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.     

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。     

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.     

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。     

基于自适应波段聚类主成分分析和反向传播神经网络的高光谱图像压缩

高光谱遥感图像具有丰富的光谱信息,数据量大。为了能够有效地利用高光谱图像数据,促进高光谱遥感技术的发展,该文提出一种基于自适应波段聚类主成分分析(PCA)与反向传播(BP)神经网络相结合的高光谱图像压缩算法。算法利用近邻传播(AP)聚类算法对波段进行自适应聚类,对聚类后的各个分组分别进行PCA运算,最后利用BP神经网络对所有主成分进行编码压缩。该文的创新点在于BP神经网络压缩图像时,在训练步骤过程中,误差反向传播是用原图与输出作差值,再反向调整各层的权值、阈值。对高光谱图像进行波段聚类,不仅能够有效地利用谱间相关性,提高压缩性能,还可以降低PCA的运算量。实验结果表明,该文算法与其它现有算法比较,在相同压缩比下,其光谱角更小,信噪比更高。     

基于空谱联合的多假设预测高光谱图像压缩感知重构算法

为充分利用高光谱图像的空间相关性和谱间相关性,该文提出一种基于空谱联合的多假设预测压缩感知重构算法。将高光谱图像分组为参考波段图像和非参考波段图像,参考波段图像利用光滑Landweber投影算法重构,对于非参考波段图像,引入空谱联合的多假设预测模型,提高重构精度。非参考波段图像中每个图像块的预测值不仅来自非参考波段图像未经预测的初始重构值的相邻图像块,而且来自参考波段重构图像相应位置及其邻近的图像块,利用预测值得到测量域中的残差,然后对残差进行重构并对预测值进行修正,此残差比原图像更稀疏,且算法采用迭代方式提高重构图像的精度。借助Tikhonov正则化方法求解多假设预测的权重系数,并基于结构相似性判断是否改变多假设预测搜索窗口大小,最后利用交叉验证计算重构算法终止迭代的判据参数。实验结果表明,所提算法优于仅利用空间相关性或谱间相关性进行预测和不预测的重构算法,其重构图像的峰值信噪比提高2 dB以上。     

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.     

基于压缩感知理论的波段重构方法

针对高光谱图像数据量大、信息冗余多、传输难度大等问题,从波段压缩采样入手,通过采样数据重构出原始波段,提出一种基于压缩感知理论的波段重构方法。压缩感知理论是一种在不遵循奈奎斯特采样定理的情况下,能够高精度重构出原始信号的新型压缩采样理论。由于高光谱图像谱间相关性高,具有很强的稀疏性,故可将压缩感知理论用于高光谱数据的波段重构,仅选择少量波段,便能够重构得到原始高光谱数据。实验结果表明,压缩感知理论能够对高光谱图像波段维进行压缩与重构,并可达到较高的重构比例,同时获得较高的重构效率,且重构数据光谱曲线与原始数据光谱曲线的波形一致度高。     

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。     

基于空谱特性的高光谱图像压缩感知重构

针对现有的高光谱图像压缩感知重构算法对图像的空谱特性利用不够充分,导致重构图像质量不够高的问题,提出了一种高光谱图像变投影率分块压缩感知结合优化谱间预测重构方案。编码端以频段聚类方式将高光谱图像的所有频段分成参考频段和普通频段,对不同频段单独采用不同精度分块压缩感知以获取高光谱数据。在解码端,参考频段直接采用稀疏度自适应匹配追踪( SAMP)算法重构,对于普通频段,则设计了一种优化谱间预测结合SAMP算法的新模型进行重构：首先通过重构的参考频段双向预测普通频段,并对其进行压缩投影,然后计算预测前后普通频段投影值的残差,最后利用SAMP算法重构该残差,以此修正预测值。实验表明,相比同类算法,该算法充分考虑了高光谱图像的空谱特性,有效改善了重构图像质量,且编码复杂度低,易于硬件实现。     

一种基于混合整型变换和3D-SPIHT的高光谱图像嵌入式无损压缩方法

利用高光谱图像空间、谱间相关性不同的特点,本文提出了一种基于混合整型变换和三维分层树集合划分算法(3D-SPIHT)的高光谱图像无损压缩方法,首先将波段进行分组,针对每一分组,采用不同的整型变换技术去相关,然后对变换系数进行系数重组,采用高效的基于小波系数特点的3D-SPIHT编码方法得到嵌入式码流,具有一定的抗误码性能.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,与现有的国际标准JPEG-LS、JPEG2000和基于三维离散余弦变换(3D-DCT)或三维离散小波变换(3D-DWT)的编码方法相比,压缩后的平均比特率均有明显降低.     

An efficient macroblock-based diverse and flexible prediction modes selection for hyperspectral images coding

In this paper, an efficient macroblock-based diverse and flexible prediction modes selection algorithm is proposed for coding hyperspectral images, which is inspired by the prediction scheme of H264/AVC. Here, different modes are specified for the corresponding macroblocks (16×16 pixel regions of a band) of hyperspectral images other than the whole band image using only one reference band image for prediction. Only the 4×4 mode is employed for the intra-band prediction in view of the fact that correlation coefficients of pixels separated by not more than four pixels in the spatial domain are greater than 0.65 at most cases. The optimal reference band is determined by the fast reference band selection algorithm; thereafter, the best partition of the candidate macroblock in the optimal reference band is further selected for inter-band prediction of the current macroblock. Thus, the stronger correlation in the spectral direction or in the spatial domain is utilized for the prediction of the given macroblock. With a comparably low memory requirement, the prediction coding scheme is proposed to speed up the implemental process using the fast reference band selection algorithm, the integer DCT and the quantization, which just needs the multiplication and bit-shifts operations. Several AVIRIS images are used to evaluate the performance of the algorithm. The proposed scheme outperforms the state-of-the-art 3D-based compression algorithms at lower rates. Moreover, compared with the method by using all the prediction modes of H.264/AVC, about 80% encoding time can be saved by our method under the same experimental condition.     

基于压缩感知的高光谱遥感影像重构方法研究

高光谱遥感影像包含丰富的空间、辐射以及光谱信息,同时海量的数据也引发了高光谱成像技术在传输和存储方面的诸多问题。针对这一问题,根据高光谱遥感影像谱间相关性强的特性,提出了一种结合谱间多向预测的基于压缩感知的高光谱遥感影像重构方法。首先,根据高光谱遥感影像的谱间相关性对高光谱遥感影像的波段进行分组,每组确定一个参考波段,使用平滑l_0范数算法重构每组的参考波段。其次,根据重构恢复的相邻组内的参考波段,建立了一个非参考波段预测模型,用来计算非参考波段的预测测量值;然后,计算实际测量值与预测测量值的差值,使用SL0算法重构该差值得到差值向量;最后,利用得到的差值向量迭代更新预测测量值,直到恢复该波段原始图像。仿真实验结果表明,该方法提高了高光谱遥感影像的重构效果。