留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于谱间相似性的高光谱图像稀疏超分辨率算法

刘永峰 王年 王峰 李从利 刘晓 徐国明

刘永峰, 王年, 王峰, 李从利, 刘晓, 徐国明. 基于谱间相似性的高光谱图像稀疏超分辨率算法[J]. 红外与激光工程, 2019, 48(S1): 181-192. doi: 10.3788/IRLA201948.S128003
引用本文: 刘永峰, 王年, 王峰, 李从利, 刘晓, 徐国明. 基于谱间相似性的高光谱图像稀疏超分辨率算法[J]. 红外与激光工程, 2019, 48(S1): 181-192. doi: 10.3788/IRLA201948.S128003
Liu Yongfeng, Wang Nian, Wang Feng, Li Congli, Liu Xiao, Xu Guoming. Hyperspectral image super-resolution algorithm via sparse representation based on spectral similarity[J]. Infrared and Laser Engineering, 2019, 48(S1): 181-192. doi: 10.3788/IRLA201948.S128003
Citation: Liu Yongfeng, Wang Nian, Wang Feng, Li Congli, Liu Xiao, Xu Guoming. Hyperspectral image super-resolution algorithm via sparse representation based on spectral similarity[J]. Infrared and Laser Engineering, 2019, 48(S1): 181-192. doi: 10.3788/IRLA201948.S128003

基于谱间相似性的高光谱图像稀疏超分辨率算法

doi: 10.3788/IRLA201948.S128003
基金项目: 

国家自然科学基金(41406109);中国博士后科学基金(2016M592961);安徽省自然科学基金(1608085MF140,1708085QD90)

详细信息
    作者简介:

    刘永峰(1981-),男,讲师,博士生,主要从事高光谱成像与处理方面的研究。Email:954271756@qq.com

    通讯作者: 王年(1966-),男,教授,博士生导师,主要从事计算视觉、模式识别和生物信号处理方面的研究。Email:wn_xlb@abu.edu.cn
  • 中图分类号: TP751

Hyperspectral image super-resolution algorithm via sparse representation based on spectral similarity

