1 中国科学院光电研究院 定量遥感信息重点实验室, 北京 100094
2 中国科学院大学, 北京 100049
提出了一种基于光谱稀疏化的压缩感知采样与重构模型, 通过从训练样本中构建光谱稀疏字典提升光谱稀疏化效果, 同时在重构时兼顾空间图像的全变分约束进一步提升重构精度.对200波段AVIRIS高光谱场景进行压缩感知重构的实验表明, 利用构建的光谱稀疏字典与传统的DCT字典和Haar小波字典相比光谱稀疏化效果明显提升, 同时在25%采样下基于光谱稀疏字典几乎无差别重构出了高光谱图像, 同样条件下在空间和光谱的精度与现有常用方法相比有较大的提升.
压缩感知 高光谱成像 稀疏表示 字典学习 重构算法 compressive sensing(CS) hyperspectral imaging sparse representation dictionary learning reconstruction algorithm
1 中国科学院光电研究院定量遥感信息重点实验室， 北京 100094
2 中国科学院大学， 北京 100094
针对常用的迭代追踪类算法难以保证低采样下光谱重构的成功率与精度的问题，提出了一种在低采样下光谱重构中字典原子选取的优化方法。利用AVIRIS和ROSIS高光谱数据构建光谱稀疏字典并进行压缩感知光谱重构实验，分别从光谱重构精度、稀疏成分提取能力、光谱重构的成功率和光谱识别的准确率等不同角度进行了分析。实验结果表明,本文方法不仅优于传统的匹配追踪算法，同时也优于公认的精度较高的FOCUSS、MSBL等其他类型的算法。
光谱学 光谱重构 压缩感知 稀疏表示 稀疏字典 匹配追踪
