研究目的
为解决推扫式成像系统获取的高光谱图像的快速在线(序列)解卷积问题,在保持线性计算复杂度以实现工业实时应用的同时,引入非二次正则化项。
研究成果
SBR-LMS算法通过非二次正则化有效实现了高光谱图像的在线解卷积,其线性复杂度特性适用于实时工业应用。与标准方法相比,该算法在低信噪比场景中展现出更优性能,且瞬态行为模型与稳定性条件均经过验证。未来研究应聚焦于超参数自动学习及联合解卷积与解混扩展。
研究不足
该算法的性能取决于超参数的选择,这可能需要手动调整或代表性样本。稳定性分析主要针对高斯滤波器进行验证,其他滤波器类型存在反例。零吸引项会引入非对称瞬态行为,减缓向非零值的收敛速度。
1:实验设计与方法选择:
本研究采用基于最小均方(LMS)的框架,结合非二次正则化项(零吸引和分段常数),用于高光谱图像在线去卷积。算法SBR-LMS专为处理非因果卷积核和低信噪比场景设计。
2:样本选择与数据来源:
使用模拟高光谱图像及不同实验条件下获取的真实高光谱图像。真实图像尺寸为481×656×28,波长范围947.71纳米至1707.7纳米。
3:71纳米至7纳米。
实验设备与材料清单:
3. 实验设备与材料清单:高光谱成像系统(摆扫式与推扫式扫描仪)、用于模糊处理的高斯滤波器、以及控制信噪比的高斯噪声。
4:实验流程与操作步骤:
算法实现参数包括Q(分块大?。ⅵ蹋ú匠ぃ?、ρz、ρs、ηλ(正则化参数)。模拟过程涉及高斯核模糊图像、添加噪声并应用SBR-LMS进行复原,通过均方误差评估性能并与Tikhonov及分块Tikhonov方法对比。
5:数据分析方法:
均值与均方瞬态行为分析、稳定性条件推导及均方误差计算,以评估算法性能与参数影响。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容