高光谱摆扫型压缩成像及数据重建
基于压缩感知的高光谱图像重构研究
基于压缩感知的高光谱图像重构研究随着科技的发展，高光谱成像技术得到广泛应用。
高光谱图像可以提供对象表面在不同空间位置和不同波长处的光谱特性，能够识别物质并确定物质的组成。
但是，高光谱数据非常庞大，存储和传输成本很高。
如何有效地压缩高光谱图像数据是一项挑战。
压缩感知技术近年来得到了广泛关注，将其应用于高光谱图像的压缩和重构，将是一种很有前景的方法。
一、高光谱图像的特点高光谱图像的特点是在每个像素位置处记录多个波长光的反射率、吸收率、透射率等光谱信息，其数据维度通常远高于标准RGB图像，比如高光谱图像的通道数可以达到数百或数千个。
然而，高光谱数据的冗余性很强，其中有很多冗余信息，比如同一种物质在不同波长下的反射率相似，可以通过归一化获取共同的信息。
因此压缩高光谱图像使其数据更有效，以减少存储和传输成本，保证数据的准确性和完整性是非常关键的。
二、压缩感知技术传统的压缩方法，比如JPEG、JPEG2000等针对高光谱图像数据的压缩存在着一些问题，比如难以处理冗余信息，不够精确。
因此，近年来压缩感知技术成为了一种新的压缩方法。
压缩感知技术是一种能够从少量采样数据中重构原数据信号的信号采样和重构方法。
这种方法通过将信号压缩成少量的线性组合形式，然后仅采集一小部分的样本来重构原始信号。
压缩感知技术不仅可以解决传统压缩方法的问题，而且可以提供高质量的压缩结果。
三、基于压缩感知的高光谱图像重构方法基于压缩感知的高光谱图像重构方法是利用该技术实现高光谱图像数据的压缩和重构。
该方法根据冗余的信号特性选择出少量的采样，在这些采样中，压缩感知技术能够解出重构向量。
其中，高光谱图像数据的压缩可以通过两个部分完成，一个是测量、另一个是重构。
在测量阶段，利用随机映射对原始高光谱图像进行线性测量，生成一个更小的投影信号。
在重构阶段，通过对采样的投影信号使用压缩感知技术进行重构，得到完整的高光谱图像。
不过，压缩感知技术处理高光谱图像还存在一些问题。
一种基于Transformer结构的压缩光谱图像重建方法
第44卷第6期航天返回与遥感2023年12月SPACECRAFT RECOVERY & REMOTE SENSING93一种基于Transformer结构的压缩光谱图像重建方法李娇娇梁欣怡宋锐李云松（西安电子科技大学，西安710071）摘要编码孔径快照光谱成像系统（Coded Aperture Snapshot Spectral Imaging，CASSI）与传统高光谱成像方式相比，具有采集时间短、成本功耗低等优点，因此研究基于CASSI系统获取的压缩图像重建技术在一定程度上有利于解决高光谱图像获取困难的问题。
基于此设想，文章深入研究基于光谱维度感知的多头自注意力光谱重建模型，不同于以往在空间维计算全局相关性，该方法沿光谱维计算自注意力；此外，将CASSI系统中物理掩模的潜在引导性引入自注意力计算。
在此基础上，文章研究发现上述原始网络对于捕获空间维信息具有局限性，提出加入空间维信息提取、空间维与光谱维之间的信息交互模块以及频域约束，整合为基于光谱和空间信息混合先验的压缩光谱图像重建网络（Mix Spectral-Spatial Prior Information for Efficient Hyperspectral Image Reconstruction，MixT）。
实验结果表明：1）空间维信息、维度交互模块和频域约束的加入能提升图像重建性能；2）MixT方法在测试数据集上的峰值信噪比（Peak Signal to Noise Ratio，PSNR）为35.50，结构相似性（Structure Similarity Index Measure，SSIM）为0.948，均高于五种现有相关算法。
关键词高光谱图像编码孔径快照光谱成像系统光谱重建计算光谱成像遥感应用中图分类号: V445文献标志码: A 文章编号: 1009-8518(2023)06-0093-16DOI: 10.3969/j.issn.1009-8518.2023.06.009Compressive Spectral Image Reconstruction Method Based onTransformer StructureLI Jiaojiao LIANG Xinyi SONG Rui LI Yunsong（Xidian University, Xi'an 710071, China）Abstract Compared with traditional hyperspectral imaging methods, coded