一种高光谱图像在轨压缩方法

一种高光谱图像在轨压缩方法
【专利摘要】本发明是一种高光谱图像在轨压缩方法，步骤S1：根据高光谱图像波段间的相似性对波段进行自适应的光谱分组和波段重排，得到初始字典、压缩维数和最优波段顺序、最优波段顺序重排的高光谱图像；步骤S2：用初始字典、光谱稀疏特性和光谱曲线的结构特征将最优波段顺序重排的高光谱图像压缩到光谱维数低的特征空间，得到具有保持光谱曲线可分性的结构字典；步骤S3：在特征空间中提取显著性目标区域，用稀疏矩阵存储显著性目标区域，对特征空间中的背景区域的特征图像降采样得到深度压缩的背景区域；步骤S4：对稀疏矩阵存储的显著性目标区域、深度压缩的背景区域以及结构字典数据解压缩，恢复每一个特征图像，获得恢复的高光谱图像。
【专利说明】一种高光谱图像在轨压缩方法

【技术领域】
[0001] 本发明涉及高光谱图像处理、数据压缩、目标探测等【技术领域】，特别是一种高光谱 图像在轨压缩方法。

【背景技术】
[0002] 与全色图像或多光谱图像相比，高光谱图像具有很高的光谱分辨率，如由机载可 见光红外成像光谱仪（AVIRIS)获取的高光谱遥感图像的光谱分辨率约为10nm。高光谱图 像为目标识别提供了一种新的手段，不仅可以用于识别目标的形状，还可以利用高光谱分 辨率辨识目标的材质或对地物进行精细化分类。近年来，高光谱遥感图像已被广泛应用到 地质勘探、考古发现、异常目标检测、军事作战等多个领域。
[0003] 与传统的图像相比，高光谱图像的波段数很多，高光谱图像占用的空间很大，将容 量很大的高光谱图像从卫星传到地面需要占用很多网络资源和传输时间，制约了高光谱图 像的广泛应用。
[0004] 传统的高光谱图像压缩一般属于数据级压缩，数据级压缩一般是数据下传到地面 以后由地面处理系统为减少存储空间进行的压缩。
[0005] 与数据级压缩相比，特征级压缩具有更好的实用性。特征级压缩不仅可以减少高 光谱图像的存储空间，而且可以有效减少高光谱图像分类、目标检测和识别等后续步骤的 处理时间。目前，高光谱图像的特征级压缩方法还很少，不能满足实际应用的需求。
[0006]目前，高光谱图像的在轨处理有很强的应用需求。与传统的高光谱图像压缩不同， 高光谱图像的在轨压缩不仅要考虑数据传输效率、存储空间等基本要求，还要考虑在轨处 理的时效性要求及数据压缩与后续的处理步骤之间的关系。


【发明内容】

[0007] 本发明的目的是针对现有技术的问题，提供一种在轨处理的特点和实际应用的需 求、有效的高光谱图像在轨压缩方法。
[0008] 为了实现上述目的，本发明的高光谱图像在轨压缩方法包括如下步骤：
[0009] 步骤S1:根据高光谱图像波段间的相似性对波段进行自适应的光谱分组和波段 重排，得到初始字典、压缩维数和最优波段顺序、最优波段顺序重排的高光谱图像；
[0010] 步骤S2 :利用初始字典、光谱稀疏特性和光谱曲线的结构特征，将最优波段顺序 重排的高光谱图像压缩到光谱维数较低的特征空间，得到具有保持光谱曲线可分性的结构 字典；
[0011] 步骤S3:在特征空间中提取显著性目标区域，利用稀疏矩阵存储显著性目标区 域，对特征空间中的背景区域的特征图像进行降采样，得到深度压缩的背景区域；
[0012] 步骤S4:对稀疏矩阵存储的显著性目标区域、深度压缩的背景区域以及结构字典 数据进行数据解压缩，恢复每一个特征图像，获得恢复的高光谱图像。
[0013] 本发明的有益效果：本发明所述方法对于提高在轨处理环境下的高光谱数据压缩 性能、高光谱数据结构特征的保持具有重要的意义，其主要优点如下：
[0014] 本发明综合考虑了高光谱数据在光谱维上的结构特点和稀疏性、显著目标的重要 性和背景区域的可深度压缩性，在确保恢复质量的基础上对高光谱图像进行多方位的深度 压缩。利用光谱稀疏特性将高光谱图像压缩到维数较低的特征空间，大大节省了网络资源 和存储资源；利用结构字典描述光谱曲线的结构特征，用以保持光谱曲线的可分性。利用稀 疏矩阵存储显著目标区域，对背景区域的特征图像进行降采样，进一步节省网络资源和后 续处理步骤的处理时间。
[0015] 本发明是一种集数据级压缩、特征级压缩和目标级压缩于一体的多级别压缩，特 征级压缩保持了光谱曲线的可分性，目标级压缩保持了目标的细节，数据级压缩确保在特 征级压缩和目标级压缩后仍可以恢复数据，压缩的过程中考虑了数据的恢复质量尤其是目 标区域细节的可保持性。这种多级别的压缩方式使得其中间结果可以直接被高光谱图像解 混、高光谱图像分类等后续步骤应用，在完成数据压缩的同时大大减少了后续应用的处理 时间。
[0016] 得益于上述优点，本发明极大地提高了高光谱图像的在轨压缩性能及对其他在轨 处理模块如高光谱图像解混、高光谱图像分类的支撑作用，可广泛应用于星载高光谱图像 在轨压缩、高光谱图像在轨分类及异常目标在轨检测等系统中。

