基于多波段谱间预测的高光谱图像无损压缩算法

该文提出一种基于多波段谱间预测的高光谱图像无损压缩方案。首先,充分考虑到随着高光谱图像谱间分辨率的提高,其谱间相关性也越来越强烈,推导出由多个波段对当前波段做线性预测的预测器系数,然后给出快速计算求解预测器系数的算法。对AVIRIS图像进行压缩,实验结果表明,该算法压缩比高,运算速度快,具有极高的实用价值。     

基于双向预测的高光谱图像无损压缩

提出了一种基于双向预测的高光谱图像无损压缩算法。该算法首先采用自适应波段选择算法选出信息量较大的波段,然后利用聚类算法对这些波段的谱向矢量进行分类预处理。为了便于组织谱间预测过程,根据相邻波段相关性大小进行自适应波段分组,采用双向预测的方法去除谱间相关性。通过在参考波段和预测波段中定义三维上下文预测结构,在聚类结果的基础上,对各个像素分别训练最优的预测系数,从而实现当前波段的有效预测。对AVIRIS型高光谱图像的实验结果表明,该方法可获得较好的无损压缩性能。     

一种针对高光谱遥感影像的波段选择方法

随着传感器技术的不断发展,高光谱遥感影像已经广泛应用于土地覆盖监测等诸多领域。高光谱遥感影像具有波段数目多、波段间相关性强等特点,因此在图像分类时需要有效的波段选择方法以提高遥感影像的使用效率。文中提出了一种针对高光谱遥感影像的波段选择方法,该方法首先使用信息散度描述波段间的相关性,通过构造信息散度矩阵对子空间进行划分。然后使用波段的信息量和Bhattacharyya距离构建适应度函数,并对粒子群算法中的惯性权值更新方式进行改进。通过对AVIRIS高光谱遥感图像进行实验证明,与现有算法相比文中算法具有更高的分类精度及更快的收敛速度。     

基于聚类的高光谱图像无损压缩

高光谱海量数据的有效压缩成为遥感技术发展中需要迫切解决的问题。该文提出了一种基于聚类的高光谱图像无损压缩算法。针对高光谱图像不同频谱波段间相关性不同的特点,根据相邻波段相关性大小进行波段分组。由于高光谱图像波段数量较多,采用自适应波段选择算法对高光谱图像进行降维,以获取信息量较大的部分波段,利用k均值算法对降维后的波段谱矢量进行聚类。采用多波段预测的方案对各组中的波段进行预测,对于各个分类中的每个像素,分别选取与其空间相邻的已编码的部分同类点进行训练,从而获得当前像素的谱间最优预测系数。对AVIRIS型高光谱图像的实验结果表明,该算法可显著降低压缩后的平均比特率。     

多波段和查找表预测值校正的高光谱图像压缩

为了提高高光谱图像无损压缩的压缩比,提出了一种利用多波段图像和查找表预测值校正的高光谱图像无损压缩方法。首先,利用当前被压缩波段图像的前三个波段图像计算LAIS;然后对获取到的查找表预测值进行两次校正;最后求出预测残差,采用自适应算术编码方法进行编码。对该方法进行了理论分析和实验验证。结果表明,针对美国国家航空航天局提供的AVIRIS图像中的Moffett Field图像的不同区域和不同波段进行实验,所提出的方法比LAIS-LUT压缩比提高了0.09～0.34。     

基于感知器的遥感图像无损压缩编码

无损压缩在遥感领域有极其重要的作用。该文提出一种基于感知器模型的遥感图像无损压缩编码方法,该方法利用感知器具有学习能力的特点,自适应地调整图像的预测系数,对遥感图像进行空间和谱间去相关,然后进行熵编码。实验表明,对于多波段的遥感图像,该方法的压缩效果明显优于无损JPEG(Joint of Picture Expert Group)最优预测模式。     

基于信息论准则的高光谱波段选择方法

与传统多光谱遥感图像相比,高光谱图像是在一定波段范围内窄波段成像的,提供了丰富的光谱信息,拓展了遥感技术的应用范围,但同时存在数据含量大、波段间相关性高等问题,在进行处理时需要对高光谱图像进行降维。通过分析现有高光谱波段选择方法 ,本文提出了一种基于信息论准则的高光谱波段选择方法 ,结合波段信息熵与波段间的相关性,采用粒子群优化算法(PSO)进行波段优选,克服了采用单一使用信息量为适应度的片面性。最后使用AVIRIS图像对提出的算法进行试验,并利用支持向量机分类方法进行分类验证,总体分类精度达到91.0%。     