aperture snapshot spectral imaging (CASSI) has the advantages of quick acquisition, low cost and power consumption, so the study of compressive image reconstruction technology based on CASSI system is beneficial to solve the difficulty in obtaining hyperspectral images to a certain extent. Based on this assumption, this paper deeply analyzes a multi-head self-attention spectral reconstruction model based on spectral dimension perception, which is different from the previous calculation of global correlation of spatial dimensions, this method calculates收稿日期：2023-06-28基金项目：地理信息工程国家重点实验室开放基金（SKLGIE2020-M-3-1）引用格式：李娇娇, 梁欣怡, 宋锐, 等. 一种基于Transformer结构的压缩光谱图像重建方法[J]. 航天返回与遥感, 2023, 44(6): 93-108.LI Jiaojiao, LIANG Xinyi, SONG Rui, et al. Compressive Spectral Image Reconstruction Method Based on Transformer Structure[J]. Spacecraft Recovery & Remote Sensing, 2023, 44(6): 93-108. (in Chinese)94航天返回与遥感2023年第44卷self-attention along the spectral dimension. In addition, the potential guiding function of physical masks in CASSI systems is introduced into attention computing. On this basis, it is found that the above primitive network has limitations in capturing spatial dimensional information, so it is proposed to add spatial dimension information extraction, spatial-spectral dimension information interaction module and frequency domain loss to form the MixT network that blends spectral and spatial information a priori. The experimental results show that: 1) the addition of spatial dimension information, dimensional interaction module and frequency domain loss can improve the image reconstruction performance; 2) compared with five state-of-the-art models, the MixT method achieve best reconstruction performance.Keywords hyperspectral image; CASSI system; spectral reconstruction; computing spectral imaging; space remote sensing0 引言高光谱遥感作为一种综合性的遥感技术手段，其获取的高光谱图像波段范围涵盖从可见光到红外甚至热红外的范围。
一种高光谱图像分布式压缩感知重构方法
