劉佶鑫，孫權(quán)森

1.南京郵電大學(xué) 寬帶無(wú)線通信技術(shù)教育部工程研究中心，江蘇 南京 210003；2.南京理工大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，江蘇 南京 210094

1 引 言

隨著軟硬件技術(shù)的進(jìn)步，對(duì)地遙感觀測(cè)在測(cè)繪領(lǐng)域的作用越來(lái)越重要。而高分辨率和大視場(chǎng)角已成為遙感成像的一種主流發(fā)展趨勢(shì)。以新近發(fā)射的光學(xué)遙感衛(wèi)星（如美國(guó)的 WorldView－2、法國(guó)的Pleiades、以色列的EROS－C等）為例，其分辨率普遍優(yōu)于1m且軌道高度普遍達(dá)到600km及以上。遙感成像的這一特點(diǎn)將為測(cè)繪應(yīng)用的信息處理提供高精度的數(shù)據(jù)保障，同時(shí)也對(duì)中、高分辨率遙感的成像質(zhì)量和處理效率提出了要求。

遙感成像的基礎(chǔ)是數(shù)字信號(hào)處理技術(shù)，而以香農(nóng)采樣定理為基礎(chǔ)的傳統(tǒng)數(shù)字信號(hào)處理技術(shù)隨著遙感成像的發(fā)展將面臨海量數(shù)據(jù)處理的難題。香農(nóng)采樣定理指出：對(duì)于任意帶限信號(hào)，采樣頻率必須達(dá)到信號(hào)帶寬的兩倍及以上。因此，傳統(tǒng)數(shù)字信號(hào)處理的研究重點(diǎn)集中在兩方面：其一，提高采樣頻率。對(duì)遙感成像而言意味著需要研制分辨率更高的大型面陣傳感器，這將大幅提高遙感衛(wèi)星的生產(chǎn)及發(fā)射等綜合成本。為此，文獻(xiàn)［1］對(duì)LMCCD提出了改進(jìn)，而文獻(xiàn)［2］則嘗試消除大面陣CCD影像的多通道不一致性；其二，限制信號(hào)帶寬（如低通濾波器）。這必將損失大量的細(xì)節(jié)信息，降低高分遙感的數(shù)據(jù)高精度優(yōu)勢(shì)。在濾波器研究領(lǐng)域，文獻(xiàn)［3］基于學(xué)生化殘差提出了模糊自適應(yīng)濾波算法，而文獻(xiàn)［4］則運(yùn)用推掃成像濾波器模型來(lái)進(jìn)行星載相機(jī)軌道末期成像及圖像復(fù)原?？梢?jiàn)，以香農(nóng)采樣定理為基礎(chǔ)的傳統(tǒng)信號(hào)處理方式從某種程度上制約了數(shù)字遙感成像的發(fā)展。

作為一種新型信號(hào)處理技術(shù)，壓縮感知（compressive sensing，CS）為海量數(shù)據(jù)處理提供了不同于傳統(tǒng)方式的新思路。CS理論是由文獻(xiàn)［5—6］和文獻(xiàn)［7］分別提出的。該理論認(rèn)為，通過(guò)隨機(jī)過(guò)完備觀測(cè)矩陣的投影運(yùn)算能夠在保持全局信息的條件下合并完成信號(hào)的采樣與壓縮，而在此基礎(chǔ)上求解一個(gè)欠定方程的l1范數(shù)最小化問(wèn)題來(lái)完成信號(hào)重構(gòu)。目前，CS理論在數(shù)字成像方面已得到初步應(yīng)用，如單像素相機(jī)［8］、光譜成像［9］、MRI成像［10］等。此外，文獻(xiàn)［11］闡述了 CS對(duì)解決數(shù)字洪災(zāi)的重要意義。但是，在CS遙感成像方面，除了文獻(xiàn)［12—13］以小波閾值為基礎(chǔ)的系列研究外，其他成果相對(duì)較少。

