号,在无线网络、成像技术、目标定位、波达方向估计等领域[9-13]得到广泛应用。高光谱图像的空间信息和谱间信息均存在冗余性,图像具备可压缩性[14],利用压缩感知理论对高光谱图像进行压缩采样重构,能大大降低数据量。高光谱图像压缩重构可以采用经典的信号重构理论,如正交匹配追踪(OMP)算法[15-16];也可以利用图像的稀疏特性、平滑特性,如孙玉宝等[17]提出的低秩稀疏重构算法,Fowler等[18]提出的主成分分析压缩算法,以及Xu等[19]提出的距离张量重构算法等;还可将数据压缩的预测方法[20]或者光谱混合特性[21]引入压缩重构。
高光谱图像特征复杂,利用高冗余度的冗余字典作为其稀疏域能够提高信号的稀疏度。但选择正交匹配追踪算法进行重构的计算时间较长,其耗时主要在于:1)随着迭代的不断进行,更新残差的求逆运算非常耗时;2)每次迭代寻找最优原子的遍历过程非常耗时。本文利用埃尔米特(Hermitian)矩阵特性,采用递归方式对OMP算法的残差更新过程进行优化;进一步地利用人工鱼群(AFSA)算法对OMP算法的匹配过程进行优化,提高重构效率。所提算法以OMP算法为基础,采用Hermitian矩阵特性和AFSA对OMP进行改进,算法命名为HA_OMP。
2 基本原理
压缩感知理论利用信号的稀疏性,利用观测矩阵Φ(M≪N)对信号x进行测量,得观测值y,其测量过程为
式中:Θ=ΦΨ是一个M×N维的矩阵,称为CS信息算子;Ψ是信号的稀疏基。重构过程则是在已知观测值y和信息算子Θ的情况下,恢复出稀疏信号S从而得到原始信号x的过程。采用Gabor提出的Gabor字典,作为高光谱图像的稀疏基,Gabor字典的生成过程参见文献[ 22],经过时频参数的离散化处理,Gabor字典的原子个数达到52(Nlog2N+N-1),其中N为信号x的长度,当信号长度为256时,原子个数达到119756。
正交匹配追踪算法的基本思想是通过不断迭代,在冗余字典Ψ中找到能够对原始信号进行线性表示的最优原子,使得原始信号与表示信号之间的残差不断减小,当迭代满足一定条件时,就能够获得原始信号的近似线性表示。采用OMP算法进行信号重构时,目标是从信息算子Θ中找到能够表示稀疏信号S的最优原子,使得表示信号与测量值之间的残差最小,即不断逼近测量值y的真实支撑集,其详细计算过程可以参考文献[ 23]。
分析OMP算法的重构过程,可以发现:1)随着迭代的进行,残差更新过程中,矩阵
针对以上问题,观察到矩阵
2.1 埃尔米特求逆引理
埃尔米特求逆引理[24]主要是利用正定埃尔米特矩阵的特性,提高大型矩阵求逆运算的速度。埃尔米特矩阵的分块形式为
式中:
证明过程:令逆矩阵
则有:
由此导出以下等式:
由(7)式可得到:
将(10)式代入(9)式,即有:
将(11)式代入(10)式,得到:
将(13)式代入(6)式,得到:
将(11)~(14)式代入(4)式,即得:
2.2 人工鱼群算法
人工鱼群算法[25],通过模拟鱼群的觅食行为、聚群行为、追尾行为和随机行为等在搜索域中进行寻优,采用自上而下的寻优模式,通过鱼群中各个体的局部寻优,寻找可能的最优解。
2.2.1 人工鱼群的基本定义
人工鱼总数为P,人工鱼群为F=[f1,f2,…,fp,…,fP]。人工鱼个体的状态为fp=[fp1,fp2,…,fpl,…,fpL],其中,fpl为寻优的变量,L是解空间的维数。人工鱼所在位置的食物浓度为cp=foodconsistence(fp)。两个人工鱼个体i和j之间的距离为d(i,j)=
2.2.2 人工鱼行为描述
1)觅食行为
人工鱼fi=[fi1,fi2,…,fil,…,fiL]在其视野范围内,随机选择某个位置fj=[fj1,fj2,…,fjl,…,fjL]:
式中:Rand()是随机函数。计算fi和fj的食物浓度ci和cj,如果cj>ci,说明fj的食物较多,则fi选择向fj移动:
否则,fi继续尝试在其视野范围内选择其他状态fj,反复尝试Ttry_number次后,如果仍然没有找到可前进的方向,则执行随机行为。
2)聚群行为
人工鱼fi=[fi1,fi2,…,fil,…,fiL]在当前视野内[d(i,j)<Vvisual]有nf个伙伴,其中心位置为fc=[fc1,fc2,…,fcl,…,fcL],计算fc的食物浓度ccenter。
如果ccenter/nf>δci,说明视野范围内中心位置的食物浓度较高且不太拥挤,则fi向中心位置fc的方向移动:
3)追尾行为
当前视野内[d(i,j)<Vvisual],食物浓度最高值为co,其对应的是最优伙伴fo=[fo1,fo2,…,fol,…,foL],如果co/nf>δci,说明最优伙伴的周围不太拥挤,则fi向最优伙伴fo的方向移动:
4)随机行为
如果人工鱼的聚群和追尾行为都没有找到合适的移动方向,则人工鱼将随机移动,到达新的位置:
3 基于埃尔米特的压缩感知重构算法
3.1 利用埃尔米特实现残差递归更新的过程
