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。     

谐波分析光谱角制图高光谱影像分类

目的 针对光谱角制图(SAM)分类算法对高光谱像元光谱曲线的局部特征和其辐射强度不敏感,而且易受噪声和维数灾难影响,致使分类效率低和精度较差等缺陷,将谐波分析(HA)技术引入到SAM高光谱影像分类中,提出一种基于谐波分析的光谱角制图(HA-SAM)高光谱影像分类算法.方法 利用HA技术将高光谱影像从光谱维变换到能量谱特征维空间,并提取低次谐波分量及特征系数(谐波余项、相位和振幅),用特征系数组成的向量代替光谱向量,对高光谱影像进行SAM分类.结果 将SAM和HA-SAM同时应用于EO-1卫星的Hyperion高光谱影像分类,通过对比和分析,验证了HA-SAM的优越性,再选择AVIRIS(airborne visible infrared imaging spectrometer)高光谱影像对HA-SAM进行验证,结果表明该算法具有较强的普适性.结论 HA-SAM提高了传统SAM高光谱影像分类的效率和精度,而且适用性较强具有良好的应用前景.     

高光谱图像低秩表达与噪声水平估计

目的 高光谱遥感图像常存在多种不同程度的退化,进而影响到后续的应用,因此,对高光谱图像进行噪声水平估计具有重要意义。在实际情况中,不同波段的图像噪声水平常有所差异,需要针对不同谱通道的特性差异进行噪声估计。因此,本文提出一种基于低秩表达的噪声水平估计算法。方法 该算法首先利用多波段图像间的光谱相关性,建立高光谱数据的低秩表达模型;再通过该模型对各波段的噪声及其水平进行估计,并根据需要检测并剔除被噪声淹没的无效波段。结果 在多组高光谱数据上进行模拟和真实实验,证明本文算法能够准确估计高光谱图像的谱通道噪声水平。结论 本文算法挖掘了低秩表达在高光谱应用中的特性,在利用波段间相关性进行全局处理的同时,也能保留波段间的差异,具有较强的鲁棒性;在合适的阈值范围内,无效波段的漏检率低至0,准确率高于80%。     

小波包信息熵特征矢量光谱角高光谱影像分类

目的 针对高光谱数据波段多、数据存在冗余的特点,将小波包信息熵特征引入到高光谱遥感分类中。方法 通过对光谱曲线进行小波包分解变换,定义了小波包信息熵特征矢量光谱角分类方法(WPE-SAM),基于USGS光谱库中4种矿物光谱数据的分析表明,WPE-SAM可增大类间地物的可区分性。在特征矢量空间对Salina高光谱影像进行分类计算,并讨论了小波包最佳分解层的确定,分析了WPE-SAM与光谱角制图(SAM)方法的分类精度。结果 Salina数据实例计算表明：小波包信息熵矢量能较好地描述原始光谱特征,WPE-SAM分类方法可行,总体分类精度(OA)由SAM的78.62%提高到WPE-SAM的78.66%,Kappa系数由0.769 0增加到0.769 5,平均分类精度(AA)由83.14%提高到84.18%。此外,通过Pavia数据验证了WPE-SAM分类方法具有较强的普适性。结论 小波包信息熵特征可较好地表示原始光谱波峰、波谷等特征信息,定义的小波包信息熵特征矢量光谱角分类方法(WPE-SAM)可增大类间地物可区分性,有利于分类。实验结果表明,WPE-SAM分类方法技术可行,总体精度及Kappa系数较SAM有一定的提高,且有较强的普适性。但WPE-SAM方法精度与效率有待进一步提高。     

整型小波变换应用于遥感图像无损压缩

基于“提升”(Lifting)算法实现整型小波变换(IWT),然后将图像变换到小波域,用零树编码 和算术编码相结合的方式对图像进行无损压缩,并针对遥感图像波段之间的相关性进行了谱间预 测。最后进行了一些相关实验,实验证明将IWT应用于遥感图像无损压缩是有效的。     

