共查询到10条相似文献,搜索用时 15 毫秒
1.
应用自适应预测器排序的三阶预测高光谱图像无损压缩 总被引:4,自引:0,他引:4
针对图像校正引起的高光谱图像的数据相关性,本文基于三级谱间预测和后向像素搜素(IP3-BPS)两阶预测提出了一种应用自适应预测器排序的三阶预测高光谱图像无损压缩算法。首先,根据高光谱图像相邻波段的相关系数大小进行自适应波段分组。然后,对谱间相关系数大于0.9的分组,利用校正引起的数据相关性和高光谱图像波段缩放因子分别给出一种递归双向像素搜索和一种自适应预测器排序技术;新形成的三阶预测算法将递归双向像素搜索和后向像素搜索作为最后两阶预测的预测器,并自适应调整两者的排序以获得更优的预测值。对机载可见光/红外成像光谱仪(AVIRIS′97)高光谱图像进行压缩的实验结果表明,提出的算法的平均比特率达到3.85bpp,优于其它无损压缩算法0.07~1.28bpp。该算法在计算复杂度较低的情况下,是一种高效的高光谱图像无损压缩方法。 相似文献
2.
3.
自适应均衡器及其发展趋势 总被引:1,自引:0,他引:1
自适应均衡作为自适应信号处理的一个重要方面,已广泛用于通信、雷达、声纳、控制和生物医学工程等许多领域.介绍了自适应均衡器的发展历史之后,对各种自适应均衡器进行了分类讨论,分析了其优缺点,最后对自适应均衡的发展趋势做了展望. 相似文献
4.
语义分割为图像分配像素级稠密标签,对场景理解具有重要作用,是视觉研究核心任务之一,涉及自动驾驶、医学成像等实际应用.现有基于深度神经网络的图像语义分割方法的训练需要大量标记数据,这些数据的收集和标记成本高昂,这很大程度上限制了此类方法的实际应用.为解决此问题,这里使用成本较低的计算机生成并标记的逼真的合成数据训练深度神经网络.但真实图像与合成图像在分布域上存在的差异会降低模型性能,因此这里使用一种对抗学习方法来实现域的自适应,以解决上述问题.又因为语义分割的结构化输出描述了源域与目标域的空间相似性,所以这里选择在语义分割的输出空间上实现域自适应方法.在此基础上,这里又于不同级别的空间构建多级域自适应网络以提升模型性能. 相似文献
5.
《光学精密工程》2020,(7)
针对传统递归最小二乘预测器的预测精度与谱间相关程度存在较强相关性及其对预测顺序较为敏感的特点,提出一种基于自适应波段选择和最佳预测顺序的高光谱图像无损压缩方法。首先,为了提高参考波段与待预测波段间的谱间相关性,以最大谱间相关系数为准则进行波段重排预处理,接着引入自适应波段选择策略从已预测波段集中选出与待预测波段存在最高相关性的多个波段作为参考波段。然后,以最小预测残差熵为准则选出最佳预测顺序模式进行谱间预测。最后,采用算术编码器对预测残差进行熵编码。在AVIRIS 2006数据集上的实验结果显示,该方法在16位校正图像、16位未校正图像和12位未校正图像上分别取得了3.314,5.594和2.395 bpp的压缩效果。该方法在几乎不增加计算复杂度的情况下有效提高了传统递归最小二乘预测器的预测精度,其最佳压缩效果接近或优于其他同类方法。 相似文献
6.
基于内容的高光谱图像无损压缩 总被引:1,自引:1,他引:0
提出了一种基于内容的高光谱图像无损压缩算法.采用自适应波段选择算法对高光谱图像进行降维,引入G-means算法对降维后的光谱矢量进行无监督分类.利用单调后向排序算法确定波段的预测顺序,并根据相邻波段的相关系数大小进行自适应波段分组.针对每一类地物,选取类内部分像素进行最优预测系数的训练,采用多波段线性预测的方案去除同类像素的谱间相关性,预测残差进行JPEG-LS无损压缩.对机载可见光/红外成像光谱仪(AVIRIS)与实用型模块化成像光谱仪(OMIS)获取的高光谱图像分别进行实验,并与未进行分类预测的算法比较.结果显示,提出的算法的平均压缩比分别提高约0.11和0.7,验证了该算法在无损压缩方面的有效性. 相似文献
7.
8.
9.
用LCTF光谱技术提取甘蓝小菜蛾虫害叶片特征波段 总被引:2,自引:2,他引:0
利用由液晶可调滤波器(liquid crystal tunable filter,LCTF)和单色CCD相机组成的光谱成像系统对甘蓝正常叶片和遭受小菜蛾虫害甘蓝叶片的光谱特征进行分析,获取了430~720nm每隔5nm波段的灰度值信息,并采用自适应波段选择方法提取出了两种叶片的特征波段,通过欧氏距离聚类方法对所提取的特征波段进行聚类分析。结果表明甘蓝正常叶片在545nm、645nm、650nm、655nm波段具有较大光谱信息量,而虫害叶片在550nm、555nm、575nm、585nm、715nm波段有较大光谱信息量。因此,可以利用LCTF快速地检测出植物是否遭受虫害,为农业虫害检测提供了一种新方法。 相似文献
10.
针对面向对象的高光谱分类方法中分割参数设置问题,提出了一种基于区域增长技术的自适应高光谱分类算法。首先提出了带约束的区域增长方法,利用已知训练样本的空间信息,提供有效约束,从而降低区域增长过程中区域标记的错误传播率,以提高分类性能;其次,提出了自适应阈值计算方法,通过分析已知训练样本光谱的分布规律,自适应地计算出合理的区域划分阈值,从而代替经验阈值,提高算法的鲁棒性;最后,采用K近邻算法(KNN),对划分后各区域中心进行分类。实验结果表明:对于不同图像,提出的算法计算出的自适应阈值均与其经验值相符合,且其分类效果优于其他算法,来自AVIRIS传感器的高光谱数据Indian Pines在10%的已知训练样本下总体分类精度达92.94%、kappa系数达0.919 5,来自ROSIS传感器的高光谱数据Pavia University在5%的已知训练样本下总体分类精度达95.78%、kappa系数达0.944 0。该算法不仅增强了算法的鲁棒性,同时有效提高了分类性能,在高光谱应用中具有较强的实用性。 相似文献