多光谱影像星上压缩方法探讨

在星地数据传输信道带宽有限的情况下,为提高星载影像数据的单轨下传量,科研人员已开展卫星影像数据星上压缩方法的研究工作。区别于全色影像的压缩,多光谱或高光谱影像的星上压缩不仅需要考虑诸如JPEG等基于空间相关性的压缩算法,还需要结合如PCA等基于谱间相关性的方法,从而在数据压缩过程中保证空间和光谱两方面的信息保真度。因此,本文将回顾目前基于空间变换和谱间变换,以及基于内容的遥感影像压缩方法。进一步针对常规性监测和灾害应急监测两种需求,在考虑星上数据预处理和智能处理的基础上,提出了一种多光谱或高光谱影像星上压缩的理论框架及其对应的地面数据处理流程。最后,本文指出了多光谱或高光谱影像星上压缩研究工作中需进一步探讨的若干技术问题。     

基于小波变换和形状-增益矢量量化的3维图像压缩

数据压缩是高光谱图像处理应用中的一个关键问题。为了对高光谱图像进行有效压缩，在2维小波变换的基础上，提出了一种分组矢量量化的高光谱图像有损压缩方案。该方案首先按照谱段类型对高光谱图像进行分组，然后对每个谱段分别进行2维小波变换，最后变换系数再使用一种Kronecker-Product形状-增益矢量量化方法来进行量化编码。计算机仿真结果证明．该算法在取得高压缩率的同时，不仅能很好地保持数据的谱特征，并能降低运算量。     

基于小波变换和矢量量化的人脸图象压缩

在图象的压缩编码中，矢量量化可以利用某特定类图象（加人脸）的统计特性，为了在高压缩比下获得较好的压缩效果，提出了一种新的小波变换域内进行矢量量化的算法，该算法用树结构表示小波变换域系数，并根据各节点值的重要程度，从每一棵树中提取一个矢量，然后进行矢量量化；解码时，为了使矢量分量能正确地返回到原来树中的正确位置，需利用EZW^[1]、SPIHT^[2]算法的思想标记这棵树，因为这样才能充分利用父子相关性和兄弟相关性，从而显著地减少了标记信息，在提取矢量时，可用简单的阈值剪枝算法，也可用SFQ^[3]的最佳剪枝算法，而且后者能进一步提高峰值信噪比，用该算法对人脸图象进行的压缩试验结果表明，在高压缩比（100:1左右）下，恢复的图象质量（视觉效果和峰值信噪比）比通常的小波压缩算法（如EZW，SPIHT、SFQ等）好得多，该算法特别适合于对特定类图象的压缩。     

基于四叉树分割的变维矢量量化图像压缩算法

传统的矢量量化压缩算法将图像分割为相同大小的编码块,该方法存在较多的冗余.为了提高矢量量化压缩算法的效率,提出一种基于四叉树分割的变维矢量量化图像压缩算法.首先对8×8的图像块进行编码,计算各图像块绝对误差之和,若大于预设的阈值,则将残差分为4等分再编码,重复该过程直到绝对误差之和小于预设的阈值或达到最小图像块.实验结果表明,相对于全搜索的矢量量化方法,在相同码率下,算法编码时间较短且重建图像质量较好.     

LBS中基于SVG的空间数据表达与压缩

针对位置服务系统中移动端矢量空间数据的有效组织问题,对现有方案进行比较和拓展,提出一套新的基于可伸缩矢量图形（SVG）的数据表达和压缩的系统解决方案,重点研究并解决了利用表达的精简和GZIP压缩相结合的改进方法实现数据压缩的关键技术。实验结果表明,SVG格式适用于位置服务中对空间数据的表达,且改进的压缩方式优于传统压缩算法,验证了技术方案的可行性。     

高光谱图像无损压缩的DSP优化实现

高光谱遥感技术是当前遥感领域的前沿技术之一,由于高光谱图像的数据量巨大,因此对其进行压缩具有十分重要的意义。基于TI公司的TMS320DM642高性能DSP芯片,采用JPEG-LS压缩算法实现了高光谱图像的无损压缩,并针对DSP硬件特点对算法进行了深入优化,使其达到了较高的压缩速度,从而为高光谱图像无损压缩技术在遥感平台上的实时性应用提供了可能。实验结果表明,优化后的运行效率平均提高了20倍以上,且与通用计算机相比也有明显的优势。     

基于EXCEL的高光谱影像光谱响应分析

高光谱遥感侧重于从光谱维角度对影像信息进行分析与处理。由于目前高光谱数据的处理技术跟不上数据获取技术,而已有的成熟的多光谱影像处理技术并不适合于处理高光谱数据,因此利用EXCEL软件展开了高光谱影像的地物光谱重建、光谱特征及其相关性分析、光谱微分计算、光谱向量相似性度量和信息提取等研究,并基于PHI（Pushbroom Hyperspectral Imager）航空高光谱影像像元光谱维矢量进行了光谱响应分析,实现信息监测和识别。     

