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。     

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。     

结合预测误差反馈的高光谱图像无损压缩研究

高光谱图像的海量数据给存储和实时传输带来极大困难,必须对其进行有效压缩.提出了一种结合预测误差反馈的高光谱图像无损压缩算法.根据高光谱图像相邻波段相关性强弱进行波段分组,有效降低了波段排序算法的计算量.通过研究波段排序算法的性能,采用最佳后向排序算法对各组进行波段排序.为有效去除高光谱图像相关性,采用JPEG压缩标准中的无损预测模式对各波段进行谱内预测,利用参考波段预测误差对当前波段谱内预测值进行反馈校正,可进一步提高预测精度.最后,利用JPEG-LS标准对参考波段和预测残差进行无损压缩.对AVIRIS型和OMIS-I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．     

基于空谱联合的多假设预测高光谱图像压缩感知重构算法

为充分利用高光谱图像的空间相关性和谱间相关性,该文提出一种基于空谱联合的多假设预测压缩感知重构算法。将高光谱图像分组为参考波段图像和非参考波段图像,参考波段图像利用光滑Landweber投影算法重构,对于非参考波段图像,引入空谱联合的多假设预测模型,提高重构精度。非参考波段图像中每个图像块的预测值不仅来自非参考波段图像未经预测的初始重构值的相邻图像块,而且来自参考波段重构图像相应位置及其邻近的图像块,利用预测值得到测量域中的残差,然后对残差进行重构并对预测值进行修正,此残差比原图像更稀疏,且算法采用迭代方式提高重构图像的精度。借助Tikhonov正则化方法求解多假设预测的权重系数,并基于结构相似性判断是否改变多假设预测搜索窗口大小,最后利用交叉验证计算重构算法终止迭代的判据参数。实验结果表明,所提算法优于仅利用空间相关性或谱间相关性进行预测和不预测的重构算法,其重构图像的峰值信噪比提高2 dB以上。     

基于自适应波段聚类主成分分析和反向传播神经网络的高光谱图像压缩

高光谱遥感图像具有丰富的光谱信息,数据量大。为了能够有效地利用高光谱图像数据,促进高光谱遥感技术的发展,该文提出一种基于自适应波段聚类主成分分析(PCA)与反向传播(BP)神经网络相结合的高光谱图像压缩算法。算法利用近邻传播(AP)聚类算法对波段进行自适应聚类,对聚类后的各个分组分别进行PCA运算,最后利用BP神经网络对所有主成分进行编码压缩。该文的创新点在于BP神经网络压缩图像时,在训练步骤过程中,误差反向传播是用原图与输出作差值,再反向调整各层的权值、阈值。对高光谱图像进行波段聚类,不仅能够有效地利用谱间相关性,提高压缩性能,还可以降低PCA的运算量。实验结果表明,该文算法与其它现有算法比较,在相同压缩比下,其光谱角更小,信噪比更高。     

基于多波段谱间预测的高光谱图像无损压缩算法

该文提出一种基于多波段谱间预测的高光谱图像无损压缩方案。首先,充分考虑到随着高光谱图像谱间分辨率的提高,其谱间相关性也越来越强烈,推导出由多个波段对当前波段做线性预测的预测器系数,然后给出快速计算求解预测器系数的算法。对AVIRIS图像进行压缩,实验结果表明,该算法压缩比高,运算速度快,具有极高的实用价值。     

基于分块KLT的多光谱遥感图像低复杂度有损压缩

多光谱图像的有效压缩已经成为遥感领域亟待解决的难题。针对星载多光谱成像仪获取的多光谱图像,提出了一种基于分块KLT(Karhunen-Loève transform,卡胡南-洛维变换)的低复杂度有损压缩算法。该算法首先对每个波段分别进行空间二维小波变换,以去除多光谱图像的空间相关性;然后将每个波段分成互不重叠且大小相等的图像块,每次仅对相邻两个波段的对应图像块进行谱间KLT变换,以去除谱间相关性;最后对变换后的所有波段进行联合EBCOT(Embedded Block Coding with Optimized Truncation,最优截断的嵌入式块编码)压缩。实验结果表明,该算法的压缩性能优于基于整体KLT的多光谱图像压缩算法,并且具有较低的编码复杂度。     

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.     