  • 摘要: 为解决高光谱图像空间分辨率较低的问题,文中提出了一种基于谱间相似性的高光谱图像稀疏超分辨率算法。该算法在最大似然估计准则下,构建了基于混合高斯的稀疏超分辨率编码模型,针对不同的分解残差自适应分配权重,提高了重建图像的空间分辨率和算法对噪声的鲁棒性;该算法构建了基于谱间相似性的图像超分辨率模型,将高光谱图像中普遍存在的像元光谱相关性作为稀疏约束项,保证了图像重建时光谱信息的准确性。实验表明,与Bicubic、Yang、Pan算法相比,文中算法在主观视觉效果、客观评价指标等方面均具有一定优势,验证了算法的有效性。最后将算法各项参数对重建效果的影响进行了分析,为图像检测、分类等应用提供了有效前提。
  • [1] Juefei-Xu F, Savvides M. Single face image super-resolution via solo dictionary learning[C]//IEEE International Conference on Image Processing (ICIP), 2015:2239-2243.
    [2] Tang Yi, Wan Jianwei, Nian Yongjian. Distributed near lossless compression of hyperspectral images[J]. Acta Optica Sinica, 2015, 35(3):0310001.
    [3] Wang Yiqun, Yan Changxiang, Miao Chun'an. Choice of spectral-splitting modes in space-borne hyperspectral imager[J]. Chinese Journal of Optics and Applied Optics, 2009, 2(4):304-308. (in Chinese)
    [4] Xiao J, Pang G, Zhang Y, et al. Adaptive shock filter for image super-resolution and enhancement[J]. Journal of Visual Communication and Image Representation, 2016, 40:168-177.
    [5] Zhang K, Tao D, Gao X, et al. Learning multiple linear mappings for efficient single image super-resolution[J]. IEEE Transactions on Image Processing, 2015, 24(3):846-861.
    [6] Harris J L. Diffraction and resolving power[J]. Journal of the Optical Society of America, 1964, 54(7):931-936.
    [7] Goodman J W. Introduction to Fourier Optics[M]. New York:Mc Graw-Hill, 1968.
    [8] Batz M, Eichenseer A, Selier J, et al. Hybrid super-resolution combining example-based single-image and interpolation-based multi-image reconstruction approaches[C]//2015 IEEE International Conference on Image Processing (ICIP), 2015:58-62.
    [9] Zhou Jinghong, Zhou Cui, Zhu Jianjun, et al. A method of super-resolution reconstruction for remote sensing image based on non-subsampled contourlet transform[J]. Acta Optica Sinica, 2015, 35(1):0110001. (in Chinese)
    [10] Lian Qiusheng, Zhang Wei. Image super-resolution algorithms based on sparse representation of classified image patches[J]. Acta Electronica Sinica, 2012, 40(5):920-925. (in Chinese)
    [11] Zhao Y Q, Yang J X, Zhang Q Y, et al. Hyperspectral imagery super-resolution by sparse representation and spectral regularization[J]. EURASIP Journal on Advances in Signal Processing, 2011, 2011(1):87.
    [12] Pan Zongxu, Yu Jing, Xiao Chuangbai, et al. Spectral similarity-based super resolution for hyperspectral images[J].Acta Automatica Sinica, 2014, 40(12):2797-2807. (in Chinese)
    [13] Fu Fazuo. Hyperspectral image super-resolution based on non-negative dictionary learning[D]. Xi'an:Xidian University, 2018. (in Chinese)
    [14] Tropp J A, Wright S J. Computational methods for sparse solution of linear inverse problems[J]. Proceedings of the IEEE, 2010, 98(6):948-958.
    [15] Boyd S, Van den berghe L. Convex Optimization[M]. Cambridge:Cambridge University Press, 2009:291-293.
    [16] Yang M, Zhang L, Yang J, et al. Robust sparse coding for face recognition[C]//IEEE Conference on Computer Vision and Pattern Recognition(CVPR), 2011:625-632.
    [17] Xu Guoming, Xue Mogen, Yuan Guangling. Image super-resolution reconstruction method via mixture gaussian sparse coding[J]. Opto-Electronic Engineering, 2013, 40(3):94-101. (in Chinese)
    [18] Yang J C, Wright J, Huang T, et al. Image super-resolution via sparse representation[J]. IEEE Transactions on Image Processing, 2010, 19(11):2861-2873.
    [19] Saad M A, Bovik A C, Charrier C. Model-based blind image quality assessment:a natural scene statistics approach in the DCT domain[J]. IEEE Transactions on Image Processing, 2012, 21(8):3339-9952.
    [20] Akgun T, Altunbasak Y, Mersereau R M. Super-resolution reconstruction of hyperspectral images[J]. IEEE Transactions on Image Processing, 2005, 14(11):1860-1875.
  • [1] 沈英, 黄春红, 黄峰, 李杰, 朱梦娇, 王舒.  红外与可见光图像融合技术的研究进展 . 红外与激光工程, 2021, 50(9): 20200467-1-20200467-18. doi: 10.3788/IRLA20200467
    [2] 赵璐, 熊森.  多视角红外图像目标识别方法 . 红外与激光工程, 2021, 50(11): 20210206-1-20210206-6. doi: 10.3788/IRLA20210206
    [3] 卢瑞涛, 任世杰, 申璐榕, 杨小冈.  基于稀疏表示多子模板的鲁棒目标跟踪算法 . 红外与激光工程, 2019, 48(3): 326003-0326003(8). doi: 10.3788/IRLA201948.0326003
    [4] 张秀, 周巍, 段哲民, 魏恒璐.  基于专家场先验模型的图像超分辨重建算法 . 红外与激光工程, 2019, 48(6): 626002-0626002(8). doi: 10.3788/IRLA201948.0626002
    [5] 潘斌, 张宁, 史振威, 谢少彪.  基于高光谱图像解混的海洋绿藻检测算法 . 红外与激光工程, 2018, 47(8): 823001-0823001(5). doi: 10.3788/IRLA201847.0823001
    [6] 王忠良, 冯文田, 粘永健.  结合光谱解混与压缩感知的高光谱图像有损压缩 . 红外与激光工程, 2018, 47(S1): 189-196. doi: 10.3788/IRLA201847.S126003
    [7] 叶华, 谭冠政, 李广, 刘晓琼, 李晋, 周聪, 朱会杰.  基于稀疏表示与粒子群优化算法的非平稳信号去噪研究 . 红外与激光工程, 2018, 47(7): 726005-0726005(8). doi: 10.3788/IRLA201847.0726005
    [8] 徐夏, 张宁, 史振威, 谢少彪, 齐乃明.  高光谱图像Pareto优化稀疏解混 . 红外与激光工程, 2018, 47(2): 226002-0226002(5). doi: 10.3788/IRLA201847.0226002
    [9] 薛俊韬, 倪晨阳, 杨斯雪.  特征聚类的局部敏感稀疏图像修复 . 红外与激光工程, 2018, 47(11): 1126001-1126001(9). doi: 10.3788/IRLA201847.1126001
    [10] 陈雷, 甘士忠, 孙茜.  基于回溯优化的非线性高光谱图像解混 . 红外与激光工程, 2017, 46(6): 638001-0638001(8). doi: 10.3788/IRLA201746.0638001
    [11] 袁影, 王晓蕊, 吴雄雄, 穆江浩, 张艳.  多孔径压缩编码超分辨率大视场成像方法 . 红外与激光工程, 2017, 46(8): 824001-0824001(7). doi: 10.3788/IRLA201746.0824001
    [12] 吴静珠, 刘倩, 陈岩, 刘翠玲.  高光谱技术检测单籽粒小麦粗蛋白含量探索 . 红外与激光工程, 2016, 45(S1): 127-131. doi: 10.3788/IRLA201645.S123002
    [13] 陈善静, 康青, 顾忠征, 王正刚, 沈志强, 蒲欢, 辛颖.  基于三维GMRF的高光谱图像空天融合目标检测 . 红外与激光工程, 2016, 45(S2): 132-139. doi: 10.3788/IRLA201645.S223003
    [14] 杨新锋, 胡旭诺, 粘永健.  基于分类的高光谱图像压缩算法 . 红外与激光工程, 2016, 45(2): 228003-0228003(4). doi: 10.3788/IRLA201645.0228003
    [15] 赵惠, 魏静萱, 庞志海, 刘美莹.  波前编码超分辨成像技术 . 红外与激光工程, 2016, 45(4): 422003-0422003(10). doi: 10.3788/IRLA201645.0422003
    [16] 王新伟, 刘晓泉, 游瑞蓉, 范松涛, 何军, 周燕.  距离选通超分辨率三维成像及其应用 . 红外与激光工程, 2016, 45(8): 824001-0824001(8). doi: 10.3788/IRLA201645.0824001
    [17] 韦道知, 黄树彩, 赵岩, 庞策.  非负谱稀疏表示的高光谱成像中的异常检测 . 红外与激光工程, 2016, 45(S2): 120-125. doi: 10.3788/IRLA201645.S223001
    [18] 刘畅, 李军伟.  基于扩展数学形态学的高光谱亚像元目标检测 . 红外与激光工程, 2015, 44(10): 3141-3147.
    [19] 王强, 张勇, 郝利丽, 靳辰飞, 杨旭, 徐璐, 杨成华, 赵远.  基于奇相干叠加态的超分辨率量子激光雷达 . 红外与激光工程, 2015, 44(9): 2569-2574.
    [20] 魏一苇, 黄世奇, 王艺婷, 卢云龙, 刘代志.  基于体积和稀疏约束的高光谱混合像元分解算法 . 红外与激光工程, 2014, 43(4): 1247-1254.
  • 加载中
计量
  • 文章访问数:  310
  • HTML全文浏览量:  58
  • PDF下载量:  20
  • 被引次数: 0
出版历程
  • 收稿日期:  2018-11-10
  • 修回日期:  2018-12-20
  • 刊出日期:  2019-04-25

