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。

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。

提出一种基于快速层次交替最小二乘非负张量Tucker分解的高光谱图像光谱信息压缩算法。 首先, 将干涉高光谱图像光程差方向的三维信息采用三维光程差方向提升小波变换（3D OPT-LDWT）进行分解, 将三维小波子带系数看作三阶非负张量, 采用快速层次交替最小二乘非负张量Tucker分解（FHALS-NTD）算法对进行分解, 得到核心张量和模式矩阵。 对每个模式矩阵进行量化, 对核心张量采用比特平面重要系数编码算法进行编码, 得出最终的压缩码流。 结果表明, 此压缩算法可以稳定可靠地工作。 与传统压缩算法比较, 平均信噪比提高了1.23 dB。 有效的提高了干涉高光谱图像压缩性能。