稀疏特性分析在遙感圖像處理中的應(yīng)用研究.pdf

1、近年來，作為最流行的概念之一，稀疏特性被廣泛應(yīng)用于信號處理領(lǐng)域，包括信號壓縮與編碼、信號加密與傳輸、信號源分離、信號去噪與重構(gòu)、特征提取等。同時，稀疏特性作為理論和實用相結(jié)合的信號特性，一直以來在應(yīng)用數(shù)學(xué)的諸多領(lǐng)域廣受關(guān)注，例如:理論信號處理、統(tǒng)計估計以及計算諧波分析等。
　　學(xué)界對于稀疏特性的熱情源于一項有別于著名的香農(nóng)采樣定理的新型采樣理論，這個理論被稱為“壓縮傳感”。壓縮傳感理論基于信號本身具有稀疏性的先驗知識，而香農(nóng)采樣理

2、論是針對普適的頻率帶限信號進行設(shè)計的。如今的壓縮傳感理論就像二十多年前的小波變換理論一樣，將各個不同的研究領(lǐng)域緊密聯(lián)系在一起。通過在采樣和稀疏特性之間建立起一種直接的聯(lián)系，壓縮傳感理論已經(jīng)對醫(yī)學(xué)成像、編碼與信息理論、信號采集與圖像處理以及地球物理與天文數(shù)據(jù)分析等諸多科研領(lǐng)域產(chǎn)生了深遠的影響。壓縮傳感理論體現(xiàn)了稀疏特性的重要價值，同時也闡明了一系列如小波變換、曲線波變換等有關(guān)稀疏數(shù)據(jù)表示方法的原理。事實上，一個信號一般說來在直接空間（即像

3、素空間）中是不具有稀疏特性的，但通過在某一特定函數(shù)集合上的分解之后，該信號可能變得非常稀疏。
　　本論文重點研究稀疏特性在遙感領(lǐng)域中的一系列應(yīng)用場景，從傳統(tǒng)的信號處理方法（圖像去噪以及修復(fù)重構(gòu)）擴展到遙感圖像中目標場景的自動分類等。第二章介紹了稀疏特性分析與形態(tài)多樣性概念之間的內(nèi)在聯(lián)系，在此基礎(chǔ)上，第三至第五章分別討論了稀疏特性分析的具體應(yīng)用。
　　第三章重點討論了稀疏特性分析在遙感圖像去噪中的應(yīng)用。本章介紹了一種基于廣義形

4、態(tài)成分分析的新型遙感圖像去噪方法。這個新算法將經(jīng)典的形態(tài)成分分析算法進一步擴展到了盲源信號分離的架構(gòu)中。廣義形態(tài)成分分析算法采用迭代限定閾值的策略來調(diào)整優(yōu)化各參數(shù)。算法首先處理圖像中最顯著的那些特征，然后逐步合并那些沒有那么顯著的特征來細細調(diào)整整個模型所有的參數(shù)。文中對廣義形態(tài)成分分析算法的計算復(fù)雜度進行了數(shù)學(xué)分析，并與當(dāng)前最先進的遙感圖像去噪算法進行了一些對比實驗。為了對實驗中遙感圖像去噪算法的效果進行衡量和定量化分析，本文分別采用峰

5、值信噪比指數(shù)和結(jié)構(gòu)相似度指數(shù)，從灰度保真度和結(jié)構(gòu)保真度兩個方面來評估去噪效果。對實驗結(jié)果的定量分析已經(jīng)證明了所提出的廣義形態(tài)成分分析算法出色的去噪性能，這一定量分析結(jié)果也與去噪后的圖像所展示出的視覺效果相吻合。觀察者甚至很難通過視覺效果來區(qū)分出原始的無噪聲圖像和采用廣義形態(tài)成分分析算法去噪后恢復(fù)出的圖像。
　　第四章重點討論了稀疏特性分析在遙感圖像修復(fù)中的應(yīng)用。本章介紹了一種基于增速廣義形態(tài)成分分析的新型遙感圖像修復(fù)方法。由于廣義

6、形態(tài)成分分析算法具有很好的表示和分離形態(tài)多樣性的能力，所以是一種具有當(dāng)前最先進的圖像修復(fù)效果的算法。本章提出的增速廣義形態(tài)成分分析算法能夠提高廣義形態(tài)成分分析算法迭代過程的速度。通過對廣義形態(tài)成分分析算法添加更多的一些假設(shè)條件，新提出的增速廣義形態(tài)成分分析算法被證明是一種更加快速的算法，這樣就能夠處理非常大規(guī)模的一些應(yīng)用問題。一系列實驗結(jié)果說明增速廣義形態(tài)成分分析算法能夠很好地修復(fù)帶有不同模式丟失像素的遙感圖像。觀察者甚至很難通過視覺效

7、果來區(qū)分辨別原始遙感圖像和經(jīng)過修復(fù)之后的圖像。峰值信噪比指數(shù)和結(jié)構(gòu)相似度指數(shù)也進一步證實了增速廣義形態(tài)成分分析算法驚人出眾的圖像修復(fù)性能，并且解釋了為什么采用增速廣義形態(tài)成分分析算法能夠獲得這么好的圖像修復(fù)視覺效果。對于時間消耗對比實驗結(jié)果的量化分析證明了，增速廣義形態(tài)成分分析算法確實能夠極大地提高廣義形態(tài)成分分析算法的迭代速度。
　　第五章重點討論了稀疏特性分析在衛(wèi)星圖像場景分類中的應(yīng)用。本章提出了一種基于對紋理層和底圖層進行形

8、態(tài)成分分析的高分辨率衛(wèi)星圖像分類方法。在該分類算法中所使用的字典矩陣是通過獨立元分析的方法構(gòu)造而成的。經(jīng)過形態(tài)成分分析分解之后，就得到了紋理層和底圖層的形態(tài)系數(shù)向量。這些向量被稱為輸入的高分辨率衛(wèi)星圖像的稀疏表示。結(jié)合紋理層和底圖層這兩層各自的特征，就可以根據(jù)最大似然估計機制，計算出對目標圖像進行分類的總體概率大小。對實驗結(jié)果進行的量化分析以及與一些經(jīng)典的圖像分類算法的對比都證明了，基于對紋理層和底圖層進行形態(tài)成分分析的衛(wèi)星場景分類算法