基于帧间去相关的超光谱图像压缩方法

针对超光谱图像的特点和硬件实现的实际需要，提出了一种基于小波变换的前向预测帧间去相关超光谱图像压缩算法。通过图像匹配和帧间去相关，消除超光谱图像帧间的冗余，对残差图像的压缩采用基于小波变换的快速位平面结合自适应算术编码的压缩算法，按照率失真准则控制输出码流，实现了对超光谱图像的高保真压缩。通过实验证明了该方案的有效性，基于小波变换的快速位平面结合自适应算术编码的压缩算法速度优于SPIHT，而且易于硬件实现。     

基于3维SPIHT编码的超光谱图像压缩

提出一种针对超光谱图像压缩的3维SPIHT编码算法.通过对超光谱图像进行3维小波变换,同时去除像素数据间的空间冗余和谱间冗余.针对变换后得到的小波系数,构造一种3维空间方向树结构,并用经3维扩展后的SPIHT算法(3D SPIHT算法)对小波系数进行量化编码.实验证明,基于3维小波变换的3维SPIHT编码算法在对超光谱图像压缩时,表现出了优良的率失真性能.并且算法复杂度适中,具有嵌入式特性.     

基于DM6446与小波的图像压缩系统设计

对小波变换原理及DM6446平台架构进行了探讨,并在DSP平台上设计实现了一个图像压缩系统。该系统选用提升小波变换算法对图像进行整数到整数的变换,再对变换结果进行嵌入式零树编码,实现图像压缩。实验测试该系统对静态图像进行101∶的压缩率下还能获得很好的图像质量,且系统集成度高,成本低,为实时应用环境下的图像压缩提供了一个很好的范例。     

超光谱图像的分布式压缩

针对超光谱图像压缩进行了研究,提出了一种有效的基于分布式信源编码(Distributed Source Coding, DSC)的有损压缩算法。该算法利用多元陪集码和标量量化的方式实现超光谱图像的分布式有损压缩,针对分布式信源编码,利用多波段预测的方式为每个编码块构造边信息,然后采用标量量化的方式对编码块和其边信息同时进行量化处理。根据分布式信源编码原理,给出了各编码块量化后的编码码率。为了减少标量量化带来的信息丢失,算法引入了跳跃策越。部分均方误差意义上损失较大的编码块将由其边信息直接代替。实验结果表明,所提出的算法性能与基于小波变换的算法性能相当;此外,该算法复杂度较低,适合星载超光谱图像的压缩。     

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。     

基于子带谱间变换的多光谱图像压缩

针对星载多光谱图像压缩,提出了基于子带谱间变换的压缩算法。该算法首先对多光谱图像序列的每个波段分别进行空间二维小波变换,以此去除多光谱图像的空间相关性;为了去除多光谱图像的谱间相关性,将小波分解后的每一层子带作为整体,采用串行成对变换的方式对两个波段进行子带谱间KLT变换;最后,利用最优截断的嵌入式块编码算法对变换后的所有主成分同时进行最优率失真压缩。实验结果表明,该算法能够获得较好的压缩性能,同时具有较低的编码复杂度,适用于星载多光谱图像的压缩。     

基于分类和陪集码的高光谱图像无损压缩

在基于陪集码的高光谱图像压缩算法中,由于按照编码块的最大残差确定整块无损压缩所需的码率存在较大冗余,该文提出了基于分类和陪集码的高光谱图像压缩算法。首先利用前一波段对应位置的预测噪声对当前波段编码块的像素进行分类,将具有相似相关性的像素归于一类,然后对每一类像素分别进行陪集码编码。实验表明分类可以有效地降低码率。和基于陪集码的算法相比,该文算法无损压缩的平均码率降低了大约0.4 bpp。     

基于位平面编码的SAR图像无损压缩算法

对于低相关性、高动态范围SAR幅度图像的无失真压缩,采用预测或变换编码的方法很难取得较好的效果。本文在对SAR图像统计特征进行分析的基础上,提出一种基于位平面编码的无损图像压缩算法。在该算法中,将SAR图像分成各个独立的位平面,对各位平面分别计算其中元素为0的概率,并将此概率与阈值比较,从而选择相应的编码分块尺寸,之后对分块采用修正的四叉树编码。文中同时给出了编码转换阈值的计算方法。仿真实验结果表明,该算法对SAR幅度图像的压缩率明显高于国际图像压缩标准JPEG2000和JPEG-LS。     

干涉多光谱图像无损压缩算法

基于干涉多光谱图像成像原理和特点,提出一种干涉多光谱图像无损压缩算法。在压缩编码时,应充分利用图像的列相关性,采用基于列的比特平面编码和游程编码,对多光谱图像进行无损压缩,特别适于低分辨率的多光谱图像压缩。目前无损压缩算法的压缩比基本在1.6～2.4之间,本算法的压缩倍数一般可达到2倍以上,并且具有良好的抗误码性能。     

整数小波域张量Tucker分解的多光谱图像压缩

针对常用多光谱图像压缩算法-把图像作为矩阵向量量化后再进行相应压缩处理-导致图像的本征结构被破坏、信息损失以及压缩效率低等问题,提出一种基于非负张量(NTD)Tucker分解的多光谱图像压缩算法。首先将多光谱图像的每个谱段进行二维提升整数5/3小波变换,消除多光谱图像的空间冗余。然后将所有谱段的每级小波变换的4个小波子带看作为4个NTD。对每个非负小波子带张量采用改进局部HALS-NTD算法进行Tucker分解,消除光谱冗余和空间残余冗余。最后,将分解的核心张量和模式矩阵进行熵编码。实验结果表明,本文提出的压缩算法具有良好压缩性能,在压缩比32∶1～4∶1范围内,平均信噪比(SNR)高于40dB,与传统多光谱图像压缩算法比较,提高了1.779dB,有效提高了多光谱图像压缩算法的压缩性能。     

