基于可逆整数DCT的遥感图像的无损压缩

通过程序设计实现了基于整数DCT的无损压缩算法，适用于遥感图像压缩。该算法对遥感图像进行整数DCT无损变换，用算术编码对变换系数进行了压缩。测试结果证明，相比于现有的基于DCT的无损压缩算法，压缩率有了一定的降低，对于遥感图像的压缩效果要好于普通无损压缩算法，可以在同一个系统中同时实现图像的无损/有损压缩，有一定的实用价值。     

用改进的SPIHT算法实现遥感图像压缩

遥感图像纹理复杂,采用传统的SPIHT算法进行图像压缩编码存在运算量大、效率低、压缩率不高,压缩后仍有很大的编码冗余等缺陷。根据遥感图像小波变换后系数的特点改进算法,对高低频分量采用不同的编码方法,且对SPIHT算法的运算流程进行改进,得到一种更有效的编码方法。通过实验仿真证明,该算法各方面的性能均明显优于原算法。     

ECW压缩技术在高分辨率遥感图像压缩与分发中的应用

在遥感数字化图像分发与处理中，普通城市的高分辨率遥感镶嵌图超过几十GB的数据量，超大的数据量给图像数据的浏览和网络发布带来了时间和网络资源上的巨大损失。ECW压缩技术作为一种基于小波的图像压缩开放标准，提供了最先进的大型/超大型图像压缩技术。对ECW压缩技术进行研究，并利用其提供的开放压缩库(SDK)开发遥感图像压缩专用程序，配合遥感图像的网络服务（IWS），提出了一种新的影像发布和浏览体系结构，并实现了其原型系统，在城市QuickBird遥感图像压缩以及分发上得到了一定的应用。
     

基于Nios II软核的遥感图像实时压缩系统

针对在空间遥感探测领域,大量遥感图像传输和对图像实时处理的需求,提出一种基于Nios II 软核的遥感图像实时压缩系统的设计方法.该方法基于先进的JPEG2000图像压缩标准,使用专用协议芯片,结合嵌入式处理器和可编程逻辑器件,搭建了硬件压缩系统,并在基于Nios II软核的遥感图像实时压缩系统工控机终端建立软件解码单元,实现了大量遥感数据的实时传输压缩与解码显示.测试证明,该遥感图像压缩系统能够实时连续压缩数据,图像压缩效果达到应用要求.通过测试结果分析,并结合具体的工程任务,指出了该图像压缩系统下一步的改进方向.     

基于上下文的分块图像联合压缩加密算法

为了研究图像压缩与加密同步进行及提高安全性问题, 提出了一种基于改进零树结构的分块图像联合压缩加密算法, 将图像对应不同分块区域映射到相应子带中。利用密钥对图像压缩产生的原始上下文进行修正, 然后与判决一起送往自适应算术编码器实现图像联合压缩加密。由于自适应算术编码的概率跳转规律复杂, 相对概率固定的区间分裂算术编码安全性更好。对所提出的算法进行仿真, 结果表明：与原始图像压缩算法相比较, 所提出的算法具有基本相当的压缩效率; 而采用的图像分块方法能够灵活地控制不同区域图像的相对质量及更好地实现信息安全防护; 使用不同的密钥可以进行分块加密, 实现了对重要信息的隐私和机密保护。     

一种二值图像的有损压缩方法

目前，二值图像压缩主要采用无损压缩方式，压缩倍数低，文中针对表格图像，将其划分为线条图区域，文本图区域和半色调图区域，并对各区域采用不同的编码方法。解码时也采用不同的解码方法，然后将数据进行合并，实验证明该方法可以得到相当不错的压缩效果。     

JPEG2000遥感图像实时压缩系统

随着遥感技术发展,传输型空间飞行器系统中传输大量遥感数据的需求日益增加,对图像压缩处理能力提出了更高的要求,而现今相对落后的遥感图像压缩设备与海量数据压缩需求形成了矛盾.为解决这一问题,该文提出了一种遥感图像实时压缩系统的设计实现方法.此方法基于先进的JPEG2000图像压缩标准,使用专用协议芯片,结合高速的CompactPCI内部总线和可编程逻辑芯片,搭建了硬件压缩系统,并在工控机终端建立软件解码单元,实现了大量遥感数据的实时传输压缩与解码显示,提供了实验结果,并针对实验图像数据,给出了适合于遥感图像压缩的参数设置情况.测试证明,该遥感图像压缩系统能够实时连续压缩数据,图像压缩效果达到应用要求.     

一种遥感图像多级感兴趣区域的压缩方法

感兴趣区域(ROI)编码技术具有在不丢失重要信息的同时又有效地压缩了数据量的特点,非常适用于遥感图像的压缩.提出一种遥感图像多级感兴趣区域的压缩方法,以边缘梯度方向为图像分割的准则,利用了遥感图像纹理信息丰富的特点,通过提取图像的边缘区域和纹理区域,得到较好的分割效果;然后采用通用部分位平面偏移方法(GPBShift)进行位平面编码,对所得数据进行SPIHT编码得到最终的压缩结果.仿真结果证明,在相同的压缩比下,可以使感兴趣区域得到更好的恢复质量.从而使全图获得更好的恢复效果,而且,恢复后图像也更符合人眼视觉特性.     

