光谱仪器采集光谱数据时,散射噪声会对光谱数据产生影响。同一种矿物质在不同颗粒度和浓度状态下的光谱数据曲线会产生偏移,进而降低光谱数据的匹配精度。针对这一问题,研究了基于多元散射校正融合增广拉格朗日消除光谱数据散射噪声和偏移的方法,先用该方法对光谱数据预处理进行校正,再结合光谱角方法进行相似度匹配测量。实验选取了6种矿物和6种壁画颜料作为光谱数据样本,使用光谱匹配方法分别对原光谱数据和消除散射噪声和偏移后的光谱数据进行匹配计算和分析。实验结果表明,使用多元散射校正融合增广拉格朗日方法消除散射噪声和偏移校正后的光谱数据匹配精度高于未校正的光谱数据,因此该方法可提高识别效果。

为了提升稀疏采样环境下的图像重建质量,针对广义全变分模型重建图像时不能充分利用图像本身结构自相似性信息的不足,建立了一个非局部约束下的改进广义全变分图像重建模型。该模型引入了变化域非局部自相似性作为图像重建的先验信息,同时在八邻域空间计算多方向的广义全变分正则化约束,从而更好地保护了图像的结构特征,进一步地,使用增广拉格朗日理论对模型进行去约束化、求解,提出了基于改进广义全变分的图像重建算法。仿真实验结果表明,所提出的重建模型和图像重建算法可以有效地去除图像中的伪影和噪声,满足稀疏采样情形下对图像重建质量的要求。与其他重建算法进行比较可知,本文算法所重建的图像不论是主观视觉效果,还是各个客观评价指标均有不同程度的改善和提高。

压缩感知理论是信号采集和处理的一门新理论, 它突破了传统的nyquist-shannon(奈奎斯特-香农)采样定理对采样频率的要求, 可以利用远小于采样定理要求的采样次数来重构原始信号[1]。首先介绍了三种常用的随机矩阵的构造方法, 随后介绍了不同类型的压缩感知算法, 并对其中两种算法进行了仿真与比较, 在此基础上仿真了不同测量矩阵下不同噪声水平下算法对图像重构质量的影响, 经过仿真分析TVAL3算法在图像重构时间和噪声抑制方面表现突出。

基于稀疏性的高光谱解混是近年来高光谱混合像元分解的研究热点。主要研究了L₁正则化的高光谱混合像元分解算法。首先分析了L₁正则化的三种解混模型，即无约束、非负约束和全约束模型；然后给出了三种模型对应的数值求解算法；最后，采用模拟的和真实的高光谱数据进行实验，比较了三种高光谱混合像元分解算法的效果。实验结果表明：三种模型均具有很好的高光谱混合像元分解精度(SRE)，其中全约束模型最好，非负约束模型次之，无约束模型最差；全约束模型在信噪比低和端元数多的情况下，仍然获得较高的SRE。