حسگري فشرده تصاوير ابرطيفي با دسته‌بندي طيفي و بازسازي با تنظيم‌كننده تغييرات كلي طيفي - مكاني

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

در اين مقاله با توجه به همبستگي باندهاي طيفي يك تصوير ابرطيفي، ابتدا اين باندها را بر اساس ضرايب همبستگي دسته‌بندي مي‌كنيم. سپس با استفاده از همبستگي مكاني بين پيكسل‌هاي يك تصوير ابرطيفي و به‌كارگيري دسته‌بندي مذكور، يك روش حسگري فشرده طيفي-مكاني را با دسته‌بندي طيفي براي تصاوير ابرطيفي پيشنهاد مي‌نماييم. براي بازسازي اين تصاوير، روش تنظيم‌كننده تغييرات كلي طيفي-مكاني پيشنهاد مي‌شود كه در آن علاوه بر گراديان‌هاي گسسته عمودي و افقي، گراديان گسسته فركانسي را نيز به‌كار مي‌گيريم. با دسته‌بندي باندهاي طيفي، مي‌توان محاسبات بازسازي باندهاي طيفي دسته‌ها را به‌صورت موازي انجام داد كه منجر به افزايش سرعت بازسازي مي‌شود. همچنين در صورت حسگري فشرده طيفي- مكاني بدون دسته‌بندي و انجام بازسازي، روش پيشنهادي در مقايسه با روش‌هاي نرم‌يك و تنظيم‌كننده تغييرات كلي مكاني باعث بهبود كيفيت بازسازي تصاوير از لحاظ PSNR مي‌شود. با استفاده از شبيه‌سازي‌هاي كامپيوتري روي تصاوير ابرطيفي واقعي، نتايج فوق تأييد مي‌شود.

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.