本文針對(duì)CS遙感中重構(gòu)運(yùn)算開(kāi)銷大和成像細(xì)節(jié)質(zhì)量低的問(wèn)題，提出一種以多尺度透鏡組為基礎(chǔ)的分形壓縮感知遙感成像方法。多尺度透鏡成像模式能夠大幅降低基于稀疏字典的CS成像的運(yùn)算開(kāi)銷，而以分形維度代替l1范數(shù)作為目標(biāo)函數(shù)能夠較好的改善弱約束條件下CS成像質(zhì)量，并在較大限度上提高細(xì)節(jié)信息的復(fù)原效果。

2 壓縮感知成像原理

CS成像分為采樣和重構(gòu)兩部分。首先，假設(shè)原始信號(hào)x∈RN，其CS采樣如下

式中，Φ為隨機(jī)觀測(cè)矩陣。式（1）是對(duì)信號(hào)x的降維投影（即壓縮）；而Φ列的集合具備過(guò)完備不相干性，保證了y包含原始信號(hào)x的幾乎全部信息，因此稱為感知。觀測(cè)結(jié)果y即所謂的感知數(shù)據(jù)。

其次，重構(gòu)的核心是欠定矩陣偽逆運(yùn)算。如果x具有稀疏性（即x中有K個(gè)非零元素且K≤M）且Φ滿足RIP（restricted isometry property）時(shí)，式（1）求逆可等價(jià)為

雖然式（2）在理論上有全局最優(yōu)解，但是l0范數(shù)最小化是NP難題，且運(yùn)算開(kāi)銷極高。文獻(xiàn)［14］提出了基追蹤（basis pursuit，BP）算法來(lái)解決這個(gè)問(wèn)題，描述如下

式（3）可以通過(guò)線性規(guī)劃求解。而將BP用于CS重構(gòu)是文獻(xiàn)［5－7］完成的證明。CS理論認(rèn)為：在一定條件下，式（3）中l(wèi)1范數(shù)最小化的最優(yōu)解等價(jià)于式（2）中l(wèi)0范數(shù)最小化的全局最優(yōu)解。這就為CS框架的應(yīng)用提供了重要的理論支撐。

對(duì)二維圖像，多數(shù)CS框架是將圖像拉伸為一維向量進(jìn)行處理。這種方式能夠較好地滿足CS運(yùn)算的要求，且處理方式簡(jiǎn)便、運(yùn)算開(kāi)銷相對(duì)較小，但是其重構(gòu)質(zhì)量往往不能令人滿意。為此，文獻(xiàn)［5］采用 TV（total variation）模型將CS重構(gòu)算法改進(jìn)為

式中，D為梯度算子。但是這種二維處理模式顯然比一維的l1范數(shù)最小化方式復(fù)雜，不能較好地適用于對(duì)時(shí)效性要求較高的數(shù)字成像等應(yīng)用。

但是在實(shí)際應(yīng)用中，信號(hào)直接滿足稀疏性的情況并不常見(jiàn)。實(shí)際上，大多數(shù)遙感數(shù)字圖像在空域下都不具有稀疏性。而CS成立則必須滿足兩個(gè)重要條件：① 過(guò)完備觀測(cè)矩陣必須具備RIP。② 待重構(gòu)信號(hào)必須是稀疏的。為此，一種更為普遍的CS改進(jìn)算法可以描述如下

式中，α即為x在基空間Ψ下的稀疏表示。文獻(xiàn)［5－6］的研究指出，幾乎所有的信號(hào)總能找到合適的基空間（如小波域、傅里葉域等）來(lái)實(shí)現(xiàn)稀疏表示。因此，稀疏字典的應(yīng)用解決了遙感成像在CS框架下的有效性問(wèn)題。

雖然稀疏表示的引入既保留了BP算法的簡(jiǎn)易性又解決了重構(gòu)信號(hào)對(duì)稀疏性的要求，但是稀疏表示本身的運(yùn)算開(kāi)銷卻十分巨大。假設(shè)一個(gè)過(guò)完備不相干字典可由如下Gabor函數(shù)生成

