一种基于2D／3D混合自适应预测的高光谱图像无损压缩方法

利用高光谱图像具有较强谱间相关性的特点，本文提出了一种基于2D／3D混合自适应预测的高光谱图像无损压缩方法，首先根据相关系数计算波段预测顺序，通过局部纹理分析进行二维空间预测，采用基于神经网络模型的自适应预测方法进行三维预测，然后利用预测波段与当前波段间邻域块的相关性对二维预测和三维预测的结果进行校正，对预测残差采用基于上下文模型的Golomb编码．实验结果表明，应用于四种不同遥感器所获取的图像，该方法都能够有效的去除高光谱图像的空间和谱间相关性，与无损压缩国际标准JPEG-LS和3D-APA算法相比，压缩后的平均比特率均有明显降低．     

一种基于三维整型DCT变换的高光谱图像无损压缩方法

本文根据高光谱图像具有空间和谱间相关性的特点,提出一种基于三维整型DCT变换的无损压缩方法.首先采用三维整型DCT变换消除高光谱图像空间和谱间的相关性;然后,对变换系数进行类似小波的树状系数重组,并按子带顺序进行一阶自适应算术编码.实验结果表明,本文提出的方法与JPEG2000中无损压缩算法相比,平均比特率降低0.1～0.4bpp;与JPEG-LS相比,平均比特率降低0.01～0.2bpp.     

基于双向预测的高光谱图像无损压缩

提出了一种基于双向预测的高光谱图像无损压缩算法。该算法首先采用自适应波段选择算法选出信息量较大的波段,然后利用聚类算法对这些波段的谱向矢量进行分类预处理。为了便于组织谱间预测过程,根据相邻波段相关性大小进行自适应波段分组,采用双向预测的方法去除谱间相关性。通过在参考波段和预测波段中定义三维上下文预测结构,在聚类结果的基础上,对各个像素分别训练最优的预测系数,从而实现当前波段的有效预测。对AVIRIS型高光谱图像的实验结果表明,该方法可获得较好的无损压缩性能。     

基于同类邻点预测的高光谱图像无损压缩

提出了一种基于聚类、对类波段重排、搜索同类相邻点预测的高光谱数据无损压缩方法。根据谱向特征,进行高光谱图像按像素聚类,对各个分类,根据波段间相关系数,利用最大生成树进行波段重排。对每种分类像素,搜索同类邻点,训练预测系数,并进行三维预测。残差采用Golomb-Rice编码。实验证实了算法的有效性。     

一种基于混合整型变换和3D-SPIHT的高光谱图像嵌入式无损压缩方法

利用高光谱图像空间、谱间相关性不同的特点,本文提出了一种基于混合整型变换和三维分层树集合划分算法(3D-SPIHT)的高光谱图像无损压缩方法,首先将波段进行分组,针对每一分组,采用不同的整型变换技术去相关,然后对变换系数进行系数重组,采用高效的基于小波系数特点的3D-SPIHT编码方法得到嵌入式码流,具有一定的抗误码性能.实验结果表明,该方法能够有效的去除高光谱图像的空间和谱间相关性,与现有的国际标准JPEG-LS、JPEG2000和基于三维离散余弦变换(3D-DCT)或三维离散小波变换(3D-DWT)的编码方法相比,压缩后的平均比特率均有明显降低.     

基于分类非线性预测的高光谱图像无损压缩

高光谱数据的有效压缩成为遥感技术发展中需要迫切解决的问题.提出了一种基于分类非线性预测的高光谱图像无损压缩算法.针对不同频谱波段间相关性不同的特点,根据相邻波段相关性大小进行波段分组.为提高谱间预测性能,对各组波段进行最优排序.采用自适应波段选择算法对高光谱图像进行降维,并利用k-means算法对降维后波段的谱向矢量进行分类.在参考波段和预测波段中选取具有相同空间位置的上下文结构,在分类结果的基础上,对当前波段进行谱间非线性预测.参考波段采用JPEG-LS标准进行压缩,预测残差进行Golomb-Rice编码.对AVIRIS型高光谱图像的实验结果表明,该算法可显著降低压缩后的平均比特率.     

