空谱联合预测高光谱图像无损压缩rice算法

针对rice算法低维预测不能有效降低高光谱数据冗余问题,提出基于空谱联合预测的低复杂度rice算法,应用于高光谱图像无损压缩.根据高光谱图像三维数据特征建立三维预测模型,利用相邻波段谱间相关系数进行联合预测系数分配,有效地减少了高光谱图像空间和谱间冗余.提出基于预测误差均值的最优编码参数选择算法,计算复杂度由O(N)降为O(1).实验结果表明,本文方法提高无损压缩比5%～40%,编码时间较经典rice算法缩短了4%以上,有利于实时处理和工程实现.     

基于内容的高光谱图像无损压缩

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.     

应用自适应预测器排序的三阶预测高光谱图像无损压缩

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。     

基于上下文窗口中反向搜索的高光谱图像无损压缩

针对基于单波段预测的高光谱图像无损压缩压缩比低的问题,提出基于上下文窗口中反向搜索的高光谱图像无损压缩算法。首先,对待测像素设定上下文窗口,计算其预测参考值并进行反向搜索预测得到待测像素的候选预测值。然后,选取与预测参考值最接近的候选预测值作为待测像素的最终预测结果。最后,对预测残差图像进行一阶算术编码完成压缩过程。利用提出的算法对AVIRIS 1997高光谱图像进行了实验,结果显示,提出的算法通过对上下文窗口、等效系数和有效像素阈值的优化取值,使反向搜索预测的效果达到最好,经过算术编码器编码后,可以得到一个3.63倍的平均压缩比。该方法具有较低的算法复杂度和内存需求,优于当前已报道的基于单波段预测的其他各种高光谱图像无损压缩算法。     

最佳递归双向预测的高光谱图像无损压缩

提出一种基于最佳递归双向预测的高光谱图像无损压缩算法。首先根据高光谱图像各波段的谱间相关系数,选择相应的压缩方式。谱间相关系数小于0.9的波段使用bzip2模式进行压缩。谱间相关系数大于0.9的波段,对参考波段进行单波段最佳前向预测,非参考波段采用最佳递归双向预测,并对预测残差采用JPEG-LS模式压缩。对AVIRIS高光谱图像进行压缩,实验结果表明该算法的平均压缩比达到3.217倍,优于其他无损压缩算法0.09-1.374倍。     

利用线性预测与查表法的高光谱图像压缩

提出了一种线性预测和多谱带查表相结合的高光谱图像无损压缩算法.首先,根据高光谱图像谱带间具有强相关性的特点,建立基于Yule-Walker方程的线性预测模型,其中方程系数矩阵为非Toeplitz形式的对称矩阵,需要使用改进的Levinson算法进行求解.其次,针对校正后的高光谱图像具有稀疏直方图的特点,提出了多谱带查表法,对线性预测的结果进行修正,去除这些图像中因校正引起的信息冗余;而对未校正图像,则不使用该步骤处理.最后,使用熵编码器对预测误差进行编码.分别使用自适应算术编码和Golomb-Rice编码作为熵编码器进行了测试,结果表明:本文算法具有较高的压缩比,压缩效果好于国际空间数据系统咨询委员会(CCSDS)的标准算法.     

基于3DLMS预测的高光谱图像无损压缩算法

针对高光谱图像无损压缩比较低的问题,将三维LMS算法(3DLMS)应用于高光谱图像压缩领域,利用3DLMS算法构造了一种新的高光谱图像自适应预测模型,通过去局部因果集均值方法实现了模型优化.对不同场景AVIRIS图像的实验表明,基于3DLMS预测的高光谱图像无损压缩算法同时降低了高光谱图像的空间和谱间冗余,提高了高光谱图像的无损压缩比,同时该方法也验证了3DLMS算法在高光谱图像压缩中的可行性.     

基于谱间预测和码流预分配的高光谱图像压缩算法

为解决高光谱图像数据量巨大带来的传输和存储问题,提出一种波段预测去除谱间冗余和码流预分配的高光谱图像压缩算法。由于波段预测后各波段残差图像分配的码流长度关系到该波段的清晰度,同时该波段作为预测波段对后面波段的预测编码产生影响,因此必须设计一种合理的分配各波段码流长度的算法。首先用DPCM预测求出各波段的预测残差图像的标准差,然后根据标准差的大小对该波段进行SPIHT编码需要分配的码流长度预测。最后基于均方差最小的线性预测器对图像各波段进行预测,根据事先分配的码流长度对各波段预测残差图像进行SPIHT编码。该算法在波段间采用最佳线性预测,有效的去除了高光谱图像的谱间相关性。同时设计的分配码流长度的算法能够根据各波段信息量大小,以及和相邻波段的相关性来分配码流长度。实验表明,重建图像平均PSNR高出3D-SPIHT算法0.9～2.5db。因此该算法对高光谱图像有损压缩非常适用。     