观察OMP算法的残差更新过程,矩阵
令Hk-1=
分析(21)式表示的递归表达式可知,当第一次迭代时,原子字典的维度是1,计算量很小,随着迭代的进行,每次迭代新增加的运算量较小,降低了传统OMP算法残差更新时大型矩阵的求逆运算时间。
3.2 利用人工鱼群实现最优原子匹配的过程
人工鱼代表冗余字典的原子,通过人工鱼群的各个局部寻优,找到群体的最优位置,该最优位置对应的原子即为OMP每次迭代所寻找到的最优原子。
1)人工鱼定义和食物浓度
根据Gabor原子的生成函数,人工鱼需要用四维向量来表示,定义为fp=(s,u,υ,ω)。OMP选择最优原子的原则是该原子与残差的内积最匹配,而人工鱼运动的目标是该位置的食物浓度高。因此,将原子与残差的相关度作为食物浓度的衡量函数,则食物浓度表示为
式中:gfp表示由人工鱼fp=(s,u,υ,ω)生成的原子。
2)人工鱼群的初始化
初始人工鱼群体为f0=[
3)最优原子的确定
进化过程中,每个个体进行聚群和追尾行为,选择行动后的最优值作为更新值,生成新鱼群,并重新计算新鱼群的食物浓度。如果更新后,某个人工鱼的食物浓度大于公告板的食物浓度,即foodconsistence(fp)>foodconsistence(Gbest),则更新群体极值位置Gbest=fp,否则保持不变。进化过程结束后,公告板所对应的原子即为寻找到的最优原子。
3.3 所提算法HA_OMP的实现流程
HA_OMP的执行过程总结为:
1) 初始化。r0=y,Λ0=[ ],k=1。
2) 人工鱼群算法寻找最优原子。初始化所有人工鱼,计算人工鱼的初始食物浓度,确定公告板Gbest;人工鱼进行觅食、聚群和追尾后生成新鱼群;计算新鱼群的食物浓度;更新公告板Gbest。判断是否达到最大更新代数Tmax,输出Gbest。
3)更新索引集合。Λk=Λk-1∪{Gbest}。
4)埃尔米特求逆引理计算残差。计算Gbest对应的最优原子gγk,递归求解
5) 停止迭代的判断。满足停止条件,则输出重构结果,否则继续迭代。
重构的原始信号表达式为
式中:ΨΛk表示K次迭代构成的原子字典。
4 实验结果与分析
4.1 高光谱数据
利用OMP算法和HA_OMP算法对四组高光谱图像进行重构,场景分别是来自AVIRIS采集的Cuprite1、Cuprite2、Indian Pines以及ROSIS采集的Pavia University。为了保证计算效果,原始数据集中的水汽波段和噪声波段均已移除;利用高斯随机矩阵对高光谱图像进行分块压缩感知采样,分块大小为16,因此对图像进行了空间裁剪。四组数据的基本情况见
表 1. 四组高光谱数据集的基本情况
Table 1. Basic situation of four datasets
|
四组高光谱数据第50个波段的原始图像如
式中:x和
4.2 参数设置
算法HA_OMP中,人工鱼群算法的最大更新代数、种群大小对整个算法的计算精度和计算效率有重要影响。为了设定合理的参数,保证计算精度和计算效率,利用所提算法HA_OMP对四组高光谱数据的第50个波段图像进行压缩重构(采样率为0.5)。最大进化代数Tmax的变化范围是5~50,间隔是5,种群规模P的变化范围是5~50,间隔是5,原子个数K设定为10~100,间隔为10。人工鱼群算法的其他参数依照文献[ 25]的经验参数选择,其中最大尝试次数Ttry_number=1,拥挤度因子δ=0.6,移动步长Sstep和视野范围Vvisual由位置参数确定,分别设定为
图 2. 第50个波段的原始图像。(a) Cuprite1;(b) Cuprite2;(c) Indian Pines;(d) Pavia University
Fig. 2. Original images of the 50th band. (a) Cuprite1; (b) Cuprite2; (c) Indian Pines; (d) Pavia University
式中:smax和smin分别是参数s的上界和下界;umax和umin分别是参数u的上界和下界;υmax和υmin分别是参数υ的上界和下界;ωmax和ωmin分别是参数ω的上界和下界。
因人工鱼群算法具有随机性,同一参数下算法HA_OMP运行10次,
图 3. 进化代数、种群规模和原子个数对HA_OMP算法的影响。(a)原子个数为50;(b)种群大小为10;(c)进化代数为5
Fig. 3. Influence of evolution generation, population size, and atom number on HA_OMP. (a) Atom number is 50; (b) population size is 10; (c) evolution generation is 5
原子个数对重构性能的影响非常大,
