基于张量分解的光谱图像压缩感知重构

doi:10.3969/j.issn.1009-086x.2024.01.012

现代防御技术 ›› 2024, Vol. 52 ›› Issue (1): 92-101.DOI: 10.3969/j.issn.1009-086x.2024.01.012

• 目标特性与探测跟踪技术 • 上一篇下一篇

基于张量分解的光谱图像压缩感知重构

赵梓渊¹, 唐意东², 黄树彩³

^1.空军工程大学信息与导航学院, 陕西西安 710077
^2.中国人民解放军95607部队, 四川成都 610066
^3.空军工程大学防空反导学院, 陕西西安 710051

收稿日期:2022-11-30 修回日期:2023-03-23 出版日期:2024-02-28 发布日期:2024-02-21
通讯作者: 唐意东
作者简介:赵梓渊（2000-），男，山西永济人。硕士生，研究方向为图像处理与指挥信息系统。
基金资助:
国家自然科学基金(61703424)

Spectral Image Compressed Sensing Reconstruction Based on Tensor Decomposition

Ziyuan ZHAO¹, Yidong TANG², Shucai HUANG³

^1.College of Information and Navigation, Air Force Engineering University, Xi’an 710077, China
^2.PLA 95607 Troops, Chengdu 610066, China
^3.College of Air and Missile Defense, Air Force Engineering University, Xi’an 710051, China

Received:2022-11-30 Revised:2023-03-23 Online:2024-02-28 Published:2024-02-21
Contact: Yidong TANG

摘要/Abstract

摘要：

光谱成像丰富的空间信息和光谱信息能够为弹道导弹预警探测提供重要的信息支撑，压缩感知则为实现光谱图像数据的高效采集和处理提供了有效途径。针对现有压缩感知重构多采用“空间域压缩采样和谱间传统压缩”的编码方式，仍存在一定资源浪费的问题，提出了一种基于张量分解的光谱图像压缩感知重构方法。该方法利用光谱图像数据的三维空间稀疏性，建立基于三阶张量Tucker分解的光谱图像重构模型，基于正交匹配算法设计相应的模型求解方法；将传统正交匹配算法推广到三维空间，设计一种以三阶张量为字典原子的正交匹配追踪算法，在三维空间实现光谱图像数据的压缩采样及解码重构。实验分析结果表明，该方法能够充分利用光谱图像三维数据块结构信息，有效降低重构算法复杂度，增强压缩感知重构算法性能。

关键词: 光谱图像, 稀疏模型, 张量分解, 压缩感知, OMP算法

Abstract:

The spectral imaging provides important support for ballistic missile early warning by virtue of its abundant spatial and spectral information， and the compressive sensing provides a effective approach for spectral image data collecting and processing. Aiming at the existing compressed perceptual reconstruction mostly adopts the coding method of "spatial domain compressed sampling and inter-spectral traditional compression"， which still exists a certain waste of resources， a compressed perceptual reconstruction method based on tensor decomposition for spectral images is proposed. Taking use of the sparsity of spectral image data in three-dimensional space， a reconstruction model based on Tucker decomposition is built， and the solution algorithm based on orthogonal matching pursuit（OMP） is given. Moreover， an improved OMP algorithm which takes three-dimension tensors as dictionary atoms is proposed by expanding traditional OMP algorithm into three-dimensional space. The experimental results indicate that the proposed method can effectively reduce algorithm complexity and improve the performance of reconstruction.

Key words: spectral image, sparse mode, tensor decomposition, compressed sensing, OMP（orthogonal matching pursuit） algorithm

中图分类号:

TP751

赵梓渊, 唐意东, 黄树彩. 基于张量分解的光谱图像压缩感知重构[J]. 现代防御技术, 2024, 52(1): 92-101.

Ziyuan ZHAO, Yidong TANG, Shucai HUANG. Spectral Image Compressed Sensing Reconstruction Based on Tensor Decomposition[J]. Modern Defense Technology, 2024, 52(1): 92-101.

