基于小波变换和形状-增益矢量量化的3维图像压缩

数据压缩是高光谱图像处理应用中的一个关键问题。为了对高光谱图像进行有效压缩，在2维小波变换的基础上，提出了一种分组矢量量化的高光谱图像有损压缩方案。该方案首先按照谱段类型对高光谱图像进行分组，然后对每个谱段分别进行2维小波变换，最后变换系数再使用一种Kronecker-Product形状-增益矢量量化方法来进行量化编码。计算机仿真结果证明．该算法在取得高压缩率的同时，不仅能很好地保持数据的谱特征，并能降低运算量。     

基于三维整数小波与自适应预测的高光谱图像压缩研究

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极大困难,必须对其进行有效压缩。根据高光谱图像的特点,本文提出了一种基于三维整数小波与自适应预测的无损压缩算法。首先利用三维整数小波变换充分消除高光谱图像的谱间冗余和空间冗余,自适应预测编码可以进一步消除变换后低频子带之间的冗余,从而进一步提高压缩性能;最后利用JPEG-LS标准和SPIHT算法分别对数据进行无损压缩。通过改变小波基,也可实现有损压缩。实验结果表明,该算法可以取得较好的无损和有损压缩效果。     

小波变换在热图像压缩中的应用

对图像进行小流变换后各子图像数据的特性进行了探讨，并利用这些特性提出了一种方块分割方法和一种矢量量化编码时所需的数据平稳性和各态扁历性的大数据检测方法；然后研究了小流变换在热图像压缩中的应用。     

成像光谱图像分类技术研究进展

分类是遥感图像分析处理的一个重要环节,它是各种高级应用的基本前提.成像光谱遥感作为遥感领域一个新的发展方向,在提供更为丰富的光谱信息的同时,也使得传统的分类技术面临诸多新的挑战.本文从特征提取和分类器的设计两个方面对成像光谱图像分类的主要研究进展进行了论述.     

高光谱图像的无损压缩研究进展

随着成像光谱仪的普及应用,遥感图像的空间分辨率、谱间分辨率、时间分辨率越来越高,使得成像光谱数据量迅速增长,对海量数据进行有效的压缩成了遥感技术发展中迫切需要解决的一个问题.由于有损压缩可能会丢掉对进一步处理非常有用的信息,通常采用无损压缩方法.本文首先介绍了高光谱图像的特点和无损压缩的基本原理,然后综述了高光谱图像无损压缩的研究进展,最后展望了研究前景.     

基于DWT和Tucker分解的超光谱图像压缩技术研究

由于超光谱图像（HSI）的大数据量,HSI压缩技术的研究近年来越来越受到关注。鉴于此,提出了一种基于离散小波变换（DWT）和Tucker分解的HSI压缩方法。充分利用HSI频域和空域的信息,对HSI频带的小波变换系数进行Tucker分解,先利用小波变换将HSI分解为不同的子图像,然后利用Tucker分解实现子图像的压缩;最后用实际的HSI对算法的有效性进行评估。与其他算法的比较结果表明该算法具有更好的性能;实验还显示了压缩HSI在监督分类方法中的作用。     

神经网络在图像压缩编码中的应用研究

简要介绍ＡＮＮ在图像压缩编码中的应用研究概况，包括神经网络广义变换编码和基于神经网络的矢量量化。同时，给出图像压缩编码神经网络方法研究的主要内容与要突破的难题。     

采用谱间预测的高光谱图像压缩方法研究

高光谱图像具有较高谱分辨率的优越性是以其较大的数据量及较高的数据维为代价的,因此有必要研究有效的高光谱图像压缩方法。探讨一种基于谱间预测的高光谱图像压缩方案。考虑到高光谱图像谱间相关性随分辨率的提高而增强,推导出由多个波段对当前波段进行线性预测的预测器系数求解算法,提出了一种参考波段优化选取方法。实验结果表明,该方法能获得较低的最小均方误差,运算速度快,具有实用价值。     

一种基于小波变换的图像压缩方法

提出一种基于小波变换的灰度图像数据压缩编码方法,基本思路是利用小波变换实现图像的多分辨分解,用矢量量化（ＶＱ）对分解后的图像进行编码,在矢量量化ＬＢＧ算法的初始码书的选取中根据矢量中各分量的特性提出一种改进的随机选取法,避免了可能的胞腔不均现象,提高了码书的质量,而且重构的图像质量也有所提高。     

一种基于自适应预测的高光谱图像近无损压缩方法*

提出一种高光谱图像的近无损压缩方法.首先使用三维自适应预测有效地去除高光谱图像的空间和谱间相关性;然后对预测误差进行量化,以进一步降低编码率.实验结果表明,该方法能在控制重建误差的前提下显著地降低了比特率.     

矢量量化高光谱数据压缩性能评估

性能评估是高光谱数据有损压缩研究的一个关键问题。本文在分析三种典型的基于矢量量化压缩方案的基础上,以K-means聚类准确率的仿真统计比较了三种方案的性能优劣;提出一种失真标准抽取的性能评估框架,在缺乏背景资料的情况下,该框架可以对压缩方案性能给出直观评价,方便了压缩方案的选择及应用。     

一种快速、有效的量化与基于小波的图像压缩

量化是利用小波变换的图像压缩编码技术的关键环节之一。矢量量化和标量量化各有长短,该文将这二者有机地结合起来,称为混合量化(HQ—Hybrid Quantization)。它既有矢量量化的高效率,又具有标量量化的简单性,不需要进行码书训练,不要做乘除法。并用标准测试图像与其它方法的压缩结果进行了比较。     

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。     

超光谱影像的分布式信源编码压缩方法

在超光谱影像压缩领域,目前还没有一个公认的标准或已成熟的压缩方法,分布式信源编码(DSC)是一种新出现的应用机制。通过论述超光谱影像压缩中DSC的概念和意义,回顾DSC的理论基础,系统地研讨了超光谱影像压缩中DSC的主要方法,最后给出了DSC应用于超光谱影像压缩的应用前景、发展现状和技术难点。     

一种基于网格编码量化的高光谱图像无损压缩方法

由于遥感图像的数据量非常庞大,给有限的存储空间和传输带宽带来很大的压力,同时,由于高光谱图像获取代价昂贵,具有广泛的应用领域,且压缩时一般不能丢失任何信息,即要求无损压缩,因此没有有效的压缩方法,高光谱图像的普及应用将受到极大的限制.网格编码量化（TCQ）借鉴了网格编码调制（TCM）中信号集合扩展、信号集合划分和网格状态转移的思想,其虽具有良好的均方误差（MSE）性能,而且计算复杂度适中,但目前TCQ主要被应用于图像的有损压缩,为了对高光谱图像进行有效的无损压缩,通过将TCQ引入高光谱图像的无损压缩,并根据高光谱图像的特点,提出了一种基于小波变换和TCQ的高光谱图像无损压缩方法.实验结果表明,与JPEG2000和JPEG-LS中无损压缩算法相比,该算法对高光谱图像具有更好的压缩性能.     

矢量量化在图像压缩编码中的应用进展

矢量量化充分利用图像的相关性,为实现图像的高倍压缩提供了新途径。本文就目前的研究进展,从矢量量化器的形成、编码算法及在图像压缩编码中的应用进行了综合性的描述。