当采样率为0.1,原子个数增加至27时,算法性能急剧下降,已经无法精确重构,这是因为压缩感知算法能精确重构需满足的条件——测量数大于等于信号的稀疏度。在两种重构算法中,信号均用冗余字典中的若干原子进行稀疏表示,故稀疏度等于原子个数。因此若要精确重构,测量数应≥原子个数。当信号长度为256,采样率为0.1时,测量数为26,因此原子个数增至27时,已不满足精确重构的条件,算法性能会骤降。
四个数据集的单个波段(第40个波段)的最优PSNR及所需原子数见
图 4. 重构Cuprite1图像的PSNR随原子个数的变化。(a) OMP;(b) HA_OMP
Fig. 4. Reconstructed PSNR of Cuprite1 vs atom number. (a) OMP; (b) HA_OMP
表 2. 单个波段的最优PSNR及所需原子数
Table 2. Optimal PSNR for single band and required atom number
|
4.3 结果分析
从理论上,对两种算法的计算过程进行分析,详细对比两种算法的计算复杂度。
1) 匹配过程的计算复杂度:每次迭代中,OMP算法需要计算52(Nlog2N+N-1)个原子与残差的内积,找到相关度最高的原子作为此次迭代的最优原子,故OMP算法需要完成119756次内积计算。HA_OMP算法需要首先进行人工鱼的初始化并计算初始食物浓度,完成P次内积计算;在每次种群进化过程中,每条人工鱼需要通过聚群行为找到觅食的方向,在此过程中计算中心值以及移动后的食物浓度,完成2次内积计算;然后通过追尾行为找到觅食的方向,在此过程中计算最大值以及移动后的食物浓度,完成2次内积计算;通过比较或者还需要随机行为最终确定移动后的位置,完成1次内积计算;达到最大进化代数后,确定此次迭代的最优原子。因此HA_OMP算法找到1个最优原子需要完成的内积运算次数为:种群规模+迭代次数×种群数量×5。根据实验参数设置,HA_OMP算法至少需要完成260次内积运算。除内积运算外,OMP算法还需要比较所有的相关度找到最优原子,HA_OMP算法需要多次比较人工鱼新位置的食物浓度才能找到最优原子。比较明显的是,相比于其他运算,HA_OMP算法的内积运算次数大幅减少,提高了匹配过程的计算效率。
2) 残差更新过程的计算复杂度:OMP算法求逆运算随着迭代过程的不断进行,矩阵的维数越来越高,第k次迭代求逆运算的时间复杂度是O(k3),第k+1次迭代求逆运算的时间复杂度是O[(k+1)3]。HA_OMP算法中,当第k次迭代完成后,第k+1次迭代产生的计算量来源于ΘΛk-1=ΦΨΛk-1,dγk=Φgγk,
利用实验,分析埃尔米特求逆引理和人工鱼群算法对OMP算法的改进效果。对Cuprite1和Cuprite2两组数据的第50个波段图像进行重构,记录运行时间,重构单个波段所需的匹配时间和更新时间见
表 3. 重构单个波段所需的匹配时间和更新时间
Table 3. Matching and updating time required for reconstructing single bands
|
不同采样率下,平均最优PSNR及两种算法的运算加速比见
表 4. 不同采样率下两种算法达到的平均最优PSNR
Table 4. Average optimal PSNR of two algorithms under different sampling ratesdB
|
表 5. 不同采样率下HA_OMP相对OMP的加速比
Table 5. Acceleration times of HA_OMP relative to OMP under different sampling rates
|
图 5. 场景Cuprite2的重构图像对比。(a) OMP算法重构图像;(b) HA_OMP算法重构图像
Fig. 5. Comparison between two reconstructed Cuprite2 images. (a) Reconstructed image of OMP algorithm; (b) reconstructed image of HA_OMP algorithm
图 6. 场景Pavia University的重构图像对比。(a) OMP算法重构图像;(b) HA_OMP算法重构图像
Fig. 6. Comparison between two reconstructed Pavia University images. (a) Reconstructed image of OMP algorithm; (b) reconstructed image of HA_OMP algorithm
5 结论