3 多尺度分形壓縮感知遙感成像框架設(shè)計(jì)

3.1 多尺度透鏡組成像

在圖1中，橫坐標(biāo)表示5種圖像分塊大小，縱坐標(biāo)表示各級(jí)尺寸大小對(duì)應(yīng)的CS程序運(yùn)算開(kāi)銷。由于運(yùn)算開(kāi)銷正比于稀疏字典的維度，因此其關(guān)系描述如下

式中，n2為圖像分塊大??；c為常數(shù)。由此可見(jiàn)，分塊成像的這種思路能夠適合于高分辨率和大視場(chǎng)角遙感成像的應(yīng)用需求，同時(shí)可以大幅緩解CS成像算法在高維圖像處理中的海量運(yùn)算開(kāi)銷難題。但是，新的問(wèn)題是能否找到符合分塊成像模式的圖像傳感器。

圖1 圖像大小與基于稀疏字典的CS成像運(yùn)算開(kāi)銷水平Fig.1 The relationship between different image size and its computation cost level based on sparse dictionary

文獻(xiàn)［16］設(shè)計(jì)的多尺度透鏡組（multi－scale lens）成像模型為本文的研究提供了重要參考。如圖2所示，大尺度透鏡成像的優(yōu)勢(shì)在于有較大的視場(chǎng)角，缺點(diǎn)是成像面陣的工藝成本將隨分辨率的提高呈現(xiàn)指數(shù)級(jí)增長(zhǎng)；而小尺度透鏡成像的優(yōu)勢(shì)則是以較低的工藝成本保持高分辨的圖像細(xì)節(jié)信息，缺點(diǎn)卻是較小的成像面陣難以滿足大視場(chǎng)角觀測(cè)的需要。在此基礎(chǔ)上，文獻(xiàn)［16］嘗試將不同尺度的透鏡組合用于形成多尺度透鏡，其試驗(yàn)結(jié)果（見(jiàn)圖2）取得了較好的大視場(chǎng)角高分辨成像效果。因此，多尺度透鏡組能夠集合兩種成像方式的優(yōu)點(diǎn)，不僅滿足本文對(duì)遙感CS成像的分塊需求，而且其各子塊成像面陣的研制成本和工藝難度也遠(yuǎn)低于傳統(tǒng)上用于大視場(chǎng)角遙感成像的大尺度面陣。

圖2 多尺度透鏡組的成像原理Fig.2 The principle of multi－scale lens Imaging

3.2 分形壓縮感知成像方法

多尺度透鏡組的引入解決了CS遙感成像中大視場(chǎng)角的問(wèn)題，但是作為測(cè)繪領(lǐng)域定量遙感的特殊需求，中、高分辨率遙感圖像細(xì)節(jié)信息的質(zhì)量直接決定了其應(yīng)用效果，因此如何提高CS重構(gòu)精度是關(guān)系到中、高分遙感成像的另一個(gè)關(guān)鍵問(wèn)題。

在遙感成像領(lǐng)域，普遍認(rèn)可的壓縮比通常在4∶1左右。從圖3中可見(jiàn)，壓縮比在4∶1左右的CS重構(gòu)質(zhì)量十分不理想，而感知次數(shù)越高往往成像精度越佳。因此，在傳統(tǒng)的CS成像應(yīng)用中，低壓縮比的成像質(zhì)量并不能滿足遙感的要求。這就與遙感應(yīng)用的需求形成了矛盾。

圖3 傳統(tǒng)CS成像在不同感知次數(shù)下的圖像重構(gòu)Fig.3 Image recovery under different sensing time of traditional CS imaging

傳統(tǒng)CS成像的實(shí)質(zhì)是求解如式（3）或式（6）的l1范數(shù)最小化問(wèn)題。對(duì)于高維信號(hào)CS重構(gòu)而言，如果約束條件過(guò)于嚴(yán)格也將大幅增加運(yùn)算開(kāi)銷。因此，普遍的處理思路是將式（6）弱化為如下關(guān)系