基于聚类的高光谱图像无损压缩

高光谱海量数据的有效压缩成为遥感技术发展中需要迫切解决的问题。该文提出了一种基于聚类的高光谱图像无损压缩算法。针对高光谱图像不同频谱波段间相关性不同的特点,根据相邻波段相关性大小进行波段分组。由于高光谱图像波段数量较多,采用自适应波段选择算法对高光谱图像进行降维,以获取信息量较大的部分波段,利用k均值算法对降维后的波段谱矢量进行聚类。采用多波段预测的方案对各组中的波段进行预测,对于各个分类中的每个像素,分别选取与其空间相邻的已编码的部分同类点进行训练,从而获得当前像素的谱间最优预测系数。对AVIRIS型高光谱图像的实验结果表明,该算法可显著降低压缩后的平均比特率。     

一种基于自适应预测的医学图像高效无损压缩方法

随着数字化医学图像海量的增长及PACS系统的广泛应用,对医学图像进行高效的无损压缩已成为广泛关注的问题.本文提出一种基于自适应预测的无损压缩方法,该方法利用神经网络模型自学习的能力,自适应的调整预测器的预测系数.实验表明,该方法能有效去除X线医学图像的空间相关性,还能同时去除彩色医学图像的空间和谱间相关性,取得较高的压缩比,且编解码速度较高.     

基于预测与JPEG2000的高光谱图像无损压缩方法

随着成像光谱仪向着高光谱分辨率、高空间分辨率方向发展,高光谱图像的数据量呈几何级数增长。由于数据传输和存储能力的限制,必须对高光谱图像进行有效压缩。首先,对高光谱图像的相关性进行了深入分析,得知其具有一定的空间相关性和极强的谱间相关性,从而具有较强的可压缩性。其次,结合JPEG2000对DPCM进行了修改,提出了基于一阶线性预测与JPEG2000相结合的无损压缩方案。最后,在软件平台上实现了该方案,并取得了较好的压缩效果。结果表明,该方案可以有效的实现高光谱图像无损压缩,验证了方案的可行性,为硬件平台上实现该方案提供了理论依据。     

两步双向查找表预测的高光谱图像无损压缩

提出一种基于两步双向查找表预测的高光谱图像无损压缩算法。将谱段内预测和谱间预测有效地结合,去除了高光谱图像强的谱间相关性。根据高光谱图像特点,首先,在光谱线的第1谱段图像采用JPEG-LS中值预测器进行谱段内预测,其它谱段图像采用谱间预测。谱间预测采用两步双向预测算法,第1步预测,采用一种双向四阶预测器,利用该预测器得到参考预测值;第2步预测,采用一种8级查表(LUT)搜索预测算法,得出8个LUT预测值。然后,将参考预测值与其比较得出最终的预测值。最后,将预测差值进行熵编码。实验结果表明,本文算法的平均压缩比达到3.05bpp(bits per pixel),与传统高光谱图像无损压缩算法比较,平均压缩比提高了0.14～2.91bpp,有效提高了高光谱图像无损压缩比低的问题。     

基于KL与小波联合变换的多光谱图像压缩

鉴于卫星拍摄的遥感图像的空间分辨率和光谱分辨率越来越高,在一些应用中,常会对多光谱图像进行压缩。为了提高多光谱图像的压缩质量,提出了联合相位相关和仿射变换的图像配准方法,有效提高了图像谱段之间的相关性。针对多光谱图像压缩,提出了结合Karhunen-Love,KL变换去除谱间相关和嵌入式二维小波编码方法。相比JPEG2000谱段图像独立压缩方法,提出方法解压图像的Peak Signal to Noise Ratio,PSNR值平均提高2.1 dB。实验结果表明:所提出的方法能在相同的压缩率下获得比JPEG2000谱段图像独立压缩方法更好的图像质量。     

MultiTempGAN: Multitemporal multispectral image compression framework using generative adversarial networks

Multispectral satellites that measure the reflected energy from the different regions on the Earth generate the multispectral (MS) images continuously. The following MS image for the same region can be acquired with respect to the satellite revisit period. The images captured at different times over the same region are called multitemporal images. Traditional compression methods generally benefit from spectral and spatial correlation within the MS image. However, there is also a temporal correlation between multitemporal images. To this end, we propose a novel generative adversarial network (GAN) based prediction method called MultiTempGAN for compression of multitemporal MS images. The proposed method defines a lightweight GAN-based model that learns to transform the reference image to the target image. Here, the generator parameters of MultiTempGAN are saved for the reconstruction purpose in the receiver system. Due to MultiTempGAN has a low number of parameters, it provides efficiency in multitemporal MS image compression. Experiments were carried out on three Sentinel-2 MS image pairs belonging to different geographical regions. We compared the proposed method with JPEG2000-based conventional compression methods and three deep learning methods in terms of signal-to-noise ratio, mean spectral angle, mean spectral correlation, and laplacian mean square error metrics. Additionally, we have also evaluated the change detection performances and visual maps of the methods. Experimental results demonstrate that MultiTempGAN not only achieves the best metric values among the other methods at high compression ratios but also presents convincing performances in change detection applications.     