基于样条的矢量数据多尺度表达与压缩算法

传统矢量曲线压缩算法不能解决曲线压缩后的平滑问题,并可能产生拓扑异化。为此,提出基于样条的矢量数据多尺度表达与压缩算法。选择样条的光滑因子作为阈值对曲线进行多尺度表达与压缩,保持压缩前后曲线的光滑特性,利用少量的控制点描述整条曲线,从而提高矢量曲线处理的速度和质量。实验结果表明,该算法仅需9个控制点就能逼近给定的一条原始曲线,验证了其高效性。     

基于插值矢量量化的地形金字塔纹理压缩

矢量量化因其压缩比大,解码简单效率高成为实时绘制系统中大规模纹理压缩主要使用的方法。文献[1]介绍的基于矢量量化方法针对纹理金字塔压缩取得了很大的成功。在此基础上使用一个特征值数据本,一个残差矢量码本和索引表对金字塔纹理的各层进行压缩,在保持实时性的同时提高了压缩比。使用了改进的SOFM码本生成算法,实验表明其码本质量优于传统的码本生成算法。     

一种面向移动用户的空间矢量数据压缩算法

针对迅速发展的面向移动的空间信息服务系统中的数据传输问题，基于第二代小波变换理论，提出了空间矢量数据的压缩算法，该算法对空间矢量数据进行不失真压缩，从而降低了传输的数据，提高了移动服务的速度和质量。     

The linear prediction vector quantization for hyperspectral image compression

Multimedia Tools and Applications - In this paper, a hyperspectral image compression method is proposed. It is based on spectral clustering, linear prediction and the vector quantization (VQ)....     

Medical image compression using topology-preserving neural networks

A novel method based on topology-preserving neural networks is used to implement vector quantization for medical image compression. The described method is an innovative image compression procedure, which differentiates itself from known systems in several ways. It can be applied to larger image blocks and represents better probability distribution estimation methods. A transformation-based operation is applied as part of the encoder on the block-decomposed image. The quantization process is performed by a “neural-gas” network which applied to vector quantization converges quickly to low distortion errors and reaches a distortion error lower than that resulting from Kohonen's feature map or the LBG algorithm. To study the efficiency of our algorithm, we blended mathematical phantom features into clinically proved cancer free mammograms. The influence of the neural compression method on the phantom features and the mammo-graphic image is not visually perceptible up to a high compression rate.     

一种结合波段分组特征和形态学特征的高光谱图像分类方法

如何准确识别图像中的类别信息,是计算机视觉和模式识别领域的重要研究问题。遥感卫星图像数据,尤其是高光谱等遥感图像数据的出现,将空间信息与光谱信息集成于同一数据集中,丰富了图像信息来源。如何准确地识别高光谱图像中的地物类别,已经成为了图像处理和模式识别领域的热点问题。面向高光谱图像数据提出了一种基于波段分组特征和形态学特征的高光谱图像分类方法,结合空间和光谱特征提高分类精度。通过真实的高光谱数据实验证明:利用波段分组可以有效地保持光谱特征,降低数据冗余;在波段分组基础上结合形态学特征进行分类,比传统分类方法的分类精度明显提高。     

An improved classification method for hyperspectral data based on spectral and morphological information

Combining spectral and morphological information to classify hyperspectral data offers a considerable advantage over methods based solely on spectral or morphological data. Previously, a classification method was proposed that concatenated extended morphological profile (EMP) and spectral information into one feature vector for each pixel of an image. Although this method has the merit of simultaneously using spectral and morphological information, it runs the risk of generating new spectral constituents (not present in the original image). In this letter, an improved classification method based on fusing extended multivariate morphological profile (EMMP) and spectral information was proposed. A new vector ordering method based on spectral purity-based criterion was adopted to overcome the problem of generating new constituents in EMP. A feature selection algorithm was employed to improve the efficiency of EMMP. Experiments were carried out on a hyperspectral data set collected by NASA's Airborne Visible-Infrared Imaging Spectrometer sensor. Experimental results showed that EMMP was effective at describing morphological information in hyperspectral data, and that this letter's method was superior to the previous method in terms of classification accuracy but inferior to the previous method in terms of time consumption.     

