干涉高光谱图像是一类特殊的图像源, 其海量数据导致很难在有限带宽信道上传输。传统的方法是对数据进行压缩, 然后进行编码传输。但是压缩后的数据还是很大, 给数据的传输和存储带来很大困难, 而压缩感知技术可以很好地解决该类图像在传输时的问题。本文在压缩感知原有算法的基础上提出了更适用于干涉高光谱图像的基于自适应阈值的正交匹配追踪算法 (ATROMP), 该算法首先采用分块处理, 然后挑选出干涉条纹块。由于竖直干涉条纹具有较强的单方向特性, 水平全变分值较大。因此本文根据水平全变分值提取出图像中的干涉条纹, 进行自适应采样。然后采用一个自适应阈值来代替正则正交匹配追踪(ROMP)算法中的二次选取, 采用自适应阈值不仅可以保障每次选取的原子的相关性足够高, 而且每次可以适当地选取多个原子保证足够的循环次数, 避免了后续匹配度更高原子的遗漏。相比于传统 ROMP算法, 大量实验数据表明本文方法稀疏重建的精度可以得到明显的提高。

传统的高光谱遥感影像分类算法侧重于光谱信息的应用。 随着高光谱遥感影像的空间分辨率的增加, 高光谱影像中相同类别的地物在空间分布上呈现聚类特性, 将空间特性有效地应用于高光谱遥感影像分类算法对分类精度的提升非常关键。 但是, 高光谱影像的高分辨率提供空间聚类特性的同时, 在不同地物边缘处表现出的差异性更加明显, 若不对空间邻域像素进行甄选, 直接将邻域光谱信息引入, 设计空谱联合稀疏表示进行图像分割, 则分类误差较大, 收敛速度大大降低。 将光谱角引入空谱联合稀疏表示图像分类理论中, 提出了一种基于邻域分割的空谱联合稀疏表示分类算法。 该算法利用光谱角计算相邻像素的空间相似度, 剥离相似度较低的邻域像素, 将相似度高的邻域像素定义为同类地物, 引入空谱联合稀疏表示模型中, 采用子联合空间追踪算子和联合正交匹配追踪算子对其优化求解, 以最小重构误差为准则进行分类。 选取AVIRIS及ROSIS典型光谱影像数据进行实验仿真, 从中可以看出, 随着光谱角分割阈值的提高, 复杂的高光谱影像分类精度和平滑区域的高光谱影像分类精度均逐步提高, 表明邻域分割在空谱联合稀疏表示分类中的必要性。

高光谱遥感影像不但具有高分辨率的空间信息还包含连续的光谱信息, 因此在目标探测领域具有独特的应用优势。 传统的高光谱遥感影像目标探测侧重于光谱信息的应用, 形成了确定性算法和统计学算法。 确定性算法通过计算目标光谱与待检测光谱之间的距离来查找目标, 不能检测亚像素目标, 而且容易受到噪声的影响; 统计学目标检测计算背景统计特性, 通过探测异常点来检测目标, 可以检测亚像素目标和小目标, 但容易受到目标尺寸的影响, 不能很好的检测大目标。 随着高光谱遥感影像的空间分辨率的增加, 探测目标已有亚像素目标逐步转换为单像素及多像素目标, 此时, 在高光谱图像中, 相同类别的地物在空间分布上呈现聚类特性, 因此, 在利用高光谱遥感影像进行目标探测时, 需要将其空间信息融入算法中。 将空间特征引入传统目标探测算法。 提出了一种新的空谱结合的高光谱目标探测算法, 将传统的基于统计的目标探测算子与空域邻域聚类算法相结合, 首先利用目标探测算子将影像划分为潜在目标区域与背景区域; 通过计算潜在目标区域的质心, 以质心为中心进行邻域聚类, 剔除潜在目标区域中的背景区域, 通过迭代计算获取最终目标探测结果。 传统的基于统计的目标探测算子, 将整个探测区域定义为背景区域, 实现对背景区域的统计特征提取, 而该方法将背景区域与潜在目标区域分离, 剔除了目标区域对背景区域的统计干扰。 将本算子与传统的约束能量最小化算子和自适应余弦探测算子进行分析比较可知, 该算子的大目标探测性能优于传统的统计算子。

