基于整数小波和三维自适应的高光谱图像无损压缩算法

考虑到高光谱图像小波子图的谱间相关性,提出了一种新的基于整数小波的三维自适应预测高光谱图像无损压缩算法。首先用5/3整数小波将高光谱每个谱段图像做小波分解,对不同谱段的相同子带,设计一种新的线性预测器。用与待预测像素有较强相关性的相邻像素自适应地估计预测系数的值。消除了大部分的谱间冗余和空间冗余后,再用JPEG-LS进一步去除残差图像的空间冗余。实验表明,该算法能有效去除多光谱图像间的相关性,较其他压缩算法压缩比有很大提高,且算法简单,便于硬件实现。     

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。     

采用自适应波段分组的高光谱图像压缩算法

针对高光谱成像中海量数据对存储与传输造成的困难,提出一种结合自适应波段分组与码率预分配的高光谱图像压缩算法。算法采用基于吸引力传播聚类的方法进行自适应波段分组预处理,通过波段分组与预测参考帧的 选取来提高压缩算法的编码性能。对不同分组内的高光谱图像采用分段预测算法去除谱间冗余,同时根据预测残差信息量的大小对空间压缩算法进行自适应码率分配。实验结果表明,在保证图像质量与较低计算复杂度的前提下,其重建图像的峰值信噪比较对比算法有所提高。     

基于重组的DPCM和位平面编码的高光谱图像压缩方案

高光谱图像压缩技术是遥感数据存储和传输中的一个迫切需要解决的问题。高光谱图像的特点是存在着两类冗余：空间冗余和谱间冗余。高光谱图像的压缩要同时利用图像的空间冗余和谱间冗余。基于重组的DPCM和位平面编码的压缩方法，是通过重组的DPCM，去除帧间相关性，消除超光谱图像帧间的冗余；然后对残差图像的压缩采用基于小波变换和位平面编码技术，去除空间冗余。实验取得了令人满意的效果，证明了该算法的有效性和实用性。     

基于最佳线性预测器的高光谱图像无损压缩算法

针对高光谱遥感图像细节丰富纹理复杂，空间相关性弱，难于压缩的特点，本文充分利用了高光谱遥感图像的谱间相关性，设计出对相邻谱段进行预测并将预测残差均方降为最小的一种最佳线性预测器。最后利用整数小波变换，并结合SPIHT算法，有效的去除空间相关性。实验表明该算法可以收到良好的效果，优于3D—SPIHT算法和WINRAR压缩软件。     

基于波段分组的3D-SPIHT高光谱图像

波段间隔为纳米级的高光谱图像具有很强的谱间相关性,但不同频谱波段图像之间的相关性不同,本文提出了一种基于波段分组的3D-SPIHT(set partitioning in hierarchical trees)高光谱图像无损压缩方法.对高光谱图像按照谱段类型进行分组,接着通过3维整型小波变换,对图像组去除空间相关性和光谱维相关性,最后以3DSPIHT的空间方向树组织方式来进行编码,去除小波变换后子带间系数的冗余.实验结果表明,该方法能够有效地去除空间和谱间相关性,在算法复杂度和计算时间上较整体处理有一定优势,同时可获得较好的无损压缩结果.     

基于降低映射预测残差的高光谱图像压缩算法

CCSDS 123.0-B-1算法是空间数据系统咨询委员会为多/高光谱图像提出的自适应三维预测无损压缩标准,针对CCSDS 123.0-B-1算法中存在的未充分利用像素位置信息及谱间相关性、压缩率有待提高的问题,对该算法的预测器进行了优化,提出了RMPR算法。RMPR算法根据当前像元具体位置对预测点进行自适应选择,采用双向线性预测去除高光谱图像的谱间相关性,并使用优化的残差映射器提高预测精度、缩短压缩码长。利用10幅高光谱图像进行测试,结果表明,在保证无损压缩且压缩效率无显著差异的前提下,RMPR算法的压缩性能显著优于原算法。     

