换一批基于图稀疏正则化多测量向量模型的高光谱压缩感知重建
Compressed Sensing Reconstruction of Hyperspectral Image Using the Graph Sparsity Regularized Multiple Measurement Vector Model
摘要压缩感知重建是解决高光谱现有成像模式数据量大冗余度高问题的一个有效机制。针对高光谱图像的多通道特性，该文建立了高光谱压缩感知的多测量向量模型，编码端使用随机卷积算子对各通道进行快速采样，生成测量向量矩阵。解码端构建图稀疏正则化的联合重建模型，在稀疏变换域将高光谱图像分解为谱间的关联成分和差异成分，通过图结构化稀疏度量表征关联成分的空谱相关性，并约束谱间差异成分的稀疏性。进一步提出模型求解的交替方向乘子迭代算法，通过引入辅助变量与线性化技巧，使得每一子问题均存在解析解，降低了模型求解的复杂度。对多个实测数据集进行了对比实验，实验结果验证了该文模型与算法的有效性。
更多相关知识
关键词
高光谱图像压缩感知多测量向量图稀疏交替方向乘子法Hyperspectral imageCompressed Sensing (CS)Multiple measurement vectorsGraph structured sparsityAlternated direction method of multiplier
分类号
TP751.1
栏目名称
DOI
10.3724/SP.J.1146.2014.00566
发布时间
2015-01-08（万方平台首次上网日期，不代表论文的发表时间）
- 浏览1
- 被引12
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