一种高光谱图像分布式压缩感知重构方法袁晓玲;冯燕;贾应彪【期刊名称】《电子设计工程》【年(卷),期】2013(21)14【摘要】基于分布式压缩感知理论,利用高光谱图像谱间的低秩特性,提出一种高光谱图像分布式压缩感知重构方法.该方法在编码端对各谱段图像分别进行压缩感知测量,运算简单,便于硬件实现.解码端重构时,首先对各谱段图像采取全变差范数最小化恢复,每次迭代的同时,利用谱间低秩修正当前重构的图像,并进行重构迭代终止判断,充分利用了高光谱图像的谱间相关性,实现了高光谱图像的联合重构.实验结果表明,该方法能够有效提升高光谱图像的重构质量.%A hyperspectral image joint reconstruction method is proposed,which is based on distributed compressed sensing theory and the low-rank structure of hyperspectral images.On the encoder,band images are measured independently,which is simple to operate and easy to hardware implementation.On the decoder,firstly,each band image is recovered by the method of total variation norm minimize.During each process of iteration,the low-rank structure of band images is used to revise the reconstruction of the current image.Finally,according to the judgment of the iterative termination condition,hyperspectral image joint reconstruction is achieved.Experiment results show that this method can effectively improve the reconstruction quality of hyperspectral images.【总页数】4页(P181-184)【作者】袁晓玲;冯燕;贾应彪【作者单位】西北工业大学陕西西安710129;西北工业大学陕西西安710129;西北工业大学陕西西安710129【正文语种】中文【中图分类】TP751.1【相关文献】1.一种高重构质量低复杂度的高光谱图像压缩感知 [J], 刘海英;李云松;吴成柯;吕沛2.高光谱图像的分布式压缩感知成像与重构 [J], 王忠良;冯燕;肖华;王丽3.一种残差-预测重构的视频分布式压缩感知实现方法研究 [J], 赵慧民;裴真真;才争野;王晨;戴青云;魏文国4.一种新的基于模型的图像配准方法及其在裂隙灯图像眼前节三维重构中的应用[J], 鞠颖;王博亮;黄晓阳;黄立伟5.一种基图像提取和内容无关图像重构方法研究 [J], 蓝章礼;申德兴;曹娟;张玉欣因版权原因，仅展示原文概要，查看原文内容请购买。
基于压缩感知的高光谱图像复原研究
基于压缩感知的高光谱图像复原研究一、引言高光谱图像是一种具有高度光谱分辨率的图像。
它可以捕捉大量的地物信息和地表材料的光谱特征，因此广泛用于计算机视觉、遥感与地图制图和分析、以及植被监测等领域。
然而，高光谱图像具有数据量大、存储占用空间大、处理时间长等问题，对高光谱图像进行有效地压缩和复原是当前亟待解决的问题。
压缩感知是一种新兴的图像压缩与复原方法，采用稀疏表示的思想，有效地压缩和恢复了高光谱图像。
本文针对高光谱图像复原的问题进行了研究，重点介绍了基于压缩感知的高光谱图像复原方法及其应用。
二、高光谱图像复原的挑战性问题高光谱图像复原是一个具有挑战性的问题，主要表现在以下方面：1.降低光谱分辨率会导致信息损失，极大影响光谱特征的提取;2.高光谱图像具有大量数据，传统的处理方法无法处理如此大量的数据;3.光谱带之间的相关性不易被捕捉，传统压缩方法无法充分利用光谱间的信息之间的这一相关性。
三、高光谱图像压缩感知的原理压缩感知将信号表示为较低维度的系数向量，即使信号具有高维度，也可以实现有效的压缩和恢复。
其主要思想是利用信号的稀疏性，用较少的采样方式采样信号，然后通过压缩感知算法重建出完整的信号。
高光谱图像的压缩感知可以分为两个阶段：稀疏表示和压缩感知恢复。
其中，稀疏表示是将原始高光谱图像表示为较少的系数向量，从而保留了大量的信息；压缩感知恢复是基于稀疏表示重构图像，从而恢复原始高光谱图像。