基于谱间相似性的高光谱图像稀疏超分辨率算法

doi: 10.3788/IRLA201948.S128003
    作者简介:

    刘永峰(1981-),男,讲师,博士生,主要从事高光谱成像与处理方面的研究。Email:954271756@qq.com

    通讯作者: 王年(1966-),男,教授,博士生导师,主要从事计算视觉、模式识别和生物信号处理方面的研究。Email:wn_xlb@abu.edu.cn
基金项目:

国家自然科学基金(41406109);中国博士后科学基金(2016M592961);安徽省自然科学基金(1608085MF140,1708085QD90)

  • 中图分类号: TP751

摘要: 为解决高光谱图像空间分辨率较低的问题,文中提出了一种基于谱间相似性的高光谱图像稀疏超分辨率算法。该算法在最大似然估计准则下,构建了基于混合高斯的稀疏超分辨率编码模型,针对不同的分解残差自适应分配权重,提高了重建图像的空间分辨率和算法对噪声的鲁棒性;该算法构建了基于谱间相似性的图像超分辨率模型,将高光谱图像中普遍存在的像元光谱相关性作为稀疏约束项,保证了图像重建时光谱信息的准确性。实验表明,与Bicubic、Yang、Pan算法相比,文中算法在主观视觉效果、客观评价指标等方面均具有一定优势,验证了算法的有效性。最后将算法各项参数对重建效果的影响进行了分析,为图像检测、分类等应用提供了有效前提。

English Abstract

参考文献 (20)

目录

    /

    返回文章
    返回