论文部分内容阅读
由于高光谱图像数据具有图谱合一的特点,近年来高光谱遥感技术在农业领域中的应用越来越广泛。然而随着人们对更高空间分辨率和谱间分辨率的追求,导致原本数据量就庞大的植物高光谱图像数据越发难以存储和传输。压缩感知技术的出现使得这个问题得到了缓解,近年来也有一些关于植物高光谱的压缩感知技术相继被提出,然而这些技术都是在探究如何利用植物高光谱的空谱相关性以获取先验信息来辅助压缩感知从而提高重构质量,并未从植物高光谱的实际应用需求出发对压缩感知技术进行改进。基于此,本课题具体的研究内容包括:(1)针对植物高光谱部分波段存在显著噪声的问题,研究了如何实现在对其进行压缩感知的过程中实现显著噪声的去除,并提出了一种基于线性预测模型空谱自适应的植物高光谱压缩感知算法(PSSAHCS)。(2)针对植物高光谱的实际应用往往只关心植物区域,而已有的植物高光谱压缩感知技术并不对植物区域与背景区域加以区别的问题,分别在叶片尺度和冠层尺度研究了压缩感知技术。(3)在叶片尺度,提出了面向植物叶片高光谱的压缩感知技术(ISABCS),并采用真实的茶叶高光谱数据进行实验。(4)在冠层尺度,提出了基于联合稀疏表示分类的植物高光谱冠层区域分割技术(JSCCS),然后采用真实的冠层高光谱数据对该算法中所涉及到的关键参数进行定量分析。(5)在JSCCS基础上,提出面向植物高光谱冠层区域的张量压缩感知技术(JATCS),在保证冠层区域重构质量的前提下,保留了其内部存在的结构性,并采用真实的冠层高光谱数据进行了实验。实验结果表明,PSSAHCS能够在压缩感知的过程有效去除部分波段存在的显著噪声。ISABCS能够实现只对叶片区域进行压缩感知,且叶片区域的空谱域重构质量更高。JSCCS相比于传统方法能够实现冠层区域更加准确的分割。JATCS能够实现只对冠层区域进行张量压缩感知,且重构的冠层区域不仅空谱域质量更高,且结构性也保留更加完整。