图/表 9

图1 光谱图像数据的表示形式

Fig. 1 Representation of spectral image data

图2 光谱图像三维空间稀疏性

Fig. 2 Sparsity of spectral image in three-dimensional space

图3 光谱图像三维空间压缩采样

Fig. 3 Compressive sensing in three-dimensional space

图4 不同采样率下重构光谱图像各波段PSNR

Fig. 4 PSNRs of reconstructed spectral image with different sampling rate

图5 APSNR随采样率变化

Fig. 5 Change of APSNR over sampling rate

图6 空间采样率为40%时不同方法重构光谱图像

Fig. 6 Reconstructed spectral images with 0.4 sampling rate

图7 空间采样率为90%时不同方法重构光谱图像

Fig. 7 Reconstructed spectral images with 0.9 sampling rate

图8 空间采样率为40%时3种方法的重构光谱

Fig. 8 Reconstructed spectrum with 0.4 sampling rate

图9 空间采样率为90%时3种方法的重构光谱

Fig. 9 Reconstructed spectrum with 0.9 sampling rate

参考文献 22

1	樊星皓，刘春雨，金光，等. 轻小型高分辨率星载高光谱成像光谱仪［J］. 光学精密工程， 2021， 29（3）： 463-473.
	FAN Xinghao， LIU Chunyu， JIN Guang， et al. Small and High-Resolution Spaceborne Hyperspectral Imaging Spectrometer［J］. Optics and Precision Engineering， 2021， 29（3）： 463-473.
2	杨福臻，陈新华，赵知诚，等. 面向小行星探测的可见-红外光谱成像光学系统［J］. 光学学报， 2020， 40（7）： 151-158.
	YANG Fuzhen， CHEN Xinhua， ZHAO Zhicheng， et al. Visible-Infrared Imaging Spectrometer for the Exploration of Asteroids［J］. Acta Optica Sinica， 2020， 40（7）： 151-158.
3	李文轩，胡源，张凯，等. 星载大视场多光谱成像光学系统设计［J］. 红外技术， 2021， 43（11）： 1049-1054.
	LI Wenxuan， HU Yuan， ZHANG Kai， et al. Design of Spaceborne Large Field of View Multispectral Imaging Optical System［J］. Infrared Technology， 2021， 43（11）： 1049-1054.
4	吴建峰，黄树彩，康红霞，等. 高光谱成像技术在天基导弹预警探测中的应用［J］. 飞航导弹， 2015（2）： 68-73.
	WU Jianfeng， HUANG Shucai， KANG Hongxia， et al. The Application of Hyperspectral Imaging Technology in Space Based Missile Early-Warning System［J］. Aerodynamic Missile Journal， 2015（2）： 68-73.
5	唐意东，黄树彩，黄达. 基于空间域压缩采样和谱域Karhunen-Loève变换的光谱成像与重构［J］. 光学学报， 2018， 38（5）： 343-352.
	TANG Yidong， HUANG Shucai， HUANG Da. Spectral Imaging and Reconstruction Based on Spatial Compressive Sampling and Spectral Karhunen-Loève Transform［J］. Acta Optica Sinica， 2018， 38（5）： 343-352.
6	黄达，黄树彩，唐意东，等. 模糊识别算法在导弹尾焰光谱识别中的应用［J］. 红外与激光工程， 2018， 47（7）： 118-125.
	HUANG Da， HUANG Shucai， TANG Yidong， et al. Application of Fuzzy Recognition Algorithm in the Spectrum Identification of Missile Tail Flame［J］. Infrared and Laser Engineering， 2018， 47（7）： 118-125.
7	杨忠东，李军伟，陈艳，等. 红外高光谱成像原理及数据处理［M］. 北京：国防工业出版社， 2015.
	YANG Zhongdong， LI Junwei， CHEN Yan， et al. Theory and Data Processing of Infrared Hyperspectral Imaging［M］. Beijing： National Defense Industry Press， 2015.
8	王忠良，何密，叶珍，等. 线性混合光谱模型高光谱压缩感知［J］. 遥感学报， 2020， 24（3）： 277-289.
	WANG Zhongliang， HE Mi， YE Zhen， et al. For Hyperspectral Compressed Sensing Method on Linear Mixed Spectrum Model［J］. Journal of Remote Sensing， 2020， 24（3）： 277-289.