采用谱间预测的高光谱图像压缩方法研究

高光谱图像具有较高谱分辨率的优越性是以其较大的数据量及较高的数据维为代价的,因此有必要研究有效的高光谱图像压缩方法。探讨一种基于谱间预测的高光谱图像压缩方案。考虑到高光谱图像谱间相关性随分辨率的提高而增强,推导出由多个波段对当前波段进行线性预测的预测器系数求解算法,提出了一种参考波段优化选取方法。实验结果表明,该方法能获得较低的最小均方误差,运算速度快,具有实用价值。     

一种基于网格编码量化的高光谱图像无损压缩方法

由于遥感图像的数据量非常庞大,给有限的存储空间和传输带宽带来很大的压力,同时,由于高光谱图像获取代价昂贵,具有广泛的应用领域,且压缩时一般不能丢失任何信息,即要求无损压缩,因此没有有效的压缩方法,高光谱图像的普及应用将受到极大的限制.网格编码量化（TCQ）借鉴了网格编码调制（TCM）中信号集合扩展、信号集合划分和网格状态转移的思想,其虽具有良好的均方误差（MSE）性能,而且计算复杂度适中,但目前TCQ主要被应用于图像的有损压缩,为了对高光谱图像进行有效的无损压缩,通过将TCQ引入高光谱图像的无损压缩,并根据高光谱图像的特点,提出了一种基于小波变换和TCQ的高光谱图像无损压缩方法.实验结果表明,与JPEG2000和JPEG-LS中无损压缩算法相比,该算法对高光谱图像具有更好的压缩性能.     

基于分形理论的高光谱图像压缩算法的研究

高光谱图像是由成像光谱仪在不同光谱波段获得的序列图像,在二维遥感图像的基础上又增加了光谱维的信息。与传统的遥感数据源相比,高光谱数据同时具有空间冗余和谱间冗余的特点。该文在分形理论的基础上,利用分形压缩编码的高压缩比特性,并针对高光谱图像的特点,将分形理论和高光谱图像相结合,设计了一个三维分形压缩编码算法,在去除图像空间相关性的同时,去除了波段图像之间的相关性。     

Feature extraction method based on spectral dimensional edge preservation filtering for hyperspectral image classification

ABSTRACT

A large amount of spectral and spatial information contained in hyperspectral imagery has provided a great opportunity to effectively characterize and identify the surface materials of interest. Feature extraction plays a very important role for hyperspectral data classification, which can reduce noise from the original data and improve the separability of land classes. A novel feature extraction technique based on spectral dimensional edge preserving filter is proposed in this paper. A series of Gaussian filters are applied in the spatial domain of the hyperspectral image to produce the guidance image, then, the edge preserving filter which is guided by the guidance image is adopted and applied in the spectral domain of the hyperspectral data to get the feature. For the feature is produced by filtering in the spectral domain, the spectral curves of the feature are more continues, which avoids the spectral discontinuity problems result from the traditional two-dimensional spatial filter. The guidance image is obtained by filtering the original image in the spatial domain, so, the spatial and the spectral information are integrated together in the following spectral edge preserving filtering process. We carefully adjusted the parameters of the filter and applied it to different real hyperspectral remote sensing images, with the support vector machine, multinomial logistic regression, and random forest serving as the classifier, by comparing with other feature extraction methods presented in recent literature, the results indicate that the proposed methodology always has a great performance in different kinds of cases.     

截断核范数和全变差正则化高光谱图像复原

目的 高光谱图像距具有较高的光谱分辨率,从而具备区分诊断性光谱特征地物的能力,但高光谱数据经常会受到如环境、设备等各种因素的干扰,导致数据污染,严重影响高光谱数据在应用中的精度和可信度。方法 根据高光谱图像光谱维度特征值大小与所包含信息的关系,利用截断核范数最小化方法表示光谱低秩先验,从而有效抑制稀疏噪声;再利用高光谱图像的空间稀疏先验建立正则化模型,达到去除高密度噪声的目的;最终,结合上述两种模型的优势,构建截断核范数全变差正则化模型去除高斯噪声、稀疏噪声及其他混合噪声等。结果 将本文与其他三种近期发表的主流去噪方法进行对比,模型平均峰信噪比提高3.20 dB,平均结构相似数值指标提高0.22,并可以应用到包含各种噪声、不同尺寸的图像,其模型平均峰信噪比提高1.33 dB。结论 本文方法在光谱低秩中更加准确地表示了观测数据的先验特征,利用高光谱遥感数据的空间和低秩先验信息,能够对含有高密度噪声以及稀疏异常值的图像进行复原。     

谐波能量谱特征向量的高光谱影像Bayes分类

摘要：对于高光谱影像存在高维非线性、数据冗余多、纯训练样本难以提取等不足,本文引入频率域空间的谐波分析（Harmonic Analysis,HA）理论并提出了一种高光谱影像的HA-Bayes监督分类方法。该方法在保持高光谱数据空-谱特性不变的情况下,从光谱维角度分析不同分解层的影像光谱谐波特征,将高光谱影像变换成由谐波能量谱组成的频率域特征矢量信息。通过建立谐波能量谱特征向量的先验知识,实现Bayes准则下谐波能量谱特征矢量信息判别与分类,最终实现高光谱影像分类。将此方法应用到ROSIS高光谱影像分类时获得的分类总体精度达85.5%,Kappa系数也达到了0.812。进一步实验也证明频率域的谐波分析在高光谱遥感影像特征提取与分类方面具有更好的优势和潜力。