四、基于压缩感知的高光谱图像复原方法基于压缩感知的高光谱图像复原方法包括以下关键步骤：1.信号稀疏表示高光谱图像的稀疏表示可以通过离散余弦变换（DCT）或小波变换来实现。
这里以小波变换为例，将图像变换到小波域，从而得到其小波系数。
然后，通过选取小波系数中几个重要的系数，可以得到高光谱图像的稀疏表示。
2.测量测量通常使用局部随机矩阵和正交匹配追踪（OMP）算法。
这里，采用OMP算法获得测量矩阵，从而可以减少数据采样，同时在保证稀疏性的同时保留足够的信息。
基于压缩感知理论的高光谱图像重建和超分辨成像技术研究
基于压缩感知理论的高光谱图像重建和超分辨成像技术研究基于压缩感知理论的高光谱图像重建和超分辨成像技术研究摘要：高光谱图像在许多领域具有广泛的应用，如遥感、医学影像等。
然而，由于高光谱图像的高维数据和大量的信息冗余，传统的图像处理方法在高光谱图像重建和超分辨成像中存在着困难和挑战。
本文以压缩感知理论为基础，对高光谱图像的重建和超分辨成像技术进行了研究和探索，提出了一种基于压缩感知理论的高光谱图像重建和超分辨成像方法，并通过实验证明了该方法的有效性和优越性。
1. 引言高光谱图像是指在可见光到红外光范围内，对不同波长区间的光进行采集和记录的图像。
由于高光谱图像具有高度的光谱精细度和丰富的光谱信息，因此在农业、环境监测、医学影像等领域有着广泛的应用。
然而，高光谱图像的数据量庞大，对传感器和存储设备的要求很高，且存在大量的信息冗余，给图像处理和存储带来了挑战。
2. 基于压缩感知理论的高光谱图像重建方法压缩感知理论是由Donoho等人提出的一种新的信号采样和重建理论。
它通过在采样过程中，对信号进行稀疏表示，并利用现有的采样点进行重建，从而实现对信号的高效处理和传输。
基于压缩感知理论的高光谱图像重建方法是将高光谱图像从高维空间转换到低维稀疏空间，再通过优化算法进行重建。
3. 基于压缩感知理论的高光谱图像超分辨成像方法高光谱图像的超分辨成像是指通过对多幅低分辨率图像进行融合，获取高分辨率图像的一种方法。
基于压缩感知理论的高光谱图像超分辨成像方法是利用压缩感知理论进行高光谱图像的低维稀疏表示，再通过最优化算法进行高分辨率图像的重建。
4. 实验与结果分析本文通过选取一组高光谱图像进行实验，对比了基于压缩感知理论的高光谱图像重建和超分辨成像方法与传统方法的效果差异。
实验结果表明，基于压缩感知理论的方法在重建和超分辨成像方面具有明显的优势，能够更好地恢复原始图像的细节和信息。
5. 结论本文以压缩感知理论为基础，对高光谱图像的重建和超分辨成像技术进行了研究和探索。
一种机载摆扫式高光谱数据快速几何校正方法[发明专利]
![一种机载摆扫式高光谱数据快速几何校正方法[发明专利]](https://img.taocdn.com/s3/m/6e3b61117c1cfad6185fa7be.png)
专利名称：一种机载摆扫式高光谱数据快速几何校正方法专利类型：发明专利
发明人：于峻川,李逸川,闫柏琨,刘文良,马燕妮
申请号：CN201811343891.5
申请日：20181113
公开号：CN109493298A
公开日：
20190319
专利内容由知识产权出版社提供
摘要：本发明公开了一种机载摆扫式高光谱数据快速几何校正方法，涉及高光谱数据几何校正及应用技术领域。
该方法利用DEM数据在无地面控制点的情况下，实现了对机载高光谱数据的系统级几何校正，同时，采用局部匹配算法有效优化了系统级几何校正的处理效率，进一步提升了航空高光谱数据几何校正的效率和精度，而且采用本发明提供的方法，可以实现对多景航空高光谱数据进行工程化批量化处理，为工程化应用提供了解决方案。
申请人：中国国土资源航空物探遥感中心
地址：100083 北京市海淀区学院路29号
国籍：CN
代理机构：北京市盛峰律师事务所
代理人：梁艳
更多信息请下载全文后查看。
高光谱图像压缩采样研究的开题报告
高光谱图像压缩采样研究的开题报告一、研究背景与意义高光谱图像是一种具有多波段、高光谱分辨率的特征图像。
由于其具有丰富的空间和频率信息，因此在遥感、医学成像等领域中得到了广泛应用。
为了在高效传输和存储高光谱图像时减小数据量，需要对高光谱图像进行压缩处理。
由于高光谱图像数据量大、维度高，因此研究高光谱图像的压缩采样方法对于提升高光谱图像的传输和存储效率有着重要的意义。
二、研究内容与方法本研究的研究内容为高光谱图像的压缩采样方法。
在数据压缩过程中，需要考虑如何保留图像的重要信息和减少图像的冗余信息。
本研究将探索压缩采样时合理的采样率和压缩比例，并寻找适合高光谱图像的压缩算法。
具体的研究方法包括以下几个步骤：1. 数据预处理。