融合波段特征的多光谱遥感影像感知哈希认证算法

目的 多光谱遥感影像的完整性、真实性等安全问题逐步受到人们的关注,但是,传统认证技术更多地关注数据载体的认证,其不能满足多光谱遥感影像的认证需求。针对多光谱遥感影像的数据特点,提出一种融合波段感知特征的多光谱遥感影像感知哈希认证算法。方法 首先,采用隐形格网划分将多光谱影像的各个波段划分成不同的区域;然后,采用离散小波变换对各波段相同地理位置的格网单元进行分解,并分别采用不同的融合规则对小波变换后的不同分量进行融合;最后,通过Canny算子与奇异值分解提取融合结果的感知特征,再对提取的感知特征进行归一化,最终生成影像的感知哈希序列。多光谱影像的认证过程通过精确匹配感知哈希序列来实现。结果 本文算法采用Landsat TM影像和高分二号卫星的融合影像数据为实验对象,从摘要性、可区分行、鲁棒性、算法运行效率以及安全性等方面进行测试与分析。结果表明,该算法只需要32字节的认证信息就能够实现多光谱遥感影像的认证,摘要性有了较大提高,且算法运行效率提高约1倍;同时,该算法可以有效检测影像的恶意篡改,并对无损压缩和LSB水印嵌入保持近乎100%的鲁棒性。结论 本文算法克服了现有技术在摘要性、算法运行效率等方面不足,而且有较好的可区分性、鲁棒性,能够用于多光谱遥感影像的完整性认证,尤其适合对摘要性要求较高的环境。     

一种基于3维SPECK编码的超光谱图像压缩算法

提出一种针对超光谱图像压缩的基于小波变换的、嵌入式的3维块分割编码算法。通过3维小波变换,将超光谱图像的空间冗余和谱间冗余同时去除。针对变换域内的小波系数,将集合分割嵌入式块SPECK编码算法扩展为3维,构造一种3维SPECK编码算法,对小波系数进行量化编码。实验证明,3维SPECK编码算法具有良好的率失真性能,其压缩效果优于采用SPECK方法对每一波段图像做压缩编码的效果,并具有计算复杂度低和嵌入式的特性。     

混合编码差分进化粒子群算法及多示例学习的高光谱影像降维与分类

目的 高光谱遥感影像由于其巨大的波段数直接导致信息的高冗余和数据处理的复杂,这不仅带来庞大的计算量,而且会损害分类精度。因此,在对高光谱影像进行处理、分析之前进行降维变得非常必要。分类作为一种重要的获取信息的手段,现有的基于像素点和图斑对象特征辨识地物种类的方法在强噪声干扰训练样本条件下精度偏低,在对象的基础上,将光谱和空间特征相似的对象合并成比其还要大的集合,再按照各个集合的光谱和空间特征进行分类,则不容易受到噪声等因素的干扰。方法 提出混合编码差分进化粒子群算法的双种群搜索策略进行降维,基于支持向量机的多示例学习算法作为分类方法,构建封装型降维与分类模型。结果 采用AVIRIS影像进行实验,本文算法相比其他相近的分类方法能获得更高的分类精度,达到96.03%,比其他相近方法中最优的像元级的混合编码的分类方法精度高出0.62%。结论 在针对强干扰的训练样本条件下,本文算法在降维过程中充分发挥混合编码差分进化算法的优势,分类中训练样本中的噪声可以看做多示例学习中训练包"歧义性"的特定表现形式,有效提高了分类的精度。     

局部特征点的3维模型变换域水印算法

目的 为进一步提高变换域水印的鲁棒性,解决多分辨率小波变换对三角形网格形状的限制,提出一种基于局部特征点的变换域水印算法。方法 首先根据经度角和纬度角对模型分区,并求出局部特征点;其次由局部特征点的模长与非局部特征点模长的均值构成的比值组成2维矩阵,对2维矩阵进行离散小波变换,并修改小波系数中的各分辨率层的中高频系数来嵌入水印;最后通过逆向离散小波变换得到空域信号,修改3维模型局部特征点的模长以得到含水印的3维网格模型。结果 本文方法能够不受平移、旋转、均匀缩放和顶点重排序的影响,并能有效抵抗噪声、简化、剪切、细分、量化和联合攻击等一系列的常见攻击。结论 实验结果表明,该算法具有很好的鲁棒性和不可见性,对模型的网格形状无严格要求。     

