超光谱图像的分布式压缩

针对超光谱图像压缩进行了研究,提出了一种有效的基于分布式信源编码(Distributed Source Coding, DSC)的有损压缩算法。该算法利用多元陪集码和标量量化的方式实现超光谱图像的分布式有损压缩,针对分布式信源编码,利用多波段预测的方式为每个编码块构造边信息,然后采用标量量化的方式对编码块和其边信息同时进行量化处理。根据分布式信源编码原理,给出了各编码块量化后的编码码率。为了减少标量量化带来的信息丢失,算法引入了跳跃策越。部分均方误差意义上损失较大的编码块将由其边信息直接代替。实验结果表明,所提出的算法性能与基于小波变换的算法性能相当;此外,该算法复杂度较低,适合星载超光谱图像的压缩。     

基于递归预测的分布式双视角图像无损压缩

针对星载双视角图像压缩中存在数据量大和卫星编码端计算能力受限、内存资源不足的问题，提出了一种基于递归预测的分布式双视角图像无损压缩方法。该方法中2个视角的图像采用不同的编码方法，视角1作为关键视角采用JPEG2000无损模式进行独立压缩；视角2经图像分块预处理之后，其中一个局部图像块作为关键图像块仍用JPEG2000无损模式独立压缩，其余部分采用分布式编码方法。编码端进行二维整数小波变换去除各视角内的空间冗余，解码端利用利用视角间的相关性采用递归预测的结构，通过配准和多元线性回归的方法生成视角2其余图像的边信息辅助其余图像块解码。实验结果表明，与未考虑双视角图像间冗余的JPEG2000无损压缩编码相比，平均编码比特率大约节约了0.296～0.6 bpp,时间复杂度降低到其5.97%～14.3%;与使用初始边信息的分布式编码方案相比时间复杂度相同，但平均编码比特率大约节约了0.45～0.51 bpp;与考虑了图像间冗余的相关文献图像算法相比，所提方法的编码比特率损失0.2 bpp,但编码复杂度降低到其4.3%,说明所提方法更具优势，满足星载图像压缩需求。     

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．     

干涉多光谱图像无损压缩算法

基于干涉多光谱图像成像原理和特点,提出一种干涉多光谱图像无损压缩算法。在压缩编码时,应充分利用图像的列相关性,采用基于列的比特平面编码和游程编码,对多光谱图像进行无损压缩,特别适于低分辨率的多光谱图像压缩。目前无损压缩算法的压缩比基本在1.6～2.4之间,本算法的压缩倍数一般可达到2倍以上,并且具有良好的抗误码性能。     

机器学习理论的超光谱遥感图像无损压缩

针对一般超光谱遥感图像的压缩方法无法同时实现图像信息缩减和图像完整性的问题,提出一种机器学习理论的超光谱遥感图像无损压缩方法.利用机器学习中的聚类算法进行第一次压缩,减少超光谱遥感图像中的冗余波段光谱,并降低图像维度;再利用机器学习中的人工神经网络进行第二次压缩,将不同图像子块送入不同压缩率的神经元当中,通过隐含层自主...     

DPCM系统中基于量化预测值的图像无损压缩

在超光谱图像和医学图像压缩的领域中,要求这些压缩是无损的,基于预测的方法一直是图像无损压缩的理论框架。在传统无损压缩的模型上,给出了一种有效的预测和量化算法,并结合算术编码对图像进行压缩,实验证明该算法兼有JPEG-JS预测器和Pirsch预测器的优点,有着较好的压缩性能,且算法简单、易于实现。     

基于RICE的遥感多光谱图像无损压缩算法

目前应用于遥感多光谱图像的无损压缩算法复杂度较高,不利于硬件实现.针对这一不足,这里根据遥感多光谱图像的成像特点,提出一种采用可逆的分量变换(RCT)对谱段信息重新分配,再利用优化的RICE算法对图像数据进行编码的无损压缩算法.实验表明,该算法所采用的分块计算k值、预测器预测和改进的熵编码器较原RICE熵编码器更适于硬件实现,且该算法复杂度低,执行效率高,更好地满足了星载图像无损压缩的要求.     

一种适合实时应用的多光谱遥感图像无损压缩算法

根据多(超)光谱成像光谱仪波段数众多,不同波段间图像光谱相关性较强的特点,在使用预测编码(DPCM)方法去相关时,先针对某波段生成自适应最佳预测模型,并将此最佳预测模型应用到所有波段,然后再进行光谱维DPCM进一步去除光谱间相关性,最后使用预测误差修正技术来减小预测残差冗余度.实验表明,这种无损压缩方法效果大大优于JPEG无损压缩标准方法,并且速度很快,实现简便,适用于实时系统.     