一种结合空谱聚类的高光谱图像快速压缩算法

对高光谱图像进行快速压缩已经成为了高光谱遥感领域的研究热点.针对现有的高光谱图像数据量大和压缩所需运算量大的问题,提出了一种基于频段聚类+主成分分析(PCA)与空间分类相结合的高光谱图像快速压缩算法.首先利用最大相关度频段聚类算法(MCBC)将频段聚类,接着将每一类频段用PCA压缩,然后将压缩后的图像利用聚类信号子空间投影(CSSP)算法进行图像分类,最后在每一类内利用LBG(Linde Buzo Gray)算法通过矢量量化快速完成高光谱图像的编码.在不同的压缩比下进行实验,结果表明提出的高光谱图像压缩算法能在保证良好的图像恢复质量的前提下,大幅度降低运算复杂度,实现高光谱图像的快速压缩.     

基于稀疏表示的高光谱数据压缩算法

如何降低高光谱图像大规模数据的存储和传输代价一直是学者们关心的问题。该文提出一种基于稀疏表示的高光谱数据压缩算法,通过一种波段选择算法构造训练样本集合,利用训练得到的基函数字典对高光谱数据所有波段进行稀疏编码,并对表示结果中非零元素的位置和数值进行量化和熵编码,从而实现高光谱图像压缩。实验结果表明该文算法与3维小波相比具有更好的非线性逼近性能,其率失真性能明显优于3D-SPIHT,并且在光谱信息保留上具有巨大的优势。     

基于残差偏置和查找表的高光谱图像无损压缩

为了提高高光谱遥感图像的压缩比,提出一种基于残差偏置和查找表的高光谱图像无损压缩方法。在高光谱图像的第一谱段图像采用了无损压缩标准中值预测器方法进行谱段内预测,其它谱段图像采用谱间预测方法。首先,在多级查找表（LAIS-LUT）预测方法的基础上搜索当前预测值,用当前预测值周围特定的5个像素点和当前像素值周围相同位置的5个像素点进行比较,通过比较结果,得出一个偏置值;然后在预测残差上加上偏置值;最后,将最终预测残差进行算术编码,并进行了理论分析和实验验证。结果表明,针对美国航空航天局的高光谱图像,所提出的方法比LAIS-LUT压缩比平均提高0.05;针对国内高光谱图像,该方法比LAIS-LUT压缩比平均提高0.07。这一结果对提高高光谱图像压缩效率是有帮助的。     

基于双估计值的查找表高光谱图像无损压缩

提出一种基于双估计值的查找表预测高光谱图像无损压缩算法。首先,在高光谱图像的第1谱段图像采用JPEG-LS中值预测器进行谱段内预测,其他谱段图像采用谱间预测。谱间预测采用以下步骤,利用3个LUT预测值求出第一个估计值;其次用当前谱段内和前一谱段内特定的8个像素点计算出第二个估计值,将谱段内预测和谱间预测有效地结合,去除了高光谱图像的谱间相关性。然后,用3个LUT预测值和最终的预测估计值比较,选出最终的预测值。最后,将预测残差进行算术编码。实验结果表明,针对NASA的AVIRIS高光谱图像,用本文算法比LAIS-LUT的压缩比平均提高了0.03~0.11,针对国内OIMS-I高光谱图像,比LAIS-LUT压缩比平均提高了0.01~0.09,有效的提高了压缩比。     

DSC的超光谱图像无损压缩算法

有效的星载超光谱图像压缩技术对于解决超光谱图像实时传输极为重要。针对超光谱图像传统的联合编解码算法的不足,提出了一种基于分布式信源编码(Distributed Source Coding,DSC)的超光谱图像无损压缩算法。为利用超光谱图像的局部空间相关性,将超光谱图像进行分块处理;引入多元线性回归模型构建编码块的边信息,并为每个编码块选取最优的预测阶数,以有效利用超光谱图像的局部谱间相关性。根据(n,k)线性分组码的原理,通过多元陪集码实现超光谱图像的分布式无损压缩。实验结果表明:该算法能够取得较好的无损压缩性能,同时具有较低的编码复杂度,适合星载超光谱图像的压缩实现。     

基于四阶累积量的波段子集高光谱图像异常检测

针对由于高光谱图像光谱和空间分布的复杂性导致核RX算法检测性能不高这一问题,提出了基于四阶累积量的波段子集非线性异常检测算法。首先先依据各相邻波段间的相关系数,将原始图像数据划分为多组波段子集;然后,利用主成分分析(PCA)构造的正交子空间对各波段子集进行背景抑制,得到图像误差数据;在此基础上,再次利用PCA提取各波段子集的特征信息,使异常目标信息集中于前面几个波段;最后,提取各子集主成分中含有最大四阶累积量值的波段,构成最优波段子集,并与核RX算法结合进行异常检测。利用真实的AVIRIS高光谱图像对算法进行仿真,结果表明,本文算法检测精度高,虚警率低,性能明显优于核RX算法。