结合预测误差反馈的高光谱图像无损压缩研究

高光谱图像的海量数据给存储和实时传输带来极大困难,必须对其进行有效压缩.提出了一种结合预测误差反馈的高光谱图像无损压缩算法.根据高光谱图像相邻波段相关性强弱进行波段分组,有效降低了波段排序算法的计算量.通过研究波段排序算法的性能,采用最佳后向排序算法对各组进行波段排序.为有效去除高光谱图像相关性,采用JPEG压缩标准中的无损预测模式对各波段进行谱内预测,利用参考波段预测误差对当前波段谱内预测值进行反馈校正,可进一步提高预测精度.最后,利用JPEG-LS标准对参考波段和预测残差进行无损压缩.对AVIRIS型和OMIS-I型高光谱图像的实验结果表明,该算法可显著降低压缩后的平均比特率.     

基于分类非线性预测的高光谱图像无损压缩

高光谱数据的有效压缩成为遥感技术发展中需要迫切解决的问题.提出了一种基于分类非线性预测的高光谱图像无损压缩算法.针对不同频谱波段间相关性不同的特点,根据相邻波段相关性大小进行波段分组.为提高谱间预测性能,对各组波段进行最优排序.采用自适应波段选择算法对高光谱图像进行降维,并利用k-means算法对降维后波段的谱向矢量进行分类.在参考波段和预测波段中选取具有相同空间位置的上下文结构,在分类结果的基础上,对当前波段进行谱间非线性预测.参考波段采用JPEG-LS标准进行压缩,预测残差进行Golomb-Rice编码.对AVIRIS型高光谱图像的实验结果表明,该算法可显著降低压缩后的平均比特率.     

一种基于2D／3D混合自适应预测的高光谱图像无损压缩方法

利用高光谱图像具有较强谱间相关性的特点，本文提出了一种基于2D／3D混合自适应预测的高光谱图像无损压缩方法，首先根据相关系数计算波段预测顺序，通过局部纹理分析进行二维空间预测，采用基于神经网络模型的自适应预测方法进行三维预测，然后利用预测波段与当前波段间邻域块的相关性对二维预测和三维预测的结果进行校正，对预测残差采用基于上下文模型的Golomb编码．实验结果表明，应用于四种不同遥感器所获取的图像，该方法都能够有效的去除高光谱图像的空间和谱间相关性，与无损压缩国际标准JPEG-LS和3D-APA算法相比，压缩后的平均比特率均有明显降低．     

基于K-均值聚类和传统递归最小二乘法的高光谱图像无损压缩

针对基于预测的高光谱图像无损压缩算法压缩比低的问题,该文将聚类算法与高光谱图像预测压缩算法相结合,提出一种基于K-均值聚类和传统递归最小二乘法的高光谱图像无损压缩算法。首先,对高光谱图像按光谱矢量进行K-均值聚类以提升同类光谱矢量间的相似度。然后,对每一聚类群分别使用传统递归最小二乘法进行预测,消除高光谱图像的空间冗余和谱间冗余。最后,对预测误差图像进行算术编码,完成高光谱图像压缩过程。对AVIRIS 2006高光谱数据进行仿真实验,所提算法对16位校正图像、16位未校正图像和12位未校正图像分别取得了4.63倍,2.82倍和4.77倍的压缩比,优于同类型已报道的各种算法。     

基于双估计值的查找表高光谱图像无损压缩

提出一种基于双估计值的查找表预测高光谱图像无损压缩算法。首先,在高光谱图像的第1谱段图像采用JPEG-LS中值预测器进行谱段内预测,其他谱段图像采用谱间预测。谱间预测采用以下步骤,利用3个LUT预测值求出第一个估计值;其次用当前谱段内和前一谱段内特定的8个像素点计算出第二个估计值,将谱段内预测和谱间预测有效地结合,去除了高光谱图像的谱间相关性。然后,用3个LUT预测值和最终的预测估计值比较,选出最终的预测值。最后,将预测残差进行算术编码。实验结果表明,针对NASA的AVIRIS高光谱图像,用本文算法比LAIS-LUT的压缩比平均提高了0.03~0.11,针对国内OIMS-I高光谱图像,比LAIS-LUT压缩比平均提高了0.01~0.09,有效的提高了压缩比。     