高光谱图像分布式有损压缩研究进展

星载高光谱图像的有效压缩已经成为航天高光谱遥感领域研究的热点。分布式信源编码(DSC)技术具有较低的编码复杂度、良好的抗误码性以及可并行实现等优点,已被成功应用于高光谱图像的压缩。针对基于分布式信源编码的高光谱图像有损压缩技术进行了研究。首先简要介绍了分布式信源编码的基本理论与实现方式;然后从二元纠错码与多元陪集码两方面综述了高光谱图像分布式有损压缩的研究现状;最后指出了该领域需要进一步研究的问题。     

基于L∞最小搜索和陪集码的高光谱图像无损及近无损压缩

 分布式信源编码(DSC)由于其较低的编码复杂度及较高的抗误码性被应用于高光谱图像压缩.在典型的基于陪集码的分布式高光谱图像无损压缩算法s-DSC(scalar coset DSC)框架下,本文指出最优的预测准则应为无穷范数最小,提出了基于L_∞最小搜索的预测方法来逼近最优准则,并将框架推广到近无损压缩.实验表明,和原有的s-DSC相比,本文算法无损压缩的平均码率降低了大约0.25bpp,近无损性能也明显优于JPEG-LS,本文算法具有较低的计算复杂度、较高的压缩性能,且具有一定的抗误码能力,适用于星上压缩.     

基于分类的高光谱图像压缩算法

高光谱图像庞大的数据量给存储与传输带来巨大挑战,必须采用有效的压缩算法对其进行压缩。提出了一种基于分类的高光谱图像有损压缩算法。首先利用C均值算法对高光谱图像进行无监督光谱分类。根据分类图,针对每一类数据分别采用自适应KLT(Karhunen-Love transform)进行谱间去相关;然后对每个主成分分别进行二维小波变换。为了获得最佳的率失真性能,采用EBCOT(Embedded Block Coding with Optimized Truncation)算法对所有的主成分进行联合率失真编码。实验结果表明,所提出算法的有损压缩性能优于其它经典的压缩算法。     

一组整数的几个实用编码方案

以Golomb码和扩展Gamma码为基础提出了4种针对一组整数的编码方案。这些方案增强了对低熵值整数序列的压缩性能,同时仍保持了整数码低复杂性的特点。通过应用这些编码方案,设计了一个基于Burrows-Wheeler变换的压缩算法。该算法的实验结果表明其压缩比率要优于采用整数码的BWT类压缩算法。     

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。     

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.     

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。     

Dual link distributed source coding scheme for the transmission of satellite hyperspectral imagery

Traditional lossless compression methods for satellite hyperspectral imagery focus on exploiting spatial and/or spectral redundancy. Those methods do not consider the temporal redundancy between images of the same area that are captured at different times. To exploit the temporal redundancy between hyperspectral images and reduce the amount of information to be transmitted from the space-satellite to the ground station via the downlink, this paper introduces a dual link distributed source coding (DLDSC) scheme for hyperspectral space-satellite communication. The proposed scheme employs the space-satellite dual link (i.e., the downlink and the uplink). The satellite onboard uses some side information from the ground station to calculate the hyperspectral image band coset values, and then, without syndrome coding, transmits to the ground station via the downlink. Coset coding is a typical technique used in distributed source coding (DSC), and here the coset values represent the timely hyperspectral image details. Typically, the coset values have lower entropy than that of the original source values. To exploit the temporal redundancy, the side information is computed in the ground station using the image captured at the previous time for the same area and transmitted to the space-satellite via the uplink. Hyperspectral images from the Hyperion satellite are used for the validation of the proposed scheme. The experimental results indicate that the proposed DLDSC scheme can reduce the original signal entropy by approximately 3.2 bits per sample (bps) and can achieve up to 1.0 bps and 1.6 bps gains over the lossless JPEG2000 standard and the state-of-art predictive CCSDS-123 method, respectively.     

Texture- and multiple-template-based algorithm for lossless compression of error-diffused images.

Recently, several efficient context-based arithmetic coding algorithms have been developed successfully for lossless compression of error-diffused images. In this paper, we first present a novel block- and texture-based approach to train the multiple-template according to the most representative texture features. Based on the trained multiple template, we next present an efficient texture- and multiple-template-based (TM-based) algorithm for lossless compression of error-diffused images. In our proposed TM-based algorithm, the input image is divided into many blocks and for each block, the best template is adaptively selected from the multiple-template based on the texture feature of that block. Under 20 testing error-diffused images and the personal computer with Intel Celeron 2.8-GHz CPU, experimental results demonstrate that with a little encoding time degradation, 0.365 s (0.901 s) on average, the compression improvement ratio of our proposed TM-based algorithm over the joint bilevel image group (JBIG) standard [over the previous block arithmetic coding for image compression (BACIC) algorithm proposed by Reavy and Boncelet is 24%] (19.4%). Under the same condition, the compression improvement ratio of our proposed algorithm over the previous algorithm by Lee and Park is 17.6% and still only has a little encoding time degradation (0.775 s on average). In addition, the encoding time required in the previous free tree-based algorithm is 109.131 s on average while our proposed algorithm takes 0.995 s; the average compression ratio of our proposed TM-based algorithm, 1.60, is quite competitive to that of the free tree-based algorithm, 1.62.     

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。