基于波段分组的3D-SPIHT高光谱图像无损压缩算法

波段间隔为纳米级的高光谱图像具有很强的谱间相关性，但不同频谱波段图像之间的相关性不同，本文提出了一种基于波段分组的3D—SPIHT(set partitioning in hierarchical trees)高光谱图像无损压缩方法。对高光谱图像按照谱段类型进行分组，接着通过3维整型小波变换，对图像组去除空间相关性和光谱维相关性，最后以3D—SPIHT的空间方向树组织方式来进行编码，去除小波变换后子带间系数的冗余。实验结果表明，该方法能够有效地去除空间和谱间相关性，在算法复杂度和计算时间上较整体处理有一定优势，同时可获得较好的无损压缩结果。     

基于神经网络的多光谱遥感图像无损压缩

分析并改进了利用自组织特征映射(SOFM)神经网络设计码书的方法,提出了一种基于改进SOFM算法设计码书的矢量量化和分类谱间预测相结合的多光谱图像无损压缩方法。该方法对光谱信息进行矢量量化,根据分类信息生成残差图像以去除数据的空间相关性,构造分类谱间预测器去除数据的谱间结构和统计相关性。对机载64波段多光谱遥感图像的试验结果表明,该方法无论是对训练集内图像还是训练集外图像,均取得了较好的压缩效果,平均无损压缩比达到3.2以上。     

一种有效的多波段遥感图像无损压缩方法

首先利用分类的方法,得到同一地物在不同波段的光谱反射特性,在此基础上构造谱间预测器,去除谱间相关性,再对残差图像采用S＋P变换去除空间相关性,然后,利用改进的分级树的集合划分（SPIHT）方法,实现遥感图像的高效无损编码,实验表明本方法取得满意的结果,显示了本方法在多波段遥感图像压缩中的潜力。     

波段排序的高光谱影像3维混合树编码方法

目的 高光谱影像压缩的关键技术是对空间维和光谱维的去相关性。根据高光谱影像数据结构的特点,如何有效去除其空间相关性与谱间相关性是高光谱影像压缩中至关重要的问题。对高光谱影像进行编码时,3维小波变换是极为有效的去除冗余的方法。因此提出了一种通过波段排序并结合3维混合树型结构对高光谱影像3维小波变换系数进行编码的算法。方法 首先,将高光谱影像按照自然波段顺序进行波段分组,并对每组影像进行相邻影像的谱间相关性统计;其次,对相关性较弱的波段组,建立以影像波段序号为顶点、影像相关性系数为边的完全图,对这个完全图求其最大汉密尔顿回路。按照求得的最大汉密尔顿回路顺序对该波段组进行重新排序,从而提高波段组的谱间相关性;在此基础上,对重新排序后的波段组进行3维小波变换,并通过3维混合树结构对3维小波变换系数进行零树编码。结果 通过对大量AVIRIS型高光谱影像数据的仿真实验,验证了本文方法的有效性。对相关性较低的波段组,加入排序算法后,其解码影像与未排序时比,峰值信噪比有了一定的提高。通过实验统计,算法平均用时2.7579s。结论 由于采用了对弱相关性波段组的重新排序机制,使得基于混合树结构的3维零树编码出现了更多有效的零树,在一定程度上提高了编码效率。通过实验统计算法用时,表明该方法以较小的时间代价获得了解码效果的提升。     

Hyperspectral band selection with objective image quality assessment

Hyperspectral sensors often collect hundreds of bands at a time, so hyperspectral images can accurately characterize different land-cover types with abundant spectral information. However, these spectral bands also contain redundant information that needs to be removed. Band selection is one of the most widely used methods to remove noised or redundant bands. Because labelled samples are difficult to collect, most band selection methods adopt unsupervised ways to select diverse and representative bands. Still, noised bands are often selected because they usually have low correlation with other bands. In this article, objective image quality assessment is introduced to indicate the quality of every band, and combined with the redundancy measure, a new unsupervised band selection method is proposed. Three real hyperspectral images are used to demonstrate the effectiveness of the proposed algorithm.     

DPCM编码在图像压缩中的应用

DPCM编码(差分脉冲编码调制)是一种线性预测编码,在二维图像中,由于相邻像素间的相关性很强,所以图像数据的冗余度都很大.对于瞬时斜率比较大和传输速度要求比较高的信号场合,为了使相邻像素间的相关性减小,通常采用DPCM编码技术对图像进行压缩.通过MATLAB仿真知,DPCM编码能有效地对图像进行压缩.     