本文针对正交匹配追踪算法的最优原子匹配和更新残差过程,分别采用人工鱼群算法和埃尔米特求逆引理进行改进,提出用于高光谱图像的埃尔米特重构算法。该算法利用人工鱼模拟冗余字典的原子,将人工鱼群的觅食、聚群、追尾和随机行为模拟为最优原子的寻找过程,以找到最优原子;观察到残差更新过程中存在正定埃尔米特矩阵的求逆运算,利用埃尔米特求逆引理采用递归的方式降低大型矩阵求逆的计算时间。利用HA_OMP算法对四组高光谱图像进行压缩感知重构,讨论算法参数对重构性能的影响,设定合理参数以保证算法的可靠性。与OMP算法相比,在不同采样率下,所提HA_OMP算法均能保证重构精度,且能将计算速度提高10倍左右。考虑到人工鱼群算法可能存在的局部收敛和随机性问题,后续将会对此问题进行进一步的研究,并将研究结果用于高光谱图像的解译。
[1] 蔡庆空, 李二俊, 蒋金豹, 等. 联合光谱-空间信息的短波红外高光谱图像茶叶识别模型[J]. 光谱学与光谱分析, 2019, 39(8): 2522-2527.
[2] Niu Y B, Wang B. Extracting target spectrum for hyperspectral target detection: an adaptive weighted learning method using a self-completed background dictionary[J]. IEEE Transactions on Geoscience and Remote Sensing, 2017, 55(3): 1604-1617.
[3] 陈善学, 周艳发, 漆若兰. 基于核函数的联合稀疏表示高光谱图像分类[J]. 系统工程与电子技术, 2018, 40(3): 692-698.
Chen S X, Zhou Y F, Qi R L. Joint sparse representation of hyperspectral image classification based on kernel function[J]. Systems Engineering and Electronics, 2018, 40(3): 692-698.
[4] 刘立新, 李梦珠, 赵志刚, 等. 高光谱成像技术在生物医学中的应用进展[J]. 中国激光, 2018, 45(2): 0207017.
[5] Chang C I. A review of virtual dimensionality for hyperspectral imagery[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2018, 11(4): 1285-1305.
[6] AlSuwaidi A, Grieve B, Yin H J. Feature-ensemble-based novelty detection for analyzing plant hyperspectral datasets[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2018, 11(4): 1041-1055.
[7] 唐中奇, 付光远, 陈进, 等. 基于低秩结构提取的高光谱图像压缩表示[J]. 电子与信息学报, 2016, 38(5): 1085-1091.
Tang Z Q, Fu G Y, Chen J, et al. Low-rank structure based hyperspectral compression representation[J]. Journal of Electronics & Information Technology, 2016, 38(5): 1085-1091.
[8] 黄冬梅, 张晓桐, 张明华, 等. 考虑空间相关性的半监督局部保持投影的高光谱图像特征提取[J]. 激光与光电子学进展, 2019, 56(2): 021003.
[9] 许蒙恩, 谢宝陵, 徐国明. 空间光谱联合稀疏表示的高光谱图像超分辨率方法[J]. 激光与光电子学进展, 2018, 55(7): 071014.
[10] Sun B M, Guo Y, Li N, et al. An efficient counting and localization framework for off-grid targets in WSNs[J]. IEEE Communications Letters, 2017, 21(4): 809-812.
[11] 王与烨, 任宇琛, 陈霖宇, 等. 基于分块压缩感知理论的太赫兹波宽光束成像技术[J]. 光学学报, 2019, 39(4): 0411008.
Wang Y Y, Ren Y C, Chen L Y, et al. Terahertz wave wide-beam imaging technology based on block compressive sensing theory[J]. Acta Optica Sinica, 2019, 39(4): 0411008.