基于残差偏置和查找表的高光谱图像无损压缩

为了提高高光谱遥感图像的压缩比,提出一种基于残差偏置和查找表的高光谱图像无损压缩方法。在高光谱图像的第一谱段图像采用了无损压缩标准中值预测器方法进行谱段内预测,其它谱段图像采用谱间预测方法。首先,在多级查找表（LAIS-LUT）预测方法的基础上搜索当前预测值,用当前预测值周围特定的5个像素点和当前像素值周围相同位置的5个像素点进行比较,通过比较结果,得出一个偏置值;然后在预测残差上加上偏置值;最后,将最终预测残差进行算术编码,并进行了理论分析和实验验证。结果表明,针对美国航空航天局的高光谱图像,所提出的方法比LAIS-LUT压缩比平均提高0.05;针对国内高光谱图像,该方法比LAIS-LUT压缩比平均提高0.07。这一结果对提高高光谱图像压缩效率是有帮助的。     

基于搜索最优双预测波段的超光谱遥感图像无损压缩

该文针对超光谱各波段成像图像之间的相关性强弱程度互不相同这一特点,提出了基于搜索最优双预测波段的超光谱图像无损压缩算法。该算法通过建立一个搜索最优双预测波段的二叉树模型,搜索与每一波段相关性最强的两个波段,并用这两个波段对该波段进行预测。实验表明,与目前研究的其它超光谱图像压缩算法相比,该算法有着很好的压缩性能。     

Lossless compression of AVIRIS images

Adaptive DPCM methods using linear prediction are described for the lossless compression of hyperspectral (224-band) images recorded by the Airborne Visible/Infrared Imaging Spectrometer (AVIRIS). The methods have two stages-predictive decorrelation (which produces residuals) and residual encoding. Good predictors are described, whose performance closely approaches limits imposed by sensor noise. It is imperative that these predictors make use of the high spectral correlations between bands. The residuals are encoded using variable-length coding (VLC) methods, and compression is improved by using eight codebooks whose design depends on the sensor's noise characteristics. Rice (1979) coding has also been evaluated; it loses 0.02-0.05 b/pixel compression compared with better VLC methods but is much simpler and faster. Results for compressing ten AVIRIS images are reported.     

基于分类和陪集码的高光谱图像无损压缩

在基于陪集码的高光谱图像压缩算法中,由于按照编码块的最大残差确定整块无损压缩所需的码率存在较大冗余,该文提出了基于分类和陪集码的高光谱图像压缩算法。首先利用前一波段对应位置的预测噪声对当前波段编码块的像素进行分类,将具有相似相关性的像素归于一类,然后对每一类像素分别进行陪集码编码。实验表明分类可以有效地降低码率。和基于陪集码的算法相比,该文算法无损压缩的平均码率降低了大约0.4 bpp。     

DSC的超光谱图像无损压缩算法

有效的星载超光谱图像压缩技术对于解决超光谱图像实时传输极为重要。针对超光谱图像传统的联合编解码算法的不足,提出了一种基于分布式信源编码(Distributed Source Coding,DSC)的超光谱图像无损压缩算法。为利用超光谱图像的局部空间相关性,将超光谱图像进行分块处理;引入多元线性回归模型构建编码块的边信息,并为每个编码块选取最优的预测阶数,以有效利用超光谱图像的局部谱间相关性。根据(n,k)线性分组码的原理,通过多元陪集码实现超光谱图像的分布式无损压缩。实验结果表明:该算法能够取得较好的无损压缩性能,同时具有较低的编码复杂度,适合星载超光谱图像的压缩实现。     

基于三维自适应预测的高光谱图像无损压缩算法

利用高光谱图像具有较强的谱间相关性的特点,本文提出一种基于三维自适应预测的高光谱图像无损压缩方法,首先根据相关系数计算波段预测顺序,然后利用相关性较强的空间邻点和谱间邻点,采用基于神经网络模型的自适应预测方法进行三维预测编码.实验结果表明,该方法能够有效的去除高光谱图像的空间和谱间相关性,与现在最优的无损压缩国际标准JPEG-LS相比,压缩后的平均比特率能够降低0.3bpp左右.     

The lossless compression of AVIRIS images by vector quantization

The structure of hyperspectral images reveals spectral responses that would seem ideal candidates for compression by vector quantization. This paper outlines the results of an investigation of lossless vector quantization of 224-band Airborne/Visible Infrared imaging Spectrometer (AVIRIS) images. Various vector formation techniques are identified and suitable quantization parameters are investigated. A new technique, mean-normalized vector quantization (M-NVQ), is proposed which produces compression performances approaching the theoretical minimum compressed image entropy of 5 bits/pixel. Images are compressed from original image entropies of between 8.28 and 10.89 bits/pixel to between 4.83 and 5.90 bits/pixel