干涉高光谱图像特殊的成像原理, 使其帧内存在着大幅值且位置固定的干涉条纹, 而帧间存在着水平移位的背景图像, 这种特点会严重的破坏原始图像的固有结构, 从而导致新兴的压缩感知理论与传统压缩算法的直接应用无法得到理想的效果。 由于干涉条纹信息与背景图像信息的特征不同, 能够对干涉条纹与背景图像进行稀疏表示的正交基也是不同的。 基于这种思想, 使用MCA(morphological component analysis)算法对干涉高光谱图像中干涉条纹信息与背景图像信息进行分离处理。 由于干涉高光谱图像数据量庞大, 传统的MCA算法对干涉高光谱数据的图像分解, 迭代收敛速度慢, 运算效率较低, 故而针对干涉高光谱数据特点对传统MCA算法进行改进, 改变其迭代收敛条件, 当分离后的图像信号与原始图像信号的误差已经基本保持不变时, 即终止迭代; 并根据对应正交基能且仅能稀疏表示对应信号的思想, 对阈值采用自适应的方式进行更新, 在新的阈值更新模式中, 图像信号在不同正交基下的映射系数被计算与比较。 大量实验结果表明, 对于LASIS数据与LAMIS数据, MCA算法都能够较完美的将干涉高光谱图像分解, 改进的MCA算法更能在保持完美分解输出结果的同时, 相对于传统MCA方法显著的减小迭代次数, 更快的达到迭代收敛条件, 从而有效的提高了算法的运算效率与实时性需求, 也为新兴的压缩感知理论在干涉高光谱图像中的进一步应用提供了一种很好的解决方案。

成像光谱数据在空间域的显示， 对与用户的图像解译和信息提取有着至关重要的作用。 目前， 对于成像光谱数据空间域显示方法的研究主要集中在光谱域数据立方体， 针对干涉型成像光谱数据的研究很少。 干涉型成像光谱数据的空间域图像显示通常采用的方法是将干涉数据反演， 然后采用光谱域图像显示的方法进行显示。 干涉型成像光谱数据反演至光谱域计算复杂， 耗时长， 这对于干涉型光谱数据的空间域实时显示提出了巨大挑战。 文章提出了干涉型光谱成像数据的空间域图像实时显示方法， 该方法采用不同的光程差权重实现了干涉数据立方体的灰度显示和真彩色显示， 推荐了三组权重系数用于干涉数据立方体的显示。 将传统并与经过光谱反演的空间域显示方法进行比较， 结果表明， 在相同空间域显示效果下， 该显示方法可大大提高显示速度， 并且显示时间随数据立方体的尺寸增长速度缓慢可以满足系统的实时性需要。

在基于点到线模型扩展LBG(linde-buzo-gray algorithm)矢量量化算法的基础上, 提出了一种更为高效的新型自适应LBG矢量量化算法, 并给出了该算法在干涉高光谱图像无损压缩中的实际压缩方案。 该算法在LBG算法码书中利用点到线的垂线关系基础上进行了改进, 执行进一步的自适应化迭代进而获得了更小的残差。 将自适应LBG矢量量化算法应用于干涉高光谱LASIS(large aperture static imaging spectrometer)图像数据无损压缩中, 实验结果表明, 该方法比原有的扩展LBG矢量量化算法在无损压缩性能上有显著的提高, 并且在与LASIS图像双向预测结合后, 点到线模型扩展LBG矢量量化算法的压缩比相对于传统LBG算法有所下降, 而采用本文提出算法的压缩比则有明显的提高。