Efficient compression algorithm for hyperspectral images based on correlation coefficients adaptive 3D zerotree coding

The authors propose an efficient compression algorithm for hyperspectral images, which is based on the correlation coefficients adaptive asymmetric tree three-dimensional (3D) set partitioning in hierarchical trees (AT-3DSPIHT) coding of the asymmetric 3D wavelet transform (A3D-DWT) coefficients. According to the characteristics of the correlation coefficients between adjacent spectral bands, a binary tree spectral band grouping algorithm is carried out to divide the adjacent spectral bands into different mode groups. Along with this, an appropriate A3D-DWT with the corresponding decomposition levels and a proper AT-3D zerotree are determined adaptively. Several airborne visible/infrared imaging spectrometer images are used to evaluate the proposed algorithm. Compared with the state-of-the-art 3D-DWT based algorithms, the proposed adaptive AT-3DSPIHT achieves the best compression performance at lower bit rates. Moreover, at the low correlated adjacent bands, the proposed algorithm also outperforms the 2DSPIHT algorithm.     

超光谱图像的三维小波嵌入零块压缩编码

超光谱图像作为一种三维图像,其海量的数据导致在有限带宽信道上传输和存储非常困难,必须对它进行有效的压缩编码.提出了一种基于非对称三维小波变换(3D wavelet transform,简称3DWT)和三维集合块分裂的超光谱遥感图像压缩方法.因为大多数超光谱图像在各个方向上具有非对称的统计特性,所以利用非对称三维小波变换去除图像的谱间和空间冗余.与传统的对称三维小波变换相比,非对称的三维小波变换能够更有效地去除相邻谱段间的冗余.提出了一种改进的3DSPECK(3D set partitioning embedded block)算法--非对称三维集合分裂块算法(asymmetric transform 3DSPECK,简称AT-3DSPECK),并被用于编码变换后的系数.根据变换系数的能量分布特点,三维零块分裂和三维octave子带分裂方法被有效地结合在所提出的AT-3DSPECK算法中.为了优化率失真和加速编码速度,也给出了一种零块优化排序的快速算法.实验测试表明:AT-3DSPECK算法的平均PSNR(peak signal to noise ratio)分别比AT-3DSPIHT(asymmetric transform 3D set partitioning in hierarchical trees)和3DSPECK算法高0.4dB和1.4dB.此外,AT-3DSPECK还具有比零树算法更快的编码速度.     

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。     

基于谱图小波变换的图像压缩编码方法

针对小波变换图像压缩编码方法在高压缩比下得到的重构图像质量往往较差的问题,提出了一种基于谱图小波变换的编码方法.该方法首先将图像转化成图,利用谱图小波变换分解图得到谱图小波系数,这些系数的能量随着尺度的增加而衰减,然后根据谱图小波系数的特性对SPECK算法进行改进,最后对谱图小波系数进行量化,利用改进的SPECK算法对量化后的系数进行压缩编码,并在图像数据量压缩的同时从稀疏系数中恢复原始图像.实验结果表明,该编码方法对自然图像的压缩具有高效性,相比小波变换的压缩方法,重建图像的PSNR有所提高且变化平稳,与此同时还得到更大的压缩比.     