超光谱图像数据压缩方法综述

针对目前超光谱图像的编码压缩还没有一个公认的标准或已成熟的压缩方法，本文对主要的几类超光谱图像压缩方法进行了介绍，并给出了各类压缩方法无损压缩的压缩比。随着对超光谱图像压缩研究的深入，多种方法结合使用的趋势愈加明显。通过对各种超光谱压缩技术的分析比较，为超光谱压缩算法的研究奠定了良好基础。     

一种新的鲁棒性、低复杂度超光谱图像压缩算法

星载超光谱遥感图像编码系统要求具有一定压缩比、无失真、低复杂度的特点.更为重要的是要求图像压缩算法应当尽可能减少码流比特错误造成的错误扩散,根据这些特点,本文提出一种易于硬件实现、低复杂度、抗误码强的变长游程编码算法,能够满足这类图像的压缩要求,同时将码流比特错误的扩散限制在有限几列,从而大大减少了地面像素信息的损失.实验结果表明,本算法具有很好的抗误码性能,压缩效率比JPEG-LS和JPEG2000略有下降.因此本算法非常适合星载超光谱图像压缩,也可用于其它基于无线传输的无损图像压缩.     

基于均匀网格编码量化的超光谱图像自适应压缩

提出一种基于小波系数分类的超光谱图像压缩方法．算法首先将各波段小波分解并将所得子带划分成子块，而后根据子块活动性将其分类．在分类基础上，使用预测差分技术去除谱间冗余，此过程中分别求取各子类的预测系数以反映子带的局部相关性，而后利用均匀网格编码量化方法来量化残差系数序列，最后使用自适应算术编码对量化码字进行熵编码，为使编码器能在所有系数序列中最优地分配比特，本文提出一个基于序列统计特性和网格编码量化器率-失真特性的比特分配算法，实验证明该方法能高效地压缩超光谱图像，表现出优异的压缩性能。     

离散小波变换域非负张量分解的高光谱遥感图像压缩

该文提出一种基于非负张量分解的高光谱图像压缩算法.首先将高光谱图像的每个谱段进行2维离散5/3小波变换,消除高光谱图像的空间冗余.然后将所有谱段的每级小波变换的4个小波子带看作为4个张量.对每个小波子带张量采用改进HALS(Hierarchical Alternating Least Squares)算法进行非负分解,来消除光谱冗余和空间残余冗余,同时保护了光谱信息.最后,将分解的因子矩阵进行熵编码.实验结果表明,该文提出的压缩算法具有良好压缩性能,在压缩比32:1～4:1范围内,平均信噪比高于40 dB,与传统高光谱图像压缩算法比较,平均峰值信噪比提高了1.499 dB.有效地提高了高光谱图像压缩算法的压缩性能和保护了光谱信息.     

基于OpenMP的JPEG2000图像并行编码算法

JPEG2000是新一代图像压缩标准,具有编码效率高、性能好等优点,由于采用小波和比特平面编码技术,其编码复杂度高,编码速度较慢。为了提高JPEG2000的编码速度,提出一种基于OpenMP的JPEG2000图像并行编码算法,通过对离散小波变换和EBCOT算法的并行处理,提高编码速度。结果表明,该算法在保持了JPEG2000良好特性的基础上,大大提高了编码速度,而且图像越大,对编码速度的改善越明显,使JPEG2000更加适用于大数据量的图像的传输。     

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。     

线性系统理论在分析分形-小波变换编码误差中的应用

本文利用线性系统理论对Davis所采用的自子树量化(SQS)分形-小波变换图像编码算法进行了深入分析,并发现SQS变换的吸引子与动力系统的稳定状态具有一致性.因此编码过程实际上就是对动力系统的参数进行编码.通过这种分析使我们了解到了尺度函数系数的量化误差是怎样影响解码图像的,从而可以更有效地控制解码误差,并且由此还可以更深刻地认识SQS算法中直接存储尺度函数系数方案给编、解码带来的巨大好处.     

Speed-up fractal image compression with a fuzzy classifier

This paper presents a fractal image compression scheme incorporated with a fuzzy classifier that is optimized by a genetic algorithm. The fractal image compression scheme requires to find matching range blocks to domain blocks from all the possible division of an image into subblocks. With suitable classification of the subblocks by a fuzzy classifier we can reduce the search time for this matching process so as to speedup the encoding process in the scheme. Implementation results show that by introducing three image classes and using fuzzy classifier optimized by a genetic algorithm the encoding process can be speedup by about 40% of an unclassified encoding system.     

Fractal image compression based on spatial correlation and hybrid genetic algorithm

In order to solve the high complexity of the conventional encoding scheme for fractal image compression, a spatial correlation hybrid genetic algorithm based on the characteristics of fractal and partitioned iterated function system (PIFS) is proposed in this paper. There are two stages for the algorithm: (1) Make use of spatial correlation in images for both range and domain pool to exploit local optima. (2) Adopt simulated annealing genetic algorithm (SAGA) to explore the global optima if the local optima are not satisfied. In order to avoid premature convergence, the algorithm adopt dyadic mutation operator to take place of the traditional one. Experiment results show that the algorithm convergent rapidly. At the premise of good quality of the reconstructed image, the algorithm saved the encoding time and obtained high compression ratio.