以大小为准绳 看得见的图像压缩

许多软件都具有图像压缩功能,RIOT(下载地址:http://work.newhua.com/cfan/200921/riot.rar)这款软件能把图像压缩后的文件大小、压缩率、质量等变成我们可以看得见的一些数据。依次单击文件→打开,载入图像文件,如图所示,左侧窗口显示原始图像,右侧窗口为压缩后的图像预览,向左拖动品质滑块可以降低图像品质来压缩图像,在预览窗口下方,可以看到压缩后图像的大小,滑块右侧则显示了图像的压缩比。     

多尺度显著区域检测图像压缩

目的 为了解决利用显著区域进行图像压缩已有方法中存在的对多目标的图像内容不能有效感知,从而影响重建图像的质量问题,提出一种基于多尺度深度特征显著区域检测图像压缩方法。方法 利用改进的卷积神经网络（CNNs）,进行多尺度图像深度特征检测,得到不同尺度显著区域;然后根据输入图像尺寸自适应调整显著区域图的尺寸,同时引入高斯函数,对显著区域进行滤波,得到多尺度融合显著区域;最后结合编码压缩技术,对显著区域实行近无损压缩,非显著区域利用有损编码技术进行有损压缩,完成图像的压缩和重建工作。结果 提出的图像压缩方法较JPEG压缩方法,编码码率为0.39 bit/像素左右时,在数据集Kodak PhotoCD上,峰值信噪比（PSNR）提高了2.23 dB,结构相似性（SSIM）提高了0.024;在数据集Pascal Voc上,PSNR和SSIM两个指标分别提高了1.63 dB和0.039。同时,将提出的多尺度特征显著区域方法结合多级树集合分裂（SPIHT）和游程编码（RLE）压缩技术,在Kodak数据集上,PSNR分别提高了1.85 dB、1.98 dB,SSIM分别提高了0.006、0.023。结论 提出的利用多尺度深度特征进行图像压缩方法得到了较传统编码技术更好的结果,该方法通过有效地进行图像内容的感知,使得在图像压缩过程中,减少了图像内容损失,从而提高了压缩后重建图像的质量。     

基于视觉注意机制的遥感图像显著性目标检测

显著性目标检测是遥感图像处理的重要研究领域,传统的方法通过逐个像素点的计算来实现目标检测,难以满足遥感图像大面积实时处理的要求。将视觉注意机制应用到遥感图像的显著性目标检测中,在训练阶段,将所有的目标融合成目标类,所有的背景融合成背景类,目标类的显著性均值与背景类的显著性均值的比值得到一个权重向量;在检测阶段,所有的特征图乘以权重向量得到自顶向下的显著性图;自顶向下和自底向上的显著性图融合生成全局显著性图。实验结果表明当目标和背景不是总成对出现时,该方法的检测结果优于Navalpakkam模型和Frintrop模型的检测结果。     

High-resolution image compression algorithms in remote sensing imaging

Digital image processing (DIP) has great application values in many fields, especially in remote sensing image processing, which represents the acquisition, enhancement, analysis, encoding, transmission, and storage of remote sensing images. With the development of chip technology and parallel computing technology, various digital image processing technologies have been successfully applied to satellite applications to help researchers exploit reliable information from remote-sensing images. However, the huge amount of images generated by ultra-high resolution optical remote sensing satellites put great pressure on existing transmission, storage, and processing technologies. Therefore, this paper proposes a spatio-temporal compression pipeline for remote sensing images based on lossy compression methods with ultra-high compression ratios to reduce the overhead required for the transmission and storage of remote sensing images while maintaining the quality of the compressed images. The experimental results show that the proposed method outperforms the classical image compression such as JPEG-2000.     

基于直线和区域显著性融合机制的机场检测

针对遥感图像数据量大和现有机场检测方法存在的不足，提出了一种去除重复模式，融合直线显著性和区域显著性的机场检测方法。首先利用改进的基于超复数傅里叶变换的显著性模型，去除遥感图像中的重复模式，减少后续数据处理量；然后根据跑道平行长直线特性和机场与周围环境的差异性，计算基于直线和基于区域的显著图，并进行融合；最后结合跑道宽度确定候选区，通过深度卷积神经网络和支持向量机进行特征提取和识别。实验证明所提算法对机场定位更加准确，具有识别率高、虚警率低、速度快的特点。     

一种结合显著性检测和超像素分割的遥感信息提取算法研究*

针对目前显著性检测算法在复杂多目标遥感图像中检测能力不足问题,提出一种结合显著性检测和超像素分割的遥感信息提取算法。该算法首先通过Graph-based Visual Saliency(GBVS)方法检测出原始影像中部分显著性较高的区域,然后利用Simple Linear Iterative Clustering(SLIC)方法分割显著区域,并修正显著区域边缘得到训练样本数据,进一步对训练样本进行统计学习,构造显著目标提取的阈值区间,最后实现对整幅超像素图像的显著目标提取。实验结果表明,该算法具有较高的准确率和召回率,能更加有效地检测出遥感图像中的显著目标,比目前主流的显著区域检测算法提取效果更好,可以很好地应用于具有明显显著区域的复杂多目标遥感图像信息提取中。     

