论文部分内容阅读
高光谱图像(Hyperspectral image,HSI)是由一系列波段图像组成的三维图像。由于HSI可以提供丰富的光谱和空间信息,因此可以对其做一系列图像分析来获得HSI中丰富的信息,但是大量数据可能会给HSI的存储和传输带来沉重的负担。因此,如何仅利用少量观测数据恢复高光谱图像是高光谱应用的重要问题。压缩感知(Compressed Sensing,CS)能够以低采样率对信号进行采样,并通过重构算法对信号进行重构。然而传统的压缩感知重构算法需要大量的迭代去求解信号,这造成了计算时间的增长。而深度学习利用训练好的模型能够快速重构出一幅图像同时通过训练学习能解决传统压缩感知重构算法参数设置困难的问题。因此本文利用深度学习的方法,提出了基于块残差网络的高光谱图像重构算法、基于空谱联合密集残差网络的高光谱图像重构算法。本文的主要研究工作与创新点如下:1)本文从压缩感知的基本理论、测量矩阵设计、重构算法设计三个方面研究了压缩感知的现状,并针对高光谱图像,介绍了已有的三种重构算法:Denoising-based Approximate Message Passing Algorithm(D-AMP),Total Variation Augmented Lagrangian Alternating Direction Algorithm(TVAL3),ReconNet,并进行实验对比了这三种重构算法,实验结果表明基于深度学习的压缩感知重建算法ReconNet在低采样率0.1下,重构质量最高,同时它重构一幅图像的速度比TVAL3,D-AMP快。2)本文提出了基于块残差网络的高光谱图像重构算法。由于卷积神经网络需要输入是图像,而压缩感知重构的输入是一维的测量值,因此在网络中,我们使用全连接层来生成初始图像。若重构整个图像,这将带来上百亿级的参数量,因此我们采用分块重构的方法。我们的方法包含两个残差网络:一个残差网络是用于压缩感知高光谱图像块重构的重建网络;另一个残差网络是去块效应网络,用于去除由基于块的高光谱图像压缩感知重构引起的块效应。实验结果证明我们的块残差重构网络优于D-AMP,TVAL3,ReconNet,可以有效地重构高光谱图像,同时大大缩短重构一幅图像的计算时间。此外,通过将相邻的小块组合成更大的块输入进去块效应网络中能够提升去块效应的性能。3)本文提出了基于空谱联合密集残差网络的高光谱图像重构算法。该方法采用了密集残差块的思想,能够更好得提取多层特征;此外,针对高光谱相邻波段间具有强相关性的特性,我们构建了相邻谱间差重构网络,在损失函数中增加了相邻谱间差正则项,进一步提升了网络性能。实验结果表明我们的算法在低采样率0.01下,空间分辨率的质量优于D-AMP,TVAL3,ReconNet和基于块残差网络的高光谱图像重构算法,在高采样率下,虽然空间分辨率不如本文提出的基于块残差网络的高光谱图像重构算法,但在谱间相似度比较上远远优于基于块残差网络的高光谱图像重构算法和其他现有压缩感知重建算法,它重构一幅图像的计算时间比D-AMP,TVAL3,ReconNet快。