PCA与移动窗小波变换的高光谱决策融合分类

目的 高光谱数据具有较高的谱间分辨率和相关性,给分类处理带来了一定的困难.为了提高分类精度,提出一种结合PCA与移动窗小波变换的高光谱决策融合分类算法.方法 首先,利用相关系数矩阵对原始高光谱数据进行波段分组;然后,利用主成分分析对每组数据进行谱间降维;再根据提出的移动窗小波变换法进行空间特征提取;最后,采用线性意见池(LOP)决策融合规则对多分类器的分类结果进行融合.结果 采用两组来自不同传感器的数据进行实验,所提算法的分类精度和Kappa系数均高于已有的5种分类算法.与SVM-RBF算法相比,本文算法的分类精度高出了8％左右.结论 实验结果表明,本文算法充分挖掘了高光谱图像的谱间-空间信息,能有效提高分类正确率,在小样本情况下和噪声环境中也具有良好的分类性能.     

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。     

一种基于形态小波的遥感影像压缩编码算法

与一般图像不同,由于遥感影像具有纹理复杂、局部相关性较弱的特点,而且影像经过小波变换后系数的空间聚类特性较明显,因此遥感影像压缩具有一定的特殊性,可是目前大多数基于小波的压缩编码算法都没有考虑小波系数的空间聚类特性,为了进一步提高编码效率,提出了一种基于形态小波的遥感影像压缩算法。该算法首先对遥感影像进行多尺度快速小波变换,然后依据遥感影像的小波能量聚类特性,采用一种形态膨胀编码算法来实现遥感影像的高效压缩编码。试验结果表明,对一般遥感图像,该算法在高倍率压缩的情况下要优于目前的JPEG2000算法;而且对多波段的遥感影像,该算法也取得了较好的压缩效果。     

基于信噪比估计的波段选择与高光谱异常检测

有效的波段选择方法可以极大地提高高光谱图像处理速度的同时改善处理效果。为了自动判断低信噪比波段,提出了一种基于小波变换的图像信噪比估计(SNR estimation,SNRE)方法,利用小波变换后对角方向上的高频成分估计噪声方差并计算信噪比。将该方法分别结合基于方差和相关系数(V_COR)的最优索引指数、最大信息量(MI)、高阶矩(偏度或峰度)结合信息散度(K3_KL)等3种基于信息量的波段选择方法后选择波段。将这些改进后的波段选择方法应用于高光谱异常检测。实验结果表明SNRE预选波段结合MI和K3_KL选择波段用于异常检测能进一步提高检测精度。     

分段2维主成分分析的超光谱图像波段选择

目的 超光谱图像具有极高的谱间分辨率,巨大的数据量给分类识别等后续处理带来很大压力。为了有效降低图像数据维数,提出基于分段2DPCA的超光谱图像波段选择算法。方法 首先根据谱间相关性对原始图像进行波段分组,然后根据主成分反映每个光谱波段的信息比重分别对每组图像进行波段选择,从而实现超光谱图像的谱间降维。结果 该算法有效降低了超光谱图像的光谱维数,选择的波段明显反映出不同地物像元矢量的区别。结论 实验结果表明,该波段选择算法相对传统算法速度更快,并且较好地保留了原始图像的局部重要信息,对后续处理有积极意义。     

Hyperspectral image classification using graph-based wavelet transform

ABSTRACT

Graph-based methods are developed to efficiently extract data information. In particular, these methods are adopted for high-dimensional data classification by exploiting information residing on weighted graphs. In this paper, we propose a new hyperspectral texture classifier based on graph-based wavelet transform. This recent graph transform allows extracting textural features from a constructed weighted graph using sparse representative pixels of hyperspectral image. Different measurements of spectral similarity between representative pixels are tested to decorrelate close pixels and improve the classification precision. To achieve the hyperspectral texture classification, Support Vector Machine is applied on spectral graph wavelet coefficients. Experimental results obtained by applying the proposed approach on Airborne Visible/Infrared Imaging Spectrometer (AVIRIS) and Reflective Optics System Imaging Spectrometer (ROSIS) datasets provide good accuracy which could exceed 98.7%. Compared to other famous classification methods as conventional deep learning-based methods, the proposed method achieves better classification performance. Results have shown the effectiveness of the method in terms of robustness and accuracy.