稀疏特性分析在遙感圖像處理中的應用研究.pdf

1、近年來，作為最流行的概念之一，稀疏特性被廣泛應用于信號處理領域，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、特征提取等。同時，稀疏特性作為理論和實用相結合的信號特性，一直以來在應用數學的諸多領域廣受關注，例如:理論信號處理、統(tǒng)計估計以及計算諧波分析等。
　　學界對于稀疏特性的熱情源于一項有別于著名的香農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，而香農采樣理

2、論是針對普適的頻率帶限信號進行設計的。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域緊密聯系在一起。通過在采樣和稀疏特性之間建立起一種直接的聯系，壓縮傳感理論已經對醫(yī)學成像、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據分析等諸多科研領域產生了深遠的影響。壓縮傳感理論體現了稀疏特性的重要價值，同時也闡明了一系列如小波變換、曲線波變換等有關稀疏數據表示方法的原理。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域中的一系列應用場景，從傳統(tǒng)的信號處理方法（圖像去噪以及修復重構）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在聯系，在此基礎上，第三至第五章分別討論了稀疏特性分析的具體應用。
　　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整優(yōu)化各參數。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整整個模型所有的參數。文中對廣義形態(tài)成分分析算法的計算復雜度進行了數學分析，并與當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、值信噪比指數和結構相似度指數，從灰度保真度和結構保真度兩個方面來評估去噪效果。對實驗結果的定量分析已經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中的應用。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，所以是一種具有當前最先進的圖像修復效果的算法。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)模的一些應用問題。一系列實驗結果說明增速廣義形態(tài)成分分析算法能夠很好地修復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過修復之后的圖像。峰值信噪比指數和結構相似度指數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視覺效果。對于時間消耗對比實驗結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造而成的。經過形態(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。結合紋理層和底圖層這兩層各自的特征，就可以根據最大似然估計機制，計算出對目標圖像進行分類的總體概率大小。對實驗結果進行的量化分析以及與一些經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