9	谭诗语，刘震涛，李恩荣，等. 基于先验图像约束的多光谱压缩感知［J］. 光学学报， 2015， 35（8）： 112-120.
	TAN Shiyu， LIU Zhentao， LI Enrong， et al. Hyperspectral Compressed Sensing Based on Prior Images Constrained［J］. Acta Optica Sinica， 2015， 35（8）： 112-120.
10	ZHANG Zheng， XU Yong， YANG Jian， et al. A Survey of Sparse Representation： Algorithms and Applications［J］. IEEE Access， 2015， 3： 490-530.
11	闫敬文，刘蕾，屈小波. 压缩感知及应用［M］. 北京：国防工业出版社， 2015.
	YAN Jingwen， LIU Lei， QU Xiaobo. Compressive Sensing and Its Applications［M］. Beijing： National Defense Industry Press， 2015.
12	王金成. 基于压缩感知的光谱成像研究［D］. 杭州：浙江大学， 2013.
	WANG Jincheng. Research on the Spectral Imaging Based on Compressive Sensing［D］. Hangzhou： Zhejiang University， 2013.
13	柯钧，张临夏，周群. 压缩感知在光学成像领域的应用［J］. 光学学报， 2020， 40（1）： 92-117.
	KE Jun， ZHANG Linxia， ZHOU Qun. Applications of Compressive Sensing in Optical Imaging［J］. Acta Optica Sinica， 2020， 40（1）： 92-117.
14	TROPP J A， GILBERT A C. Signal Recovery from Random Measurements via Orthogonal Matching Pursuit［J］. IEEE Transactions on Information Theory， 2007， 53（12）： 4655-4666.
15	陈进. 高光谱图像分类方法研究［D］. 长沙：国防科学技术大学， 2010.
	CHEN Jin. On Classification Method of Hyperspectral Images［D］. Changsha： National University of Defense Technology， 2010.
16	MACKENZIE D. Compressed Sensing Makes Every Pixel［J］. What's Happening in the Mathematical Sciences， 2009， 7： 115-127.
17	Anon. Coded Aperture Snapshot Spectral Imaging［EB/OL］. ［2022-12-20］. .
18	GEHM M E， JOHN R， BRADY D J， et al. Single-Shot Compressive Spectral Imaging with a Dual-Disperser Architecture［J］. Optics Express， 2007， 15（21）： 14013-14027.
19	刘铭鑫，张新，王灵杰，等. 压缩感知光谱成像技术的编码孔径与探测器匹配优化［J］. 中国光学， 2020， 13（2）： 290-301.
	LIU Mingxin， ZHANG Xin， WANG Lingjie， et al. Optimization of Matching Coded Aperture with Detector Based on Compressed Sensing Spectral Imaging Technology［J］. Chinese Optics， 2020， 13（2）： 290-301.
20	吴群，周羚君，殷俊锋. 矩阵分析［M］. 上海：同济大学出版社， 2017.
	WU Qun， ZHOU Lingjun， YIN Junfeng. Matrix Analysis［M］. Shanghai： Tongji University Press， 2017.
21	VO T， TRAN D， MA Wanli. Tensor Decomposition and Application in Image Classification with Histogram of Oriented Gradients［J］. Neurocomputing， 2015， 165： 38-45.
22	唐意东. 压缩感知光谱成像目标检测与分类识别方法研究［D］. 西安：空军工程大学， 2017.
	TANG Yidong. Research on Spectral Image Detection and Classification Method Based on Compressive Sensing［D］. Xi'an： Air Force Engineering University， 2017.

[1]	李潇飞, 唐意东. 基于先验稀疏模型的光谱图像压缩采样检测[J]. 现代防御技术, 2021, 49(3): 115-122.
[2]	刘骐玮, 马彦恒, 李根, 董健. 导向矢量正交分解的离格信号DOA估计[J]. 现代防御技术, 2018, 46(6): 102-108.

基于张量分解的光谱图像压缩感知重构

Spectral Image Compressed Sensing Reconstruction Based on Tensor Decomposition

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 22

相关文章 2

编辑推荐

Metrics

本文评价