【图像压缩】超表面驱动的小型化卫星的全加法高光谱压缩传感（含PSNR MSE）附Matlab代码

✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。

🔥 内容介绍

在小型化卫星的高光谱成像系统中，“超表面驱动的全加法高光谱压缩传感” 是融合超材料技术与压缩感知理论的创新方案，其核心目标是在卫星体积、功耗受限的场景下，实现高光谱数据的高效采集与压缩，同时通过 PSNR（峰值信噪比）和 MSE（均方误差）保障图像质量。

一、技术核心逻辑：超表面与全加法压缩的协同

1. 超表面的驱动作用

超表面作为一种人工电磁结构，可通过调控单元阵列的相位、振幅特性，直接对入射的高光谱信号进行 “物理域预处理”—— 区别于传统光学系统依赖复杂透镜组的分光、成像方式，超表面能在纳米 / 微米尺度上实现高光谱波段的选择性调制，不仅大幅缩减光学系统体积（适配小型化卫星的载荷限制），还能减少信号传输过程中的损耗，为后续压缩传感提供高质量原始信号。

1. 全加法高光谱压缩传感的原理

传统高光谱成像需先采集完整的三维数据立方体（空间维度 × 光谱维度），再通过软件进行压缩，存在数据冗余大、实时性差的问题。而 “全加法压缩传感” 基于压缩感知理论，采用 “编码 - 采样 - 重构” 的全链路加法逻辑：

• 编码阶段

  ：通过超表面的物理调制与电域编码模块协同，将高光谱信号按预设规则进行线性叠加（加法运算），直接生成压缩后的测量值，跳过完整数据立方体的采集步骤；

• 重构阶段

  ：利用稀疏性先验（高光谱数据在特定变换域如小波域、稀疏字典下具有稀疏性），通过优化算法（如迭代阈值法、凸优化法）从压缩测量值中反向恢复出原始高光谱图像。

这种 “边采集边压缩” 的全加法模式，能将数据量压缩 10-100 倍，显著降低小型化卫星的存储压力与下行传输带宽需求。

⛳️ 运行结果

📣 部分代码

%% real hyperspectral image

addpath(genpath('SpeCA'))  

addpath(genpath('data'))  

load Chikusei;

load seed;

maxx=max(max(max(I_REF))); 

I_REF=I_REF/maxx;

x_3D= I_REF;

[L1 L2 M]= size(x_3D);

N=10;

[E]= compute_basis(x_3D,N);

%% parameters

SNR=45; % Gaussian noise: set as 25/35/45 db in paper

ratio= 4; % parameter in measurement matrix for spatial encoding

K=6; % parameter in measurement matrix for spectral encoding

%% encoding

r1=ratio; r2=ratio;

quo=floor(M/K); rem=mod(M,K);

for i=1:rem

    band_partition(1,i)=quo+1;

end

for i=rem+1:K

    band_partition(1,i)=quo;

end

🔗 参考文献

[1]邓承志,刘娟娟,汪胜前,等.保留结构特征的稀疏性正则化图像修复[J].光学精密工程, 2013, 21(7):8.DOI:10.3788/OPE.20132107.1906.

🎈 部分理论引用网络文献，若有侵权联系博主删除

 👇 关注我领取海量matlab电子书和数学建模资料 

🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：

🌟 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位、冷链、时间窗、多车场等、选址优化、港口岸桥调度优化、交通阻抗、重分配、停机位分配、机场航班调度、通信上传下载分配优化

🌟 机器学习和深度学习时序、回归、分类、聚类和降维

2.1 bp时序、回归预测和分类

2.2 ENS声神经网络时序、回归预测和分类

2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类

2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类

2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类

2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类

2.7 ELMAN递归神经网络时序、回归\预测和分类

2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类

2.9 RBF径向基神经网络时序、回归预测和分类

2.10 DBN深度置信网络时序、回归预测和分类

2.11 FNN模糊神经网络时序、回归预测

2.12 RF随机森林时序、回归预测和分类

2.13 BLS宽度学习时序、回归预测和分类

2.14 PNN脉冲神经网络分类

2.15 模糊小波神经网络预测和分类

2.16 时序、回归预测和分类

2.17 时序、回归预测预测和分类

2.18 XGBOOST集成学习时序、回归预测预测和分类

2.19 Transform各类组合时序、回归预测预测和分类

方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

🌟图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

🌟 路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻、公交车时间调度、水库调度优化、多式联运优化

🌟 无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划、

🌟 通信方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配

🌟 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测

🌟电力系统方面

微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电、电/冷/热负荷预测、电力设备故障诊断、电池管理系统（BMS）SOC/SOH估算（粒子滤波/卡尔曼滤波）、 多目标优化在电力系统调度中的应用、光伏MPPT控制算法改进（扰动观察法/电导增量法）、电动汽车充放电优化、微电网日前日内优化、储能优化、家庭用电优化、供应链优化

🌟 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀

🌟 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别

🌟 车间调度

零等待流水车间调度问题NWFSP 、 置换流水车间调度问题PFSP、 混合流水车间调度问题HFSP 、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP

👇

5 往期回顾扫扫下方二维码