式中，ε為任意小的正數(shù)。盡管這一處理方式使得CS重構(gòu)求解的可行性大為提高，但是由于作為目標(biāo)函數(shù)的l1范數(shù)的自身特性，使得CS重構(gòu)在信號(hào)細(xì)節(jié)復(fù)原上的質(zhì)量不佳。

與l1范數(shù)相比，分形維度作為一種測(cè)度函數(shù)適用于歐幾里得空間Rn中各種維度集合的測(cè)度。由于分形維度能夠包含信號(hào)的幾何結(jié)構(gòu)信息，因此它可以作為一種分析復(fù)雜數(shù)據(jù)集的有效工具。在各類分形維度中，計(jì)盒維度（box counting dimension，BCD）非常適合計(jì)算機(jī)實(shí)現(xiàn)。BCD的定義為：假設(shè)F是Rn的任意非空有界子集，由覆蓋F的最長(zhǎng)直徑δ的最小集合數(shù)量計(jì)為Nδ（F），則F的BCD的下界和上界分別表示為

若二者相等，則稱其為F的BCD，記為

假設(shè)兩組離散信號(hào)的向量形式為V1＝［30，50，－20，40，10］T和V2＝ ［31，49，－20，38，11］T，分別按照l(shuí)1范數(shù)和分形維度進(jìn)行度量。圖4中橫坐標(biāo)i為向量元素序號(hào)，縱坐標(biāo)V（i）表示與之對(duì)應(yīng)的元素值。圖4顯示，當(dāng)信號(hào)存在細(xì)節(jié)差異時(shí)，l1范數(shù)不能有效地進(jìn)行區(qū)分，而分形維度則明顯的反映了二者的差異。因此，對(duì)于采用公式（9）的CS重構(gòu)算法，以分形維度代替l1范數(shù)作為目標(biāo)函數(shù)，本文將CS成像問(wèn)題改進(jìn)為

這里采用的目標(biāo)函數(shù)是BCD的一種廣延性更好的改進(jìn)形式，即 Minkowski維度［17］。因此，將這種新的CS框架稱為分形壓縮感知（fractal compressed sensing，F(xiàn)CS）。在多尺度透鏡組和分形壓縮感知成像的基礎(chǔ)上，筆者提出一套適合遙感成像的CS框架。

3.3 本文提出的遙感成像框架

圖5是本文設(shè)計(jì)的多尺度分形壓縮感知（multi－scale fractal compressed sensing，MFCS）遙感成像的系統(tǒng)框架，包括3個(gè)主要步驟：

（1）多尺度CS遙感采樣。通過(guò)基于多尺度透鏡組的衛(wèi)星載荷平臺(tái)傳感陣列，實(shí)現(xiàn)大視場(chǎng)角的中、高分辨率遙感信號(hào)采樣。

（2）感知數(shù)據(jù)稀疏字典選取。由模／數(shù)轉(zhuǎn)換和信號(hào)傳輸，將感知數(shù)據(jù)傳輸?shù)降孛嫣幚硐到y(tǒng)，選取合適當(dāng)前感知數(shù)據(jù)的過(guò)完備冗余字典，用于后續(xù)的基于信號(hào)稀疏表示的成像重構(gòu)運(yùn)算。

（3）多尺度分形CS成像。以基于字典的稀疏表示為基礎(chǔ)，通過(guò)迭代求解由式（12）和式（13）描述的分形最優(yōu)化問(wèn)題，最終計(jì)算完成中、高分辨率遙感CS成像。

至此，本文的MFCS遙感成像框架已經(jīng)構(gòu)建完成，下文將通過(guò)一系列試驗(yàn)及相關(guān)評(píng)價(jià)指標(biāo)來(lái)討論該成像方式的特性。

圖4 l1范數(shù)與分形維度對(duì)信號(hào)細(xì)節(jié)差異的度量Fig.4 Measurement of l1－norm and fractal dimension to signals with details’difference