【专利附图】

【附图说明】
[0017] 图1是本发明高光谱图像在轨压缩流程图。

【具体实施方式】
[0018] 为使本发明的目的、技术方案和优点更加清楚明白，下面结合【专利附图】

【附图说明】本发明技 术方案中所涉及的技术问题。应指出的是，所描述的实施方式仅旨在便于对本发明的理解， 而对其不起任何限定作用。
[0019] 如图1示出本发明基于光谱稀疏特性和目标显著特性的高光谱图像在轨压缩方 法，该方法包括步骤如下：
[0020] 步骤S1光谱分组与波段重排：根据高光谱图像波段间的相似性对波段进行自适 应的光谱分组和波段重排，得到初始字典、压缩维数、最优波段顺序和最优波段顺序的高光 谱图像。具体过程如下：
[0021] 步骤S11数据重排：将每一波段的二维图像转换为一维向量，然后按照波段顺序 将整个三维的高光谱图像I重排为二维矩阵X=(Xl ;x2;…Xi;Xp)T，设Xi表示将第i个波 段图像按照"先列后行"顺序重新排列的IX(mXn)维的行向量；其中，i为波段的序号，i =1，2, 3,…，p，m为高光谱图像的高度，n为高光谱图像的宽度，p为高光谱图像的波段数， T为二维矩阵的转置。
[0022] 步骤S12波段重排及初始字典学习：根据波段间光谱响应的相关性调整波段的排 列顺序、对波段进行分组并为每组确定聚类中心，聚类中心即为初始字典。波段重排及初始 字典学习是通过对各波段的光谱响应进行自动聚类实现，自动聚类将波段间的互相关系数 作为相似性度量准则，在初始化时把所有的波段看成潜在的中心点，然后通过迭代传播责 任感消息和可用性消息寻找每个波段的聚类中心并确定每个波段的分组类别。责任感消息 r(il，i2)表示第i2个波段适合作为第il个波段的聚类中心的程度，il和i2为波段的序 号，;11 = 1，2,3，*"，口，12 = 1，2,3，*"，口。可用性消息3(;[1，12)表示第;[1个波段选择 第i2个波段作为其聚类中心的可能性。波段重排及初始字典学习的具体步骤如下：
[0023] 步骤S121 :可用性消息的初始状态：a(il，i2) = 0 ;
[0024] 步骤S122 :根据可用性消息更新所有的责任感消息，即

【权利要求】
1. 一种高光谱图像在轨压缩方法，包括如下步骤： 步骤S1 :根据高光谱图像波段间的相似性对波段进行白适应的光谱分组和波段重排， 得到初始字典、压缩维数和最优波段顺序、最优波段顺序重排的高光谱图像； 步骤S2 :利用初始字典、光谱稀疏特性和光谱曲线的结构特征，将最优波段顺序重排 的高光谱图像压缩到光谱维数较低的特征空间，得到具有保持光谱曲线可分性的结构字 血. 步骤S3:在特征空间中提取显著性目标区域，利用稀疏矩阵存储显著性目标区域，对 特征空间中的背景区域的特征图像进行降采样，得到深度压缩的背景区域； 步骤S4 :对稀疏矩阵存储的显著性目标区域、深度压缩的背景区域以及结构字典数据 进行数据解压缩，恢复每一个特征图像，获得恢复的高光谱图像。
2. 根据权利要求1所述的高光谱图像在轨压缩方法，其特征在于，所述高光谱图像压 缩包括如下步骤： 步骤S21 :在初始字典基础上交替迭代更新字典和表示系数，得到高光谱图像的压缩 模型； 步骤S22 :利用压缩模型对最优波段顺序重排的高光谱图像进行压缩，得到光谱维数 较低的特征空间。
3. 根据权利要求2所述的高光谱图像在轨压缩方法，其特征在于，所述高光谱图像压 缩模型具有压缩误差和光谱曲线保持的两项约束。
4. 根据权利要求1所述的高光谱图像在轨压缩方法，其特征在于，所述初始字典由字 典原子构成，所述字典原子的个数由光谱分组与波段重排的聚类数目自动确定。
5. 根据权利要求1所述的高光谱图像在轨压缩方法，其特征在于，所述提取显著性目 标区域是根据平均波段高光谱图像的显著特征映射图像的直方图特性，提取显著性目标区 域。
6. 根据权利要求1所述的高光谱图像在轨压缩方法，其特征在于，所述稀疏矩阵存储 显著性目标区域是保持显著性目标区域的完整细节的目标区域。
7. 根据权利要求6所述的高光谱图像在轨压缩方法，其特征在于，所述用稀疏矩阵存 储显著性目标区域是未经下采样的特征图像，且保留了目标细节特征的目标数据。
8. 根据权利要求1所述的高光谱图像在轨压缩方法，其特征在于，所述数据解压缩包 括如下步骤： 步骤S41 :根据稀疏矩阵存储的目标区域、深度压缩的背景区域恢复每一个特征图像； 步骤S42 :根据特征图像和结构字典数据恢复高光谱图像。
9. 根据权利要求8所述的高光谱图像在轨压缩方法，其特征在于，所述恢复每一个特 征图像时显著性目标区域的数据来自稀疏矩阵存储的、未经下采样的目标数据，用于保证 数据解压后目标细节。
【文档编号】G06T9/00GK104408751SQ201410583964
【公开日】2015年3月11日 申请日期:2014年10月27日 优先权日:2014年10月27日
【发明者】霍春雷, 潘春洪, 周志鑫 申请人:中国科学院自动化研究所