尺度自适应的SAR图像显著性检测方法

人类视觉系统能够通过对场景中感兴趣的不同事物进行显著性检测,有效地配置处理资源。基于视觉注意机制的显著性检测方法能够简化遥感影像场景分析、目标解译的复杂程度,节省处理资源。以视觉注意机制为基础,提出了一种尺度自适应的SAR图像显著性检测方法,通过不同尺度下的局部复杂度和自差异性来度量图像的显著性测度,设计显著性尺度确定算法以及融合显著性尺度和显著性测度以生成显著图,完成显著性检测的流程。实验结果表明该方法能够有效应用于SAR图像显著性检测,较之其他主流显著区域检测算法更适用于SAR图像场景分析。     

Pan-sharpening based on common saliency feature analysis and multiscale spatial information extraction for multiple remote sensing images

ABSTRACT

The requirements of spectral and spatial quality differ from region to region in remote sensing images. The employment of saliency in pan-sharpening methods is an effective approach to fulfil this kind of demands. Common saliency feature analysis, which considers the mutual information between multiple images, can ensure the consistency and accuracy when assigning saliency to regions in different images. Thus, we propose a pan-sharpening method based on common saliency feature analysis and multiscale spatial information extraction for multiple remote sensing images. Firstly, we extract spatial information by the guided filter and accurate intensity component estimation. Then, a common saliency feature analysis method based on global contrast calculation and intensity feature extraction is designed to obtain preliminary pixel-wise saliency estimation, which is subsequently integrated with text-featured based compensation to generate adaptive injection gains. The introduction of common saliency feature analysis guarantees that the same pan-sharpening strategy will be applied to regions with similar features in multiple images. Finally, the injection gains are used to implement the detail injection. Our proposal satisfies diverse needs of spatial and spectral information for different regions in the single image and guarantees that regions with similar features in different images are treated consistently in the process of pan-sharpening. Both visual and quantitative results demonstrate that our method has better performance in guaranteeing consistency in multiple images, improving spatial quality and preserving spectral fidelity.     

面向遥感影像的JPEG2000优化压缩算法

在常规的JPEG2000压缩框架下,提出一种面向遥感影像的JPEG2000优化压缩算法,对遥感图像整体处理传输耗时进行分段处理,在EBCOT编码中合并编码通道扫描过程及编码过程,实现对遥感图像编/解码过程用时的优化,在小波变换后清除高频子带小波系数中非重要的背景信息,并缩减相对重要信息的处理过程,从而缩短了与压缩比和图像大小密切相关的传输时间。实验结果表明,该算法在几乎不影响遥感图像质量的情况下可以显著提高遥感图像整体压缩、传输和重构的效率,缩短其处理耗时。     

无人机影像匹配点云单木识别算法

针对单木识别研究中“局部最大值”算法因窗口大小设置不同而产生的单木漏识别与错识别问题,提出了联合“局部最大值”与“单木树冠结构分析”的单木识别算法。算法首先利用“局部最大值”获得候选单木;然后对候选单木树冠结构进行分析,提取树冠结构曲线;最后通过对树冠结构曲线判别,剔除、合并错识别与过识别单木,从而提高单木识别的精度。选取大兴安岭林区８个典型样地进行实验,以实测可见单木为参考,与窗口大小为1.0 m、2.0 m 的两种“局部最大值”算法进行比较。结果表明,该算法8个样地整体F 测度为90.45％,相比1.0 m、2.0 m 窗口的“局部最大值”法F 测度74.82％、77.35％,分别提高,15.63％,13.10％。     

高空间分辨率遥感影像分割方法研究综述

遥感影像分割是指把一幅影像划分为互不重叠的一组区域的过程,它要求得到的每个区域的内部具有某种一致性或相似性,而任意两个相邻的区域则不具有此种相似性。遥感影像分割是面向对象的遥感影像数据挖掘与应用中的一项关键技术,对于影像目标信息自动化提取与智能识别尤为重要,在面向对象的遥感影像处理工程中具有重要意义。本文对常见的高空间分辨率遥感影像分割方法与应用策略进行了分析,比较了各种分割方法的应用范围、优缺点及目前存在的改进措施。建立了面向对象的遥感影像分割方法的分类体系,最后指出了面向对象的遥感影像分割方法目前所存在的问题及应用前景。     

遥感影像压缩质量评价方法

对重建图像进行质量评价是图像压缩的一个重要研究课题，评价方法的非客观性和非准确性可能误导图像压缩技术的进一步研究，本针对解压缩后的遥感影像，分析了影像压缩对人类视觉和计算机视觉的影响，从构像质量和几何质量两方面初步探讨了压缩图像质量的客观评价方法，强调了遥感影像几何质量评价的重要性，并使用各种评价方法对数幅图像进行测试，不同的方法可能代表了图像质量的不同方面，得出的结果不尽相同，他们共同构成了对解压缩图像质量的综合描述。