圖5 多尺度分形壓縮感知遙感成像框架Fig.5 Multi－scale fractal compressed sensing remote sensing imaging framework

4 試驗(yàn)及分析

試驗(yàn)選取3組衛(wèi)星數(shù)據(jù)：① 由 WorldView－2提供的在2011年日本地震后拍攝的關(guān)于福島第一核電站受損情況的0.5m級(jí)遙感圖像［18］中的部分（圖6（a）左邊）。② 由SPOT 5拍攝的匈牙利某村莊在泥石流發(fā)生前的2.5m級(jí)遙感圖像［19］中的部分（圖6（a）中間）。③ 由 CBERS－2提供的北京市區(qū)的20m級(jí)遙感圖像［20］中的部分（圖6（a）右邊）。由于試驗(yàn)是在普通PC（CPU是Intel Core Duo i5，內(nèi)存4GB）上進(jìn)行，當(dāng)樣本圖像畫幅過(guò)大，如果直接進(jìn)行針對(duì)完整尺度下的CS重構(gòu)，則會(huì)導(dǎo)致內(nèi)存溢出等問(wèn)題，因此所有遙感圖像（完整尺度）的大小均采用200像素×200像素。這里主要研究BP和FCS兩種方法分別在完整（200像素×200像素）和多尺度（100像素×100像素、50像素×50像素、25像素×25像素）情況下的成像效果。以100像素×100像素為例，當(dāng)采用該尺度模式時(shí)，某一200像素×200像素的圖像將分為4個(gè)100像素×100像素子區(qū)域進(jìn)行處理。以此類推可知，對(duì)200像素×200像素的圖像50像素×50像素的模式需要?jiǎng)澐譃?6個(gè)子區(qū)域，25像素×25像素需要64個(gè)子區(qū)域。

圖6 BP和FCS方法的成像效果Fig.6 The imaging result of BP and FCS

CS的信號(hào)壓縮比采用4∶1。成像質(zhì)量的評(píng)價(jià)指標(biāo)包括3種：① 峰值信噪比（peak signal－tonoise ratio，PSNR）是一種基于像素級(jí)統(tǒng)計(jì)信息的客觀評(píng)價(jià)標(biāo)準(zhǔn)，其數(shù)值越大說(shuō)明成像結(jié)果在數(shù)值上越接近實(shí)際情況；② 結(jié)構(gòu)相似性（structural similarity，SSIM）是模擬人眼視覺(jué)系統(tǒng)對(duì)幾何結(jié)構(gòu)的感知近似程度，其數(shù)值越接近1說(shuō)明圖像越有利于人工解譯；③ 運(yùn)算時(shí)間開(kāi)銷反映了各成像過(guò)程的求解時(shí)間開(kāi)銷情況，以s為單位。假設(shè)原始圖像x為m×n，其CS成像結(jié)果為xCS，則PSNR按如下計(jì)算［21］

式中，μx是x的均值；μxCS是xCS的均值是x的方差是xCS的方差；是x和xCS的協(xié)方差；c1＝（k1L）2和c2＝（k2L）2中通常取L＝28－1，k1＝0.01，k2＝0.03。

從圖6可以看出，無(wú)論對(duì)中分辨率（20m）還是對(duì)高分辨率（2.5m和0.5m），F(xiàn)CS成像方式得到的圖像在視覺(jué)效果上總體優(yōu)于BP成像的效果；而MFCS成像方式又普遍強(qiáng)于完整尺度CS成像。圖7則表明：① 從PSNR和SSIM可知，兩種方式的指標(biāo)數(shù)值基本隨不同尺度圖像大小的增加而呈現(xiàn)遞減趨勢(shì)，而MFCS方式的成像質(zhì)量遠(yuǎn)高于BP方式。但無(wú)論是BP還是MFCS，若尺度劃分太小則可能導(dǎo)致成像質(zhì)量的略微下降（見(jiàn)25像素×25像素和50像素×50像素的對(duì)比）。② 尺度劃分不大時(shí)，BP與MFCS的在運(yùn)算時(shí)間開(kāi)銷上基本在持平。而多尺度CS成像方式與完整尺度CS成像相比，其運(yùn)算開(kāi)銷將隨尺度的降低大幅遞減，這一點(diǎn)在中分辨率和高分辨率成像結(jié)果中都有所體現(xiàn)。總的來(lái)說(shuō)，F(xiàn)CS方法符合遙感量化應(yīng)用在中、高分辨率成像上對(duì)細(xì)節(jié)圖像的質(zhì)量要求，而MFCS成像方式則大幅降低了在稀疏表示基礎(chǔ)上的運(yùn)算開(kāi)銷，符合大視場(chǎng)角遙感成像的時(shí)效性需求，因此，本文提出的MFCS框架使得CS成像方式能夠滿足遙感成像及應(yīng)用的需要。

