حسگری فشرده تصاویر ابرطیفی با دسته‌بندی طیفی و بازسازی با تنظیم‌کننده تغییرات کلی طیفی- مکانی

نویسندگان

تهران - دانشگاه علم و صنعت ایران - دانشکده مهندسی برق

چکیده

در این مقاله با توجه به همبستگی باندهای طیفی یک تصویر ابرطیفی، ابتدا این باندها را بر اساس ضرایب همبستگی دسته‌بندی می‌کنیم. سپس با استفاده از همبستگی مکانی بین پیکسل‌های یک تصویر ابرطیفی و به‌کارگیری دسته‌بندی مذکور، یک روش حسگری فشرده طیفی-مکانی را با دسته‌بندی طیفی برای تصاویر ابرطیفی پیشنهاد می‌نماییم. برای بازسازی این تصاویر، روش تنظیم‌کننده تغییرات کلی طیفی-مکانی پیشنهاد می‌شود که در آن علاوه بر گرادیان‌های گسسته عمودی و افقی، گرادیان گسسته فرکانسی را نیز به‌کار می‌گیریم. با دسته‌بندی باندهای طیفی، می‌توان محاسبات بازسازی باندهای طیفی دسته‌ها را به‌صورت موازی انجام داد که منجر به افزایش سرعت بازسازی می‌شود. همچنین در صورت حسگری فشرده طیفی- مکانی بدون دسته‌بندی و انجام بازسازی، روش پیشنهادی در مقایسه با روش‌های نرم‌یک و تنظیم‌کننده تغییرات کلی مکانی باعث بهبود کیفیت بازسازی تصاویر از لحاظ PSNR می‌شود. با استفاده از شبیه‌سازی‌های کامپیوتری روی تصاویر ابرطیفی واقعی،  نتایج فوق تأیید می‌شود.

کلیدواژه‌ها


عنوان مقاله [English]

Spectral-Spatial Compressive Sensing of Hyperspectral Images with Spectral Clustering and Reconstruction via Spectral-Spatial Total Variation Regularization

نویسندگان [English]

  • H. Shokri
  • M. H. Kahaei
School of Electrical Engineering, IUST, Tehran, Iran
چکیده [English]

In this paper, considering the correlation of spectral bands of a hyperspectral image, first we cluster these bands based on correlation coefficients. Then, using spatial correlation among the pixels of a hyperspectral image and the mentioned clustering, we propose a spectral-spatial compressed sensing for hyperspectral images. For reconstruction of these images, we propose a spectral-spatial total variation regularization in which in addition to the vertical and horizontal discrete gradients, we incorporate the frequency discrete gradient as well. Using the mentioned clustering, reconstruction computations of spectral bands of clusters can be performed in parallel leading to a higher reconstruction speed. Also, in the case of spectral-spatial compressed sensing without clustering and performing reconstruction, the proposed method in comparison to the norm based and spatial total variation regularization methods improves the reconstruct quality in terms of PSNR. Computer simulations on actual hyperspectral images confirm the above results.

کلیدواژه‌ها [English]

  • Spectral-spatial compressive sensing
  • hyperspectral images
  • Clustering
  • total variation regularization