中文摘要：

高光谱图像压缩是高光谱图像有效应用的关键技术之一，随着成像光谱仪技术的不断发展，对高光谱图像的压缩技术提出了越来越高的需求。项目借鉴压缩感知理论框架，针对高光谱图像的特点，研究高压缩比、高保真度和快速的高光谱图像压缩关键技术。内容包括1）高光谱遥感图像的稀疏表示针对高光谱图像存在谱间和空间相关性且纹理特性强的特点，基于多尺度几何分析、独立成分分析和冗余字典等理论的稀疏表示研究。2）观测矩阵的设计和投影。3）以重构精度为目标的优化观测值量化器设计。4）解压端高效重构算法的研究，重点是针对高光谱图像特性的联合重构算法研究。基于压缩感知理论的压缩/解压方案具有编码端运算复杂度低的特点，有利于机/星载的实时实现。项目研究成果对实现高效、高保真度的高光谱图像机/星载实时压缩具有重要意义，同时丰富了压缩感知理论的应用，并且对基于压缩感知理论的新型传感器的研究具有较大的参考价值。

结论摘要：

压缩感知是近年来出现的一种不同于传统香农采样理论的新的信号采样理论，本项目借鉴压缩感知理论框架，针对高光谱遥感图像的特点，围绕项目研究目标，构建了基于压缩感知理论的高光谱图像压缩解压框架，对高光谱图像的压缩采样、稀疏表示、量化编码、重建方法和可实现性等进行了广泛而深入的研究。主要研究成果包括针对高光谱图像具有空间和谱间相关性的特点，建立了高光谱图像空谱联合压缩采样数学模型和基于循环卷积的3D压缩采样数学模型，模型同时考虑高光谱的空间和谱间稀疏性，可更有效的对高光谱图像进行观测。针对波段图像纹理特征强的特点，设计了基于离散余弦基和Gabor函数为基函数的混合字典，提出了一种基于混合冗余字典的压缩感知图像混合稀疏表示与重构方法。在高光谱图像的优化重建研究中，利用高光谱图像具有空间和相谱间相关性的先验信息建立目标函数的正则项，构建了基于复合正则项的高光谱图像压缩方案; 提出了一种基于空间光滑性约束、谱间相关性约束和数据低秩约束的多正则项高光谱图像压缩重建方法，并设计了基于变量拆分的有效的优化求解算法; 进一步，定义了用以描述波段图像结构相似性的结构图像，提出了基于谱间结构相似先验的高光谱压缩感知重建方法；为了更好地利用高光谱图像的谱间相关性，提出了在解码端进行谱间双向预测的高光谱图像压缩采样与重建方法。高光谱图像是对同一地物在不同波段上同时成像，具有典型的分布式特性，结合分布式信源编码理论，提出了一种有效的高光谱图像分布式压缩感知投影与重建方法。为了更好地保留用于地物分类和目标识别的光谱信息及减少压缩感知重建的计算复杂度，将线性混合模型引入高光谱图像的重建中，通过优化重建端元，实现高光谱图像重建；进一步，建立了基于线性混合模型的高光谱图像空谱分离压缩感知框架，设计了能满足丰度约束条件的观测矩阵，提出了基于端元提取和丰度估计的高光谱图像重建方法。最后，对压缩采样得到的观测值的量化和编码进行研究，分析了观测值量化误差对高光谱图像重建性能的影响，定义了对量化误差进行补偿的正则项，以减小量化误差对重建性能的影响，并对观测值进行编码，实现了基于压缩感知的高光谱图像的有效压缩。项目在压缩方面的研究成果具有编码简单而解码相对复杂的特点，为星/机载高光谱图像的实时高效压缩提供了另一条有效的途径。