多光谱图像的信息分析及数据压缩

首先利用条件熵对成像光谱仪多光谱图像在空间维和光谱维方向的信息冗余度进行了分析，结果表明成像光谱图像在空间维具有很强的相关性，而在光谱维方向，图像信息不平稳，相关性略小。然后对标准的基于JPEG量化表进行改进，提出了一种既能有效保真图像边缘信息，又能提高压缩倍数的改进JPEG压缩算法-I-JPEG。随后又提出了I-JPEG／DPCM压缩算法。这种方法在I-JPEG基础上，利用局部化特性较好的无损DPCM方法去除图像在光谱维的相关性，使压缩性能得到进一步提高。     

基于联想记忆的彩色图像自适应预测编码方法

本文利用牛顿前向插值多项式构建一种联想记忆型神经网络,并基于联想记忆提出一种彩色图像的自适应预测无损编码方法。针对彩色图像帧间相关性较大的特点,首先用R,G,B-G替代R,G,B以减小帧间相关性,然后对R 单独进行预测编码,对C,B—G进行二维矢量预测编码进一步减小空间相关和帧间相关,最后对预测残差进行算术编码。实验证明该算法是可行性的和有效性的,对测试图像的压缩效果优于JPEG-LS标准。     

一种适合实时应用的多光谱遥感图像无损压缩算法

根据多(超)光谱成像光谱仪波段数众多,不同波段间图像光谱相关性较强的特点,在使用预测编码(DPCM)方法去相关时,先针对某波段生成自适应最佳预测模型,并将此最佳预测模型应用到所有波段,然后再进行光谱维DPCM进一步去除光谱间相关性,最后使用预测误差修正技术来减小预测残差冗余度.实验表明,这种无损压缩方法效果大大优于JPEG无损压缩标准方法,并且速度很快,实现简便,适用于实时系统.     

一种多信号环境下的时差估计方法

无线电侦察中的很多信号是周期平稳信号,周期平稳信号的谱相关特性具有选择信号的能力。利用周期平稳信号的谱相关特性,研究了一种进行时差估计的方法,称之为谱相关比值法。研究表明,在多信号环境下,该方法可以准确估计各个来波信号的时差,与传统方法相比,改方法具有较强的抗干扰能力。     

基于波段分组的高光谱图像无损压缩

高光谱图像海量数据给存储和传输带来极大困难,必须对其进行有效压缩。针对高光谱图像不同频谱波段间相关性不同的特点,提出一种基于波段分组的高光谱图像无损压缩算法。为了降低波段排序算法的计算量,根据相邻波段相关性大小预先进行分组,采用最佳后向排序算法对各组波段进行重新排序。在当前波段和参考波段中选取具有相同空间位置的邻域结构,在最小二乘准则下,利用邻域像素对当前预测像素进行最优谱间预测。参考波段和预测残差数据进行JPEG-LS压缩。对OMIS-I型高光谱图像进行实验的结果表明,与基于多波段预测算法相比,该算法可进一步降低压缩后的平均比特率。     

Multichannel image compression by bijection mappings ontozero-trees

A new approach to multichannel image compression is introduced where the intra- and cross-band correlations are jointly exploited in a surprisingly simple yet very effective manner. The key component of the algorithm is a bijection mapping of the original multichannel image into a virtual two-dimensional (2-D) scalar image. By optimally mapping the multichannel image set into a 2-D array and by subsequently applying a scalar image coding algorithm, the spatial correlation and the spectral correlation of the multichannel data set are jointly exploited. Based on the statistical characteristics of the multichannel data, the bijection mapping can be optimized to minimize the distortion introduced by the compression algorithm. The optimization reduces to the maximization of a function of the second-order statistics of the multichannel data. At high compression rates, the new algorithm outperforms traditional compression algorithms whenever the cross-band correlation is high and it yields comparable performance at low compression rates.