基于3维上下文预测的高光谱图像无损压缩

如今高光谱数据的有效压缩已成为遥感技术发展中需要迫切解决的问题,为了对高光谱数据进行有效压缩,提出了一种基于3维上下文预测的高光谱图像无损压缩算法。该算法首先根据相邻波段间的相关性大小进行波段分组,同时对各个分组重新进行波段排序;然后采用自适应波段选择算法对高光谱图像进行降维,再利用k-means算法对降维后的波段谱向矢量进行聚类;最后在参考波段和当前波段中通过定义3维上下文预测结构,在聚类结果的基础上,对各个分类分别训练其最优的预测系数。实验结果表明,该方法可显著降低压缩后图像编码的平均比特率。     

Gray Wolf Optimizer for hyperspectral band selection

In this paper, we propose a new optimization-based framework to reduce the dimensionality of hyperspectral images. One of the most problems in hyperspectral image classification is the Hughes phenomenon caused by the irrelevant spectral bands and the high correlation between the adjacent bands. The problematic is how to find the relevant bands to classify the pixels of hyperspectral image without reducing the classification accuracy rate. We propose to reformulate the problem of band selection as a combinatorial problem by modeling an objective function based on class separability measures and the accuracy rate. We use the Gray Wolf Optimizer, which is a new meta-heuristic algorithm more efficient than Practical Swarm Optimization, Gravitational Search Algorithm, Differential Evolution, Evolutionary Programming and Evolution Strategy. The experimentations are performed on three widely used benchmark hyperspectral datasets. Comparisons with the state-of-the-art approaches are also conducted. The analysis of the results proves that the proposed approach can effectively investigate the spectral band selection problem and provides a high classification accuracy rate by using a few samples for training.     

多层次快速聚类的遥感图象无损压缩

由于K—means聚类要求每个像素要和所有聚类中心求欧氏距离，因此当聚类数很多时，这是一个相当耗时的工作。改进后的K—means聚类算法使类内像素只通过和相邻的聚类中心进行距离计算来聚类，由于随着算法的迭代进行，大量类的状态基本固定，因此使得聚类速度不断加快。多层次聚类无损压缩就是利用改进的K—means聚类算法具有快速收敛的特点，和利用分层次去冗余的方法来聚类，因此可最大限度消除残差冗余。基于SP整数小波变换的多层次聚类由于其不仅能消除空间冗余、结构冗余，还能进一步对残差数据去冗余，因而实现了多光谱遥感图象无损压缩的突破。最后通过不同算法对TM图象进行压缩的比较和参数分析，论证了多层次聚类无损压缩的高效及合理性。     

Extraction of spectral reflectance images from multi-spectral images by the HIS transformation model

The process is a completely closed system employing only image data, and it can be applied to any digital multi-spectral data set. A computer technique has been developed to produce spectral reflectance images from multi-spectral images. Hue, intensity and saturation (HIS) colour spatial transformation is used to compute the hue of a three-band colour composite image, and the image pixels with the same hue value are taken as a single material. The average brightness values of the pixels with the same hue are calculated for each band separately, and the distribution of the average values is taken as spectral reflectance image. This spectral reflectance image, which is essentially free of topographic modulation function, but includes spectral information, can be used in image classification, or other image processing. This technique has been successfully applied to recognize ore bearing rock in Inner Mongolia, China by Landsat TM images. The HIS transformation model is a new, very simple and practical technique. It is potentially useful for extracting spectral reflectance information and suppressing the terrain effect.     

基于可逆整数变换的无损水印新算法

无损(也叫可逆)水印主要用于数据(如图象)的完整性认证,其特点之一是当加水印图象没有被修改时,所嵌入的水印可以完整地从加水印图象中去除,从而可以在接收端无损地恢复出原始图象。本文提出一种新的基于可逆整数变换的无损水印算法,利用整数变换后图象象素对均值和差值之间所存在的冗余,嵌入认证信息。文献中已有的方法只利用了差值冗余,而我们的算法则进一步考虑了均值和差值的相关性。利用算术编码压缩由二者所得的相关位流,可以获得较大的存储空间和较高的加水印图象质量。