对高光谱图像进行预处理，包括去除空间噪声、归一化处理等。
2. 采样率优化设计。
通过采样率对高光谱数据进行采样。
采样率直接影响高光谱图像传输和存储过程的效率和精度，本研究将尝试不同采样率下的高光谱数据的抽取。
3. 编码压缩算法。
探索适合高光谱图像的压缩算法，包括无损压缩和有损压缩算法，同时比较不同压缩算法之间的效果。
4. 性能评估与分析。
采用定量和定性综合评价方法，比较不同算法之间的压缩效果以及图像的还原质量，评估压缩方法的优劣性。
三、研究计划与安排1. 第一阶段（1-3个月）：对高光谱图像进行调研，分析高光谱图像的特征和优缺点，并对高光谱图像压缩的现状进行了解。
2. 第二阶段（4-6个月）：对高光谱图像进行数据预处理，包括去除图像噪声和进行数据归一化，并探索不同的采样率和采样方式。
3. 第三阶段（7-9个月）：实现常见的高光谱数据压缩算法，包括无损压缩和有损压缩算法，并对压缩算法进行比较和分析。
4. 第四阶段（10-12个月）：对压缩采样算法进行优化和改进，并进行性能评估与分析，比较改进算法与现有算法的优异性。
四、预期成果本研究将主要研究面向高光谱图像的压缩采样方法，寻找适合高光谱图像的压缩算法并探索优化算法。
压缩感知 高光谱 -回复
压缩感知高光谱-回复压缩感知(CS)在高光谱成像领域的应用引言：高光谱成像是一种通过获取大量的连续光谱信息来获取物体或场景细节的技术。
然而，由于高光谱数据的采集量庞大，存储和传输成本高昂，限制了高光谱成像技术的发展。
为了解决这一问题，压缩感知技术被引入到高光谱成像领域。
本文将详细介绍压缩感知原理，并探讨其在高光谱成像中的应用。
第一部分：压缩感知原理压缩感知是一种通过获取数据的稀疏表示来压缩数据的方法。
其核心思想是限制收集或记录的样本数量，然后通过数学重构算法解码和恢复出原始信号。
压缩感知的关键步骤包括稀疏表示、测量矩阵、压缩、重构等。
1. 稀疏表示：压缩感知的基础是信号的稀疏性。
对于高光谱图像而言，其在某个空间的频谱中通常只有少数几个元素是非零的，因此可以使用稀疏向量来表示。
2. 测量矩阵：测量矩阵是用于将原始高光谱数据映射到低维度空间的矩阵。
通常情况下，测量矩阵是随机生成的。
通过将高维数据投影到低维空间，可以实现对高光谱数据的压缩。
3. 压缩：在低维度空间中测量到的信号可以通过对压缩后的测量数据进行简化表示。
因为高光谱图像的稀疏性，只需测量一小部分的样本即可对整体进行推断和恢复。
4. 重构：通过已知的稀疏表示和测量数据，可以使用数学重构算法，如稀疏表示的最小二乘(OMP)算法或基于压缩感知的恢复算法，来重构出原始高光谱信号。
第二部分：高光谱成像中的压缩感知应用1. 数据采集阶段：在高光谱成像中，常规的方法是通过高分辨率的传感器采集大量的光谱数据。
然而，使用压缩感知技术可以降低数据采集的需求量，从而减少成像的时间和存储需求。
2. 数据压缩和传输：采集到的高光谱数据通常包含大量的冗余信息。
通过应用压缩感知技术将数据压缩，并用较低的速率传输，可以显著降低存储和传输的成本。
3. 数据重构和处理：使用压缩感知算法对压缩后的高光谱数据进行解压缩和重构，可以恢复原始的高光谱信号。
这样可以实现对高光谱数据的重建和处理，如目标检测、分类等。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
高光谱摆扫型压缩成像及数据重建贾应彪;冯燕【摘要】高分辨率的应用需求使得传统的高光谱遥感成像系统面临高速率采样、海量数据存储等难以突破的瓶颈问题,压缩感知理论为传统高光谱遥感所面临的瓶颈问题提供了解决可能.针对高光谱压缩感知成像,提出了一种摆扫型高光谱压缩成像系统,该系统采用光栅、柱面透镜、二维编码孔径和线性传感阵列等光电器件,一次曝光中可获取空间像素点的光谱维向量对应的多个压缩采样值.在压缩感知数据重建过程中,为了充分利用高光谱图像的空间相关先验信息,提出了一种空间预测迭代重建算法.实验结果表明,与标准压缩感知重建算法对比,该算法在压缩感知采样率超过0.2时重建图像信噪比可提高10 dB以上.所设计的系统简单易实现,可应用于星载、机载等遥感平台的高光谱压缩成像.