高光谱成像技术已经广泛地应用于遥感对地观测、资源勘探、环境监测、数字化农业和生物制药等诸多民用及军用领域,并取得了显著成效。虽然光谱信息有助于精确的描述成像场景中物质的组成成分,但是丰富的光谱信息导致高光谱图像数据量巨大,给成像采集、链路传输和数据存储过程中的硬件设备带来了巨大的压力。随着高光谱应用及高分辨率技术的进一步发展,这一问题将进一步加剧。因此,如何有效地压缩高光谱图像,缓解硬件设备压力,成为高光谱应用中的一个基础问题。与传统图像采集方式不同,压缩感知技术在成像过程中仅采集少量的压缩数据,并可依据这些压缩数据进行图像重建,能够从根本上缓解高光谱图像采集及传输等过程的硬件压力。虽然目前已有大量的高光谱图像压缩感知方法研究如何从压缩数据中进行高光谱图像的重建,但现有的方法在重建过程中无法准确地描述高光谱图像内部的空-谱结构特性,从而导致重建精度有限,无法满足实际的应用需求。本文针对这一问题,结合高光谱图像固有的空-谱结构特点,重点研究了如何挖掘高光谱图像内潜在的结构稀疏特性和相应的高光谱图像压缩感知技术,并通过大量实验验证了本文提出方法在重建精度方面的有效性和优越性。具体的研究内容包括以下四个方面:(1)针对现有方法难以有效地描述高光谱图像光谱维中结构稀疏性的问题,本文提出了一种基于重加权Laplace先验的高光谱图像压缩感知方法。该方法首先构建了一种重加权Laplace稀疏先验模型,有效地描述了高光谱图像光谱维中潜在的结构稀疏性;然后,采用基于隐变量的稀疏学习方法,将先验学习、稀疏表示重建和噪声估计等三个问题,进行联合建模和求解。由于得到的联合模型揭示了所有未知变量和观测值之间的相互依赖关系,因而该方法能够从少量观测值中学习稀疏先验模型参数,并且自动消除观测值中的未知噪声干扰,从而有效地约束了高光谱图像稀疏表示中的结构特点,提升了重建精度。实验结果表明,相对于现有的压缩感知方法,该方法显著地提升了重建精度,而且具有更强的噪声鲁棒性。(2)针对现有方法依赖于固定字典,无法数据自适应地挖掘高光谱图像光谱维中稀疏性的问题,本文提出了一种基于字典学习的高光谱图像压缩感知方法。结合前文提出的重加权Laplace稀疏先验,该方法首先提出了一种结构字典先验模型,对光谱字典进行建模。然后,基于交替最小化思想,将图像重建过程分解为稀疏表示重建和结构字典学习两个子问题,并通过交替迭代优化这两个子问题,获得最终的重建结果。在该方法中,两个子问题的求解均采用了基于隐变量的学习方法,通过对所有未知变量与观测值之间的依赖关系进行建模,实现了从观测值中自适应地估计光谱字典、相应的稀疏表示矩阵以及未知的噪声干扰,从而获得了高光谱图像更加精确的表示模型,提升了重建精度。大量的实验结果验证了本文提出方法在重建精度和噪声鲁棒性方面的优势,以及学习得到的字典在高光谱图像稀疏表示方面的优越性。(3)针对单一采用光谱稀疏性进行压缩感知重建,难以有效保持图像空间结构的问题,本文提出了一种基于局部滤波的高光谱图像压缩感知方法。该方法通过分析前文提出的重加权Laplace稀疏先验模型,总结出单一采用光谱稀疏性进行高光谱图像重建的理论缺陷。然后,结合高光谱图像空间维中呈现出的局部相似性,针对性地提出了一种基于光谱相似性的局部线性滤波方法。通过与基于重加权Laplace先验的重建方法相结合,该方法能够有效地修复重建结果中被破坏的空间结构,尤其在噪声干扰比较严重的情况下。在大量的实验中,与单一采用光谱稀疏性进行压缩感知重建的方法相比,本文提出的方法获得了更高的重建精度。(4)针对现有方法不能有效地描述高光谱图像中空-谱三维结构的问题,本文提出了一种基于聚类稀疏随机场的高光谱图像压缩感知方法。该方法首先提出了一种基于聚类稀疏随机场的先验模型,将高光谱图像光谱维中的结构稀疏性和空间维中的类内图结构特性,有效地结合并表示在一个联合分布模型中。此外,通过引入大量的超先验模型描述模型参数的分布,进一步提升了先验模型的灵活性。然后,利用先验模型的近似表示,该方法采用基于隐变量的学习方法将先验模型学习、稀疏表示重建和噪声估计等三个问题进行了联合建模和求解。由于该方法有效地描述了高光谱图像内的空-谱三维结构,而且能够自适应地从观测中学到数据相关的模型参数并消除未知噪声的干扰,因而获得了更加精确的高光谱图像表示模型,提升了重建精度。大量的实验结果验证了本文提出的方法在高光谱图像压缩感知重建方面的有效性和优越性。