基于3D SPIHT的高光谱图像压缩技术

将三维多级树集合分裂(3D SPIHT)算法用于高光谱图像的压缩。根据高光谱图像的特点进行波段分组以得到处理单元,对各组分别进行三维小波变换,去除谱间和谱内冗余;利用3D SPIHT算法对变换后小波系数进行编码,去除系数之间的冗余。采用整数小波和浮点小波分别进行无损和有损压缩仿真,AVIRIS和OMIS实验结果表明,在bit/pixel为1的条件下,平均PSNR比准三维方法分别高0.91 dB和1.38 dB,且算法具有嵌入式、可伸缩性等优点,但无损压缩的平均bit/pixel比基于预测的方法高0.308和0.159。3D SPIHT算法用于高光谱图像压缩可以获得较好的有损性能,但无损压缩性能逊于基于预测的方法。     

利用格型递归最小二乘滤波器组的高光谱图像压缩

自适应递归最小二乘滤波器具有预测准确、收敛速度快的特点,该滤波器被多种高光谱图像无损压缩方案作为重要组成部分。然而传统递归最小二乘滤波器无法快速找到每个谱带的最优预测长度,其压缩方案的性能有待提升。针对该问题,本文提出基于格型递归最小二乘滤波器组的高光谱图像压缩方案。首先,该方案使用单边高斯预测器对待测像素点做谱带内预测,去除图像的空间相关性。其次,采用格型滤波器组筛选出每个谱带的最优滤波器,获得预测误差。并根据格型滤波器组链式序列更新的特点,简化最优滤波器的筛选过程,大幅度降低计算复杂度。最后对预测误差做算术编码。以AVIRIS 2006高光谱图像为测试数据集,本文算法对16位校准图像、16位未校准图像的平均压缩结果分别为3.34 bits/pixel和5.61 bits/pixel。该算法在获得良好压缩结果的情况下,计算时间低于同类别的其余算法。     

机械振动无线传感网络数据分块无损压缩方法

针对目前机械振动无线传感器网络数据无损压缩方法效率低的问题,提出一种数据分块无损压缩方法,该方法主要由数据分割和数据编码组成。传感器网络节点首先对采集的振动数据进行分块处理,利用子带能量自适应量化方法压缩原始数据,以量化压缩数据完成对原始信号的预测;然后将量化数据还原,计算预测差值矩阵;最后,采用线性预测、自适应零游程编码和Range编码对量化压缩数据和差值矩阵进行编码,进一步去除数据冗余。将提出的数据分块无损压缩方法的压缩性能与其他无损压缩方法进行对比,实验结果表明该方法能在资源受限的无线传感器网络节点上有效实现机械振动信号的无损压缩。     

基于3D SPIHT的高光谱图像压缩技术研究

高光谱图像作为一种三维图像,其海量数据给存储和传输带来了极大的困难,必须对其进行有效压缩。本文将三维多级树集合分裂（3D SPIHT）算法应用于高光谱图像的压缩。首先根据高光谱图像的特点进行波段分组以得到处理单元,对各组分别进行三维小波变换,去除谱间和谱内冗余,利用3D SPIHT算法对变换后小波系数进行编码,去除系数之间的冗余。通过采用整数小波和浮点小波分别进行无损和有损压缩仿真,实验结果表明,3D SPIHT算法有损压缩较好,且算法具有嵌入式、可伸缩性等优点,但无损压缩性能要逊于基于预测的方法。     

一种超光谱图像分层压缩方法

根据超光谱图像有很强谱间相关性的成像特点,设计了一种预测算法结合变换编码算法的图像分层压缩方法。采用几个相邻波段图像共享同一有损图像作为预测图像,克服了预测算法对传输误差的敏感性。预测图像是通过对原始图像进行局部熵为代价函数的四叉树分割后,再经小波变换得到的。用各个原始图像减去共享预测图像来去除谱间相关性,并得到相应残差图像,再对残差图像采用局部离散余弦基变换方法去除空间相关性,实现近无损压缩。研究结果表明,各波段峰值信噪比(PSNR)为40dB左右时,压缩比(CR)高于7.2,分层压缩方法具有很好的压缩效果。     

最小化预测残差的图像序列压缩感知

提出了一种最小化预测残差的图像序列压缩感知算法以实现高速相机输出图像的实时压缩.首先,在编码端仅使用映射矩阵对原始输出图像进行压缩,将压缩得到的观测向量通过信道传输到解码端.接着,在解码端对相邻帧进行运动估计和运动补偿,得到一幅待重建图像的预测图像,利用压缩感知算法对原始图像和预测图像之间存在的预测残差图像进行重建.最后,用迭代的方法优化预测残差图像的重建结果,直到连续两次的重建结果之差小于设定阈值,从而获得重建的原始图像.采用DALSA公司的CR-GEN0 H6400相机进行的实验表明,该算法可以实现1 000 frame/s图像的实时压缩,并且图像重建质量比独立地重建每张图像至少提高了2～6 dB,有效地实现了对高速相机输出图像的实时压缩与高质量重建.