%Owing to the requirements of high spectral resolution, conventional hyperspectral remote-sensing imaging systems are susceptible to bottleneck problems related to high rate sampling and mass data storage. Compressive sampling possesses the potential to solve many problems associated with hyperspectral remote sensing. An optical imaging system for compressive whiskbroom sensing in hyperspectral remote-sensing imaging is proposed in this paper. The proposed system comprises spatial grating, a cylindrical lens, a two-dimensional coded aperture, and a linear sensor array. The system, which enables multiple simultaneous compressive measurements, is designed for spectrum sensing operations. An iterative prediction reconstruction algorithm is designed based on the spatial correlation of hyperspectral images. Experimental results show that the reconstruction signal-to-noiseratio of the proposed algorithm is improved by more than 10dB when the sampling rate exceeds 0.2. The sampling simplicity of the system makes it suitable for hyperspectral compressive imaging in space-borne and airborne remote-sensing platforms.【期刊名称】《红外技术》【年(卷),期】2017(039)008【总页数】6页(P722-727)【关键词】高光谱遥感;压缩成像;摆扫型;数据重建【作者】贾应彪;冯燕【作者单位】韶关学院信息科学与工程学院,广东韶关 512005;西北工业大学电子信息学院,陕西西安 710129【正文语种】中文【中图分类】TP75近几十年来，高光谱遥感成像技术在各领域获得了广泛应用。
在真实地物场景的高光谱成像中，为了获得更高的空谱分辨率，传统的高光谱成像方案不得不采用规模更大的传感阵列，导致其在星载、机载等遥感成像平台使用时较为困难[1]，而采用压缩感知（compressive sampling，CS）技术来实现高光谱数据采集，也就是高光谱压缩成像，为解决这一问题提供了可行思路[2]。
高光谱压缩成像，除了能获得更高的分辨率外，在数据采集的同时也达到了数据压缩的效果，因此该研究方向受到众多学者的关注，相关的研究成果多，提出的方案也多，但目前影响较大的主要有两类：一类是基于编码孔径成像的光谱压缩成像方案[3-4]，另一类是基于单像素相机提出的高光谱压缩成像方案[5-6]。
这些高光谱压缩成像方案都需要传感器一次性获取图像在整个空间范围内的信息，而在实际的高光谱遥感应用领域，通常都是利用遥感平台（机载或星载）的固有运动，采用基于行的推扫或基于像素的摆扫方式来逐步获取图像在整个空间范围内的信息，因此，推扫型或摆扫型高光谱压缩成像方案的研究更具实际应用价值[7]。
对于高光谱遥感压缩成像系统，获取的压缩采样数据不能直接被应用，需要重建原始高光谱图像。
目前高光谱压缩感知图像重建方面的研究很受关注，提出的方法也很多，如文献[8]在高光谱数据重建时在高光谱图像的空间和谱间相关性的基础上引入高光谱的结构相似性，建立了多正则优化重建模型。
文献[9]提出了一种联合低秩与稀疏先验的高光谱联合重建方法。
文献[10]在分块压缩感知基础上采用谱间预测来提高重建精度。
但这些优秀的重建算法大部分都是针对具体的成像模式，不一定适用于推扫型或摆扫型高光谱压缩成像方案的数据重建。
针对机载、星载高光谱遥感平台等实际应用场合，本文设计了一种摆扫型高光谱压缩成像系统，在该成像系统数据重建时，通过充分利用高光谱图像相邻像素点之间的相关性，提出了一种空间预测迭代重建算法，获得了较高的重建精度。
高光谱遥感图像通常由几十或几百个光谱波段图像数据构成，整个图像数据可以看作一个三维图像立方体，每个空间像素点（像元）对应一个光谱维向量（光谱矢量），每个波段对应一个二维图像。