5 結(jié) 論

本文在壓縮感知成像理論的基礎(chǔ)上，研究了其在遙感成像領(lǐng)域的應(yīng)用方法。通過(guò)引入多尺度透鏡組解決了基于稀疏表示的CS成像方式在大視場(chǎng)角觀測(cè)條件下面臨的運(yùn)算開(kāi)銷大和時(shí)效性差等問(wèn)題。并提出基于分形維度的CS成像方法用于改進(jìn)中、高分辨率遙感成像在細(xì)節(jié)等級(jí)上的成像質(zhì)量。在此基礎(chǔ)上，構(gòu)建了一種新的MFCS遙感成像框架。相關(guān)試驗(yàn)表明，MFCS方法無(wú)論在成像質(zhì)量還是運(yùn)算開(kāi)銷上都優(yōu)于傳統(tǒng)的以BP為代表的CS成像模式，能夠適用于遙感在中、高分辨率和大視場(chǎng)角條件下的成像要求（圖7）。

圖7 BP和MFCS成像的3種評(píng)價(jià)指標(biāo)對(duì)比Fig.7 Three indices of evaluation between BP and MFCS imaging

根據(jù)本文方法的適用條件，在今后的工作中有必要重點(diǎn)開(kāi)展以下兩方面研究：① 由于引入了多尺度透鏡組的概念，因此需要研究在實(shí)際應(yīng)用中如何平衡透鏡組的尺度設(shè)置與成像平臺(tái)的研制成本；②考慮到稀疏表示對(duì)CS成像的重要影響，因此需要進(jìn)一步研究適用于遙感應(yīng)用的稀疏字典設(shè)計(jì)。

［1］ WANG Renxiang，HU Xin，YANG Junfeng，et al.Proposal to Use LMCCD Camera for Satellite Photogrammetry［J］.Acta Geodaetica et Cartographica Sinica，2004，33 （2）：116－120.（王任享，胡莘，楊俊峰，等.衛(wèi)星攝影測(cè)量LMCCD相 機(jī) 的 建 議 ［J］.測(cè) 繪 學(xué) 報(bào)，2004，33 （2）：116－120.）

［2］ TONG Xiaochong，WU Yundong，WANG Hui，et al.The Eliminate Inconsistent Algorithm of Large Plane Array CCD Multiple Channel Images ［J］.Acta Geodaetica et Cartographica Sinica，2006，35（3）：234－239.（童曉沖，吳云東，王慧，等.大面陣CCD影像多通道不一致性消除算法［J］.測(cè)繪學(xué)報(bào)，2006，35（3）：234－239.）

［3］ LI Qingkui，LV Zhiping.Fuzzy Adaptive Kalman Filtering Algorithm Based on the Statistic oftDistribution［J］.Acta Geodaetica et Cartographica Sinica，2008，37 （4）：428－432.（李慶奎，呂志平.基于學(xué)生化殘差的模糊自適應(yīng)濾波算法［J］.測(cè)繪學(xué)報(bào)，2008，37（4）：428－432.）

［4］ HE Xiaojun，JIN Guang，YANG Xiubin，et al.Imaging Model and Image Recovering Algorithms of Spaceborne Camera in the End of Orbit Life［J］.Acta Geodaetica et Cartographica Sinica，2010，39（6）：579－584.（賀小軍，金光，楊秀彬，等.星載相機(jī)軌道末期成像模型及圖像復(fù)原算法［J］.測(cè)繪學(xué)報(bào)，2010，39（6）：579－584.）

［5］ CANDèS E，ROMBERG J，TAO T.Robust Uncertainty Principles：Exact Signal Reconstruction from Highly Incomplete Frequency Information［J］.IEEE Transactions on Information Theory，2006，52（2）：489－509.

