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
TP751.1; 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。...
Gespeichert in:
| Veröffentlicht in: | 电子与信息学报 2014 (12), p.2942-2948 |
|---|---|
| Hauptverfasser: | , , , , , |
| Format: | Artikel |
| Sprache: | chi |
| Online-Zugang: | Volltext |
| Tags: |
Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
|
| container_end_page | 2948 |
|---|---|
| container_issue | 12 |
| container_start_page | 2942 |
| container_title | 电子与信息学报 |
| container_volume | |
| creator | 孙玉宝 李欢 吴敏 吴泽彬 贺金平 刘青山 |
| description | TP751.1; 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。 |
| doi_str_mv | 10.3724/SP.J.1146.2014.00566 |
| format | Article |
| fullrecord | <record><control><sourceid>wanfang_jour</sourceid><recordid>TN_cdi_wanfang_journals_dzkxxk201412024</recordid><sourceformat>XML</sourceformat><sourcesystem>PC</sourcesystem><wanfj_id>dzkxxk201412024</wanfj_id><sourcerecordid>dzkxxk201412024</sourcerecordid><originalsourceid>FETCH-wanfang_journals_dzkxxk2014120243</originalsourceid><addsrcrecordid>eNpjYJAxNNAzNjcy0Q8O0PPSMzQ0MdMzMjA00TMwMDUzY2HgNDQwsNQ1tbA042DgLS7OMjAwMDQ2MjOzNOJk8H46f9eTXX1PZ-97vqLh-bT-Z2sXP-2Y-bRn2tMls55t7X7Z3v90wkQg-WzFwqfzup_Panm5esbT1s4XGzY-7et-vmfls5b5z-cvfdne-3T3Lh4G1rTEnOJUXijNzaDu5hri7KFbnpiXlpiXHp-VX1qUB5SJT6nKrqjIBrnR0MjAyMSYeJUAs9xfYQ</addsrcrecordid><sourcetype>Aggregation Database</sourcetype><iscdi>true</iscdi><recordtype>article</recordtype></control><display><type>article</type><title>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</title><source>Alma/SFX Local Collection</source><creator>孙玉宝 ; 李欢 ; 吴敏 ; 吴泽彬 ; 贺金平 ; 刘青山</creator><creatorcontrib>孙玉宝 ; 李欢 ; 吴敏 ; 吴泽彬 ; 贺金平 ; 刘青山</creatorcontrib><description>TP751.1; 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。</description><identifier>ISSN: 1009-5896</identifier><identifier>DOI: 10.3724/SP.J.1146.2014.00566</identifier><language>chi</language><publisher>南京理工大学计算机科学与工程学院 南京 210094%北京空间机电研究所 北京 100076%南京军区南京总医院医学工程科 南京 210002%南京理工大学计算机科学与工程学院 南京 210094%南京信息工程大学信息与控制学院 南京 210014</publisher><ispartof>电子与信息学报, 2014 (12), p.2942-2948</ispartof><rights>Copyright © Wanfang Data Co. Ltd. All Rights Reserved.</rights><lds50>peer_reviewed</lds50><woscitedreferencessubscribed>false</woscitedreferencessubscribed></display><links><openurl>$$Topenurl_article</openurl><openurlfulltext>$$Topenurlfull_article</openurlfulltext><thumbnail>$$Uhttp://www.wanfangdata.com.cn/images/PeriodicalImages/dzkxxk/dzkxxk.jpg</thumbnail><link.rule.ids>314,776,780,4010,27900,27901,27902</link.rule.ids></links><search><creatorcontrib>孙玉宝</creatorcontrib><creatorcontrib>李欢</creatorcontrib><creatorcontrib>吴敏</creatorcontrib><creatorcontrib>吴泽彬</creatorcontrib><creatorcontrib>贺金平</creatorcontrib><creatorcontrib>刘青山</creatorcontrib><title>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</title><title>电子与信息学报</title><description>TP751.1; 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。</description><issn>1009-5896</issn><fulltext>true</fulltext><rsrctype>article</rsrctype><creationdate>2014</creationdate><recordtype>article</recordtype><recordid>eNpjYJAxNNAzNjcy0Q8O0PPSMzQ0MdMzMjA00TMwMDUzY2HgNDQwsNQ1tbA042DgLS7OMjAwMDQ2MjOzNOJk8H46f9eTXX1PZ-97vqLh-bT-Z2sXP-2Y-bRn2tMls55t7X7Z3v90wkQg-WzFwqfzup_Panm5esbT1s4XGzY-7et-vmfls5b5z-cvfdne-3T3Lh4G1rTEnOJUXijNzaDu5hri7KFbnpiXlpiXHp-VX1qUB5SJT6nKrqjIBrnR0MjAyMSYeJUAs9xfYQ</recordid><startdate>2014</startdate><enddate>2014</enddate><creator>孙玉宝</creator><creator>李欢</creator><creator>吴敏</creator><creator>吴泽彬</creator><creator>贺金平</creator><creator>刘青山</creator><general>南京理工大学计算机科学与工程学院 南京 210094%北京空间机电研究所 北京 100076%南京军区南京总医院医学工程科 南京 210002%南京理工大学计算机科学与工程学院 南京 210094%南京信息工程大学信息与控制学院 南京 210014</general><general>南京信息工程大学信息与控制学院 南京 210014</general><scope>2B.