一般情况下，高光谱图像可以表示成一个三维数据立方体Nl×Nx×Ny，其中Nl为光谱波段的数目，即空间像素点的光谱维向量大小，Nx和Ny分别为二维空间的水平和垂直方向像素数目。
为了更清晰地描述将要提到的高光谱光谱维向量压缩采样，这里把高光谱三维数据立方体改用的二维矩阵X来表示，矩阵尺寸为Nl×Nxy，这里Nxy为空间像素的总数目且Nxy＝Nx×Ny。
显然，矩阵X的行向量Xi, ·对应各波段图像，列向量X·,j为空间像素点对应的光谱维向量。
在高光谱光谱维向量压缩采样方案中，对各空间像元对应的光谱维向量分别做压缩感知采样，具体压缩采样过程的数学模型为：式中：j为空间位置编号，取值范围为j＝1,…, Nxy；采样矩阵，Nl为光谱波段的数目，Ml为每个空间像素点的压缩采样值数目。
高光谱光谱维向量压缩感知采样模式下的被采样信号为光谱维向量，相当于将高光谱图像分成多个光谱维向量，分别对各光谱维向量进行压缩感知采样，可以通过采用摆扫型扫描方式，依次获取各空间像素点的光谱维压缩采样信息。
参考传统的高光谱遥感摆扫型成像方式，本文提出了高光谱摆扫型压缩成像方案，如图1所示。
该方案采用基于像素的摆扫型成像扫描方式，逐点实现空间像素点所对应光谱维向量的压缩采样，即在一次曝光时间内通过线型传感器阵列获取该像素点光谱维向量的多个压缩采样值，再通过摆扫运动依次扫描获取其它空间像素点的压缩采样值。
获取各光谱维向量的压缩采样值后，再采用压缩感知联合重建算法来恢复原始的高光谱数据。
图2给出了摆扫型高光谱压缩采样获取单个采样值的光学实现方案。
图2中，输入的光信号为高光谱图像中某个空间像素点对应的光学信号，其本质为多个光谱信号的组合。
输入光信号通过衍射元件光栅（或其他色散元件）转换成一系列包含不同波长的光谱线，这里衍射光栅相当于实现了光信号由光谱维到空间平面的转变，将输入光斑转换成了一条线状光谱。
线状光谱通过条状的一维编码孔径来实现空间编码，该步骤相当于对不同波长的光谱赋予一个不同的权值，即对不同波长的光谱信号乘以一个不同的系数，达到压缩感知采样的效果。
对于通过编码孔径后的光谱线，通过使用会聚透镜再聚集成一个光斑，并由光电探测元件来获取相关光信息，这样就获得了光谱维向量的一个压缩感知采样值。
在压缩感知理论中，要恢复原信号，对压缩采样值数目有一定的要求，每个压缩采样值都应该是对原信号不同的随机编码。
如果采用单像素相机的串行方式来获取多个压缩采样值会需要一个连续采集过程，将导致采集时间较长，不适合用于高光谱机载平台。
在摆扫型压缩采样模式下，需要在一次曝光时间内同时获取空间像素点光谱维向量对应的所有压缩采样值。
本文的思路是采用并行方式来实现在一次曝光时间内获取多个压缩采样值，所谓并行在本质上就是同时采用多个如图2所示装置对光谱维做采样来得到多个压缩采样值。
图3给出了并行获取多个光谱维压缩采样值的模型，这里的光谱维向量压缩感知采样还是采用图2描述的方法，通过柱面透镜和二维编码孔径来实现一个并行的光谱维压缩感知采样过程。
与图2一样，输入的光信号先通过衍射光栅转换成一条线状光谱线；该线状光谱通过扩散柱面透镜转换成二维光谱面；光谱面传播到达二维编码孔径实现压缩感知随机编码，编码后的光谱面经柱面会聚透镜会聚成条状光线，再经线阵列传感器收集对应的光子强度。
压缩感知编码主要由具备随机透射模式的编码孔径实现，编码孔径尺寸为Ml/Nl，其中每条垂直编码孔径实现一个压缩感知随机编码。
垂直方向的Nl个光谱信号经过编码孔径编码后再由柱面透镜会聚于一点，由相应的传感器获取光谱强度，获取一个压缩感知采样值。
Ml条光谱线平行通过柱面会聚透镜各自会聚一点并由一个线性阵列传感器捕获相应光子强度信息，实现了一次曝光过程同时获得Ml个压缩采样值。
对于摆扫型高光谱压缩成像的数据重建，最简单的方法莫过于单独采用l1优化算法[11]重建每个空间像素点的光谱维向量。
由于没有考虑高光谱图像的空间相关特性，单独重建各光谱维向量的重建精度不高。
本文提出一种新的重建算法，先把简单的l1优化算法重建各光谱维向量作为初始化步骤，再通过高光谱图像的空间预测方式来迭代改善算法的重建精度。
预测迭代重建思想可用于多向量压缩感知的数据联合重建，已经在图像及动态磁共振的压缩感知重建中得到了应用[12-13]。
在给出本文的空间预测迭代算法之前，先做出相关设定：设为第k次迭代过程中对光谱维向量X·,j做预测的预测值，通过对前一迭代环节（即第k－1次迭代）重建的高光谱图像X(k－1)做线性预测所得，预测函数为p，则：当然，预测主要在空间相邻像素点的光谱维向量之间进行，相关的预测方法较多，后面的实验环节将对空间预测方法做出讨论。