[12] 余东平, 郭艳, 李宁, 等. 压缩感知多目标无源定位中的字典适配方法[J]. 电子与信息学报, 2019, 41(4): 865-871.
Yu D P, Guo Y, Li N, et al. Dictionary refinement method for compressive sensing based multi-target device-free localization[J]. Journal of Electronics & Information Technology, 2019, 41(4): 865-871.
[13] 蒋莹, 王冰切, 韩俊, 等. 基于分布式压缩感知的宽带欠定信号DOA估计[J]. 电子与信息学报, 2019, 41(7): 1690-1697.
Jiang Y, Wang B Q, Han J, et al. Underdetermined wideband DOA estimation based on distributed compressive sensing[J]. Journal of Electronics & Information Technology, 2019, 41(7): 1690-1697.
[14] Yin J H, Sun J Y, Jia X P. Sparse analysis based on generalized Gaussian model for spectrum recovery with compressed sensing theory[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2015, 8(6): 2752-2759.
[15] Tropp J A, Gilbert A C. Signal recovery from random measurements via orthogonal matching pursuit[J]. IEEE Transactions on Information Theory, 2007, 53(12): 4655-4666.
[16] 刘焕淋, 王储君, 陈勇. 基于分段自适应采样压缩感知的FBG光谱压缩与重构方法[J]. 中国激光, 2018, 45(3): 0306004.
[17] 孙玉宝, 吴泽彬, 吴敏, 等. 联合低秩与稀疏先验的高光谱图像压缩感知重建[J]. 电子学报, 2014, 42(11): 2219-2224.
Sun Y B, Wu Z B, Wu M, et al. Compressed sensing reconstruction of hyperspectral imagery jointly using low rank and sparse prior[J]. Acta Electronica Sinica, 2014, 42(11): 2219-2224.
[18] Fowler JE, DuQ. Reconstructions from compressive random projections of hyperspectral imagery[M] ∥Optical Remote Sensing. Berlin, Heidelberg: Springer Berlin Heidelberg, 2011: 31- 48.
[19] Xu Y, Wu Z B, Chanussot J, et al. Joint reconstruction and anomaly detection from compressive hyperspectral images using mahalanobis distance-regularized tensor RPCA[J]. IEEE Transactions on Geoscience and Remote Sensing, 2018, 56(5): 2919-2930.
[20] 王丽, 冯燕. 基于空谱联合的多假设预测高光谱图像压缩感知重构算法[J]. 电子与信息学报, 2015, 37(12): 3000-3008.
Wang L, Feng Y. Compressed sensing reconstruction of hyperspectral images based on spatial-spectral multihypothesis prediction[J]. Journal of Electronics & Information Technology, 2015, 37(12): 3000-3008.
[21] Wang Z L, Feng Y, Jia Y B. Spatio-spectral hybrid compressive sensing of hyperspectral imagery[J]. Remote Sensing Letters, 2015, 6(3): 199-208.
[22] 王丽, 冯燕. 基于粒子群优化的图像稀疏分解算法研究[J]. 计算机仿真, 2015, 32(11): 363-367.
Wang L, Feng Y. Sparse decomposition of images based on particle swarm optimization[J]. Computer Simulation, 2015, 32(11): 363-367.
[23] 王丽, 王威, 陈博. 改进的粒子群优化正交匹配追踪重构算法[J]. 小型微型计算机系统, 2019, 40(8): 1755-1759.
Wang L, Wang W, Chen B. Improved particle swarm optimization orthogonal matching pursuit reconstruction algorithm[J]. Journal of Chinese Computer Systems, 2019, 40(8): 1755-1759.
[24] 曹建蜀. 机载相控阵雷达STAP算法研究[D]. 成都: 电子科技大学, 2007.
Cao JS. Space-time adaptive processing algorithms for airborne phase-array radar[D]. Chengdu: University of Electronic Science and Technology of China, 2007.
[25] 李晓磊. 一种新型的智能优化方法-人工鱼群算法[D]. 杭州: 浙江大学, 2003.
Li XL. A new intelligent optimization method-artificial fish school algorithm[D]. Hangzhou: Zhejiang University, 2003.
Article Outline
王丽, 王威, 刘勃妮. 高光谱图像的埃尔米特压缩感知重构算法[J]. 激光与光电子学进展, 2020, 57(14): 141032. Li Wang, Wei Wang, Boni Liu. Hermitian Compressed Sensing Reconstruction Algorithm for Hyperspectral Images[J]. Laser & Optoelectronics Progress, 2020, 57(14): 141032.