</scope><scope>4A8</scope><scope>92I</scope><scope>93N</scope><scope>PSX</scope><scope>TCJ</scope></search><sort><creationdate>2014</creationdate><title>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</title><author>孙玉宝 ; 李欢 ; 吴敏 ; 吴泽彬 ; 贺金平 ; 刘青山</author></sort><facets><frbrtype>5</frbrtype><frbrgroupid>cdi_FETCH-wanfang_journals_dzkxxk2014120243</frbrgroupid><rsrctype>articles</rsrctype><prefilter>articles</prefilter><language>chi</language><creationdate>2014</creationdate><toplevel>peer_reviewed</toplevel><toplevel>online_resources</toplevel><creatorcontrib>孙玉宝</creatorcontrib><creatorcontrib>李欢</creatorcontrib><creatorcontrib>吴敏</creatorcontrib><creatorcontrib>吴泽彬</creatorcontrib><creatorcontrib>贺金平</creatorcontrib><creatorcontrib>刘青山</creatorcontrib><collection>Wanfang Data Journals - Hong Kong</collection><collection>WANFANG Data Centre</collection><collection>Wanfang Data Journals</collection><collection>万方数据期刊 - 香港版</collection><collection>China Online Journals (COJ)</collection><collection>China Online Journals (COJ)</collection><jtitle>电子与信息学报</jtitle></facets><delivery><delcategory>Remote Search Resource</delcategory><fulltext>fulltext</fulltext></delivery><addata><au>孙玉宝</au><au>李欢</au><au>吴敏</au><au>吴泽彬</au><au>贺金平</au><au>刘青山</au><format>journal</format><genre>article</genre><ristype>JOUR</ristype><atitle>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</atitle><jtitle>电子与信息学报</jtitle><date>2014</date><risdate>2014</risdate><issue>12</issue><spage>2942</spage><epage>2948</epage><pages>2942-2948</pages><issn>1009-5896</issn><abstract>TP751.1; 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。</abstract><pub>南京理工大学计算机科学与工程学院 南京 210094%北京空间机电研究所 北京 100076%南京军区南京总医院医学工程科 南京 210002%南京理工大学计算机科学与工程学院 南京 210094%南京信息工程大学信息与控制学院 南京 210014</pub><doi>10.3724/SP.J.1146.2014.00566</doi></addata></record> |
| fulltext | fulltext |
| identifier | ISSN: 1009-5896 |
| ispartof | 电子与信息学报, 2014 (12), p.2942-2948 |
| issn | 1009-5896 |
| language | chi |
| recordid | cdi_wanfang_journals_dzkxxk201412024 |
| source | Alma/SFX Local Collection |
| title | 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 |
| url | https://sfx.bib-bvb.de/sfx_tum?ctx_ver=Z39.88-2004&ctx_enc=info:ofi/enc:UTF-8&ctx_tim=2025-02-11T17%3A58%3A43IST&url_ver=Z39.88-2004&url_ctx_fmt=infofi/fmt:kev:mtx:ctx&rfr_id=info:sid/primo.exlibrisgroup.com:primo3-Article-wanfang_jour&rft_val_fmt=info:ofi/fmt:kev:mtx:journal&rft.genre=article&rft.atitle=%E5%9F%BA%E4%BA%8E%E5%9B%BE%E7%A8%80%E7%96%8F%E6%AD%A3%E5%88%99%E5%8C%96%E5%A4%9A%E6%B5%8B%E9%87%8F%E5%90%91%E9%87%8F%E6%A8%A1%E5%9E%8B%E7%9A%84%E9%AB%98%E5%85%89%E8%B0%B1%E5%8E%8B%E7%BC%A9%E6%84%9F%E7%9F%A5%E9%87%8D%E5%BB%BA&rft.jtitle=%E7%94%B5%E5%AD%90%E4%B8%8E%E4%BF%A1%E6%81%AF%E5%AD%A6%E6%8A%A5&rft.au=%E5%AD%99%E7%8E%89%E5%AE%9D&rft.date=2014&rft.issue=12&rft.spage=2942&rft.epage=2948&rft.pages=2942-2948&rft.issn=1009-5896&rft_id=info:doi/10.3724/SP.J.1146.2014.00566&rft_dat=%3Cwanfang_jour%3Edzkxxk201412024%3C/wanfang_jour%3E%3Curl%3E%3C/url%3E&disable_directlink=true&sfx.directlink=off&sfx.report_link=0&rft_id=info:oai/&rft_id=info:pmid/&rft_wanfj_id=dzkxxk201412024&rfr_iscdi=true |