［6］ CANDéS E，ROMBERG J，TAO T.Near Optimal Signal Recovery from Random Projections：Universal Encoding Strategies？［J］.IEEE Transactions on Information Theory，2006，52（12）：5406－5425.

［7］ DONOHO D L.Compressed Sensing［J］.IEEE Transactions on Information Theory，2006，52（4）：1289－1306.

［8］ TAKHAR D，LASKA J N，WAKIN M B，et al.A New Compressive Imaging Camera Architecture Using Opticaldomain Compression［C］∥ Proceedings of Computational Imaging IV at SPIE Electronic Imaging.San Jose：［s.n.］，2006.

［9］ GEHM M E，JOHN R，BRADY D J，et al.Single－shot Compressive Spectral Imaging with a Dual－disperser Architecture［J］.Optics Express，2007，15（21）：14013－14027.

［10］ LUSTIG M，DONOHO D L，PAULY J M.Sparse MRI：The Application of Compressed Sensing for Rapid MR Imaging［J］.Magnetic Resonance in Medicine，2007，58（6）：1182－1195.

［11］ BARANIUK R.More Is Less：Signal Processing and the Data Deluge［J］.Science，2011，331（6018）：717－719.

［12］ MA J，LE D F.Deblurring from Highly Incomplete Measurements for Remote Sensing［J］.IEEE Transactions on Geoscience and Remote Sensing，2009，47（3）：792－802.

［13］ MA J.Single－pixel Remote Sensing［J］.IEEE Geoscience and Remote Sensing Letters，2009，6（2）：199－203.

［14］ CHEN S S，DONOHO D L，SAUNDERS M A.Atomic Decomposition by Basis Pursuit ［J］.SIAM Journal on Scientific Computing，1998，20（1）：33－61.

［15］ ARTHUR P L，PHILIPOS C L.Voiced／unvoiced Speech Discrimination in Noise Using Gabor Atomic Decomposition［C］∥IEEE International Conference on Acoustics，Speech and Signal Processing.Texas：［s.n.］，2003：820－828.

［16］ BRADY D J，HAGEN N.Multiscale Lens Design［J］.Optics Express，2009，17（13）：10659－10674.

［17］ TANG Y Y，TAO Y，LAM E C M.New Method for Feature Extraction Based on Fractal Behavior［J］.Pattern Recognition，2002，35：1071－1081.

［18］ WorldView－2Satellite Images.Japan’s Troubled Fukushima I Nuclear Power Plant［EB／OL］.［2011－03－04］.http：∥www.satimaging－－corp.com／galleryworldview－2.html.

［19］ SPOT－5Satellite Images.Toxic Red Sludge Village of Kolontar，Ajka，Hungary［EB／OL］.［2011－01－05］.http：∥www.satimag－－ingcorp.com／gallery－spot5－images.html.

［20］ CBERS－2Satellite Sensor Images.CBERS－2Satellite Image of Beijing［EB／OL］.［2010－12－15］.http：∥www.satimagingcorp.co－ －m／gallery－cbers－2.html.

［21］ HUYNH T Q，GHANBARI M.Scope of Validity of PSNR in Image－video Quality Assessment ［J］.Electronics Letters，2008，44（13）：800－801.

［22］ WANG Z，BOVIK A C，SHEIKH H R，et al.Image Quality Assessment：from Error Visibility to Structural Similarity［J］.IEEE Transactions on Image Processing，2004，13（4）：600－612.