基于多方向字典学习的极化sar图像压缩方法
【专利摘要】本发明公开了一种基于多方向字典学习的极化SAR图像压缩方法，主要解决现有技术压缩重构图像质量低的问题。其实现步骤为：(1)输入一组极化SAR四通道图像，并做非对称三维小波变换；(2)对离散小波变换后各通道不同尺度下高频子带不同方向的系数矩阵分别稀疏表示，得到各稀疏矩阵；(3)对离散小波变换后的各低频子带系数矩阵进行量化并编码，得到低频码流；(4)对不同尺度不同方向的稀疏矩阵统一量化并编码，得到高频码流；(5)用低频码流和高频码流形成最终码流。本发明能有效去除通道间冗余，更好的保留了图像边缘信息和轮廓信息，提高了压缩后重构图像的质量，可用于极化SAR图像的传输和存储。
【专利说明】基于多方向字典学习的极化SAR图像压缩方法
【技术领域】
[0001] 本发明属于图像处理【技术领域】，更进一步涉及极化合成孔径雷达SAR图像压缩方 法，可用于极化SAR图像的传输和存储。
【背景技术】
[0002] 合成孔径雷达SAR，作为一种高分辨率的微波遥感工具，具有全天候、全天时的成 像特点，含有大量的信号特征，广泛的应用在遥感领域，如军事侦察、地形测绘、目标识别 等。极化合成孔径雷达SAR比传统的合成孔径雷达提供更多的信息，大大增强了对于信息 的处理能力。但是相应的数据量会成倍的增加。由于需要将大容量的数据实时的传输并存 储，对数据的压缩就显得尤为必要。
[0003] 传统的极化SAR图像压缩方法是将其四通道图像看作独立的4个SAR图像，利用 SAR图像压缩方法分别对各通道图像进行压缩，不能充分的利用极化SAR图像自身特性，如 通道之间的相关性，达不到理想的压缩效果。近年来，有一些学者考虑到了极化SAR图像自 身的特性并将其应用在压缩上，如张文超等人在多极化SAR图像3D-SPIHT压缩一文中指 出，将极化SAR图像的HH通道图像，VV通道图像，HV通道图像作为一个整体，进行三维矩阵 变换，而后应用改进的SPIHT编码进行压缩传输。此方法虽然考虑到并且有效的去除极化 通道之间的冗余性，但是由于在压缩率一定时，SPIHT算法不能有效的保留图像的边缘信息 和轮廓信息，造成重构图像质量的降低。
【发明内容】
[0004] 本发明的目的在于克服现有技术的不足，提出了一种基于多方向字典学习的极化 SAR图像压缩方法。以有效去除极化SAR通道之间的冗余以及各个通道自身内部的冗余，降 低图像重要信息的损失，提高重构图像的质量。
[0005] 为实现本发明目的的具体步骤包括如下：
[0006] (1)输入一组待压缩的极化SAR四通道图像，并对该四通道图像进行非对称三维 离散小波变换，得到各通道低频子带系数矩阵和不同尺度下高频子带系数矩阵；
[0007] (2)将各通道不同尺度下高频子带的水平、垂直、对角三方向的系数矩阵使用水 平、垂直、对角方向的字典分别稀疏表示，得到各通道不同尺度不同方向的稀疏矩阵；
[0008] (3)对各通道离散小波变换后的低频子带系数矩阵进行量化，使用DPCM预测编码 对其量化系数矩阵进行编码，再用Huffman编码对DPCM预测编码剩余的预测残差进行编 码，得到低频码流；
[0009] (4)对各通道不同尺度不同方向的稀疏矩阵统一量化，用Huffman编码对量化稀 疏矩阵的系数幅度值和系数位置索引值进行编码，得到高频码流；
[0010] (5)用低频码流和高频码流形成最终码流，并输出。
[0011] 本发明与现有技术相比具有以下优点：
[0012] 第一，本发明由于对待压缩极化SAR四通道图像进行三维离散小波变换，初步去 除了极化通道间及各通道内部的冗余，之后在小波域利用字典学习算法去除变换后剩余的 冗余，克服了现有方法仅用变换的方法冗余去除不充分的缺点，进一步提高了压缩率。
[0013] 第二，本发明由于使用多方向RLS字典学习方法得到的字典对相应方向高频子带 系数矩阵进行稀疏表示，克服了现有技术不能有效的保留图像边缘信息和轮廓信息的缺 点，很大程度上提高了重构图像的质量。
【专利附图】
【附图说明】
[0014] 图1为本发明的的实现流程图；
[0015] 图2为本发明所使用的一组待压缩极化SAR四通道图像的原始图；
[0016] 图3为二维离散小波变换后水平方向不同尺度高频子带系数矩阵示意图；
[0017] 图4为本发明与现有方法对一组极化SAR图像的HH通道图像在0. 25bpp下的压 缩重构对比。
【具体实施方式】
[0018] 下面结合附图对本发明做进一步的描述。
[0019] 参照附图1，本发明的实现步骤如下：
[0020] 步骤1 :输入图像。
[0021] 输入任选的一组待压缩极化SAR四通道图像。本发明实例中使用的待压缩极化 SAR四通道图像如图2所示，图2为美国旧金山地区的一组极化SAR图像（NASA/JPL，1988)， 在本发明中记为San Francisco。其中，图2 (a)为HH通道图像、图2(b)为HV通道图像、图 2 (c)为VH通道图像、图2⑷为VV通道图像，各幅图像大小为512*512,图像位深为8位， 格式均为BMP。
[0022] 步骤2 :对输入的极化SAR四通道图像进行非对称三维离散小波变换，得到各通道 低频子带系数矩阵和不同尺度下高频子带系数矩阵。
[0023] 第一步，将四通道图像矩阵按照HH/HV/VH/VV四通道的顺序构造成三维矩阵 X(x, y, z)；
[0024] 第二步，对三维矩阵X (x，y，z)进行矩阵方向尺度为1的一维离散小波变换，得到 经过一维离散小波变换后的三维矩阵Y (X，y，P);
[0025] 第三步，对变换后的三维矩阵Y(x，y，P)的每一页分别进行尺度为L的二维离散 小波变换，得到各个矩阵页低频子带系数矩阵和不同尺度下高频子带系数矩阵，实验中取L =3〇
[0026] 其中，X，y, z分别表示三维矩阵X(x, y, z)的行、列和页，P表示三维矩阵Y(x, y, P) 的页。实验中P取值为〇、1、2、3。
[0027] 步骤3 :对各通道不同尺度下高频子带的水平、垂直、对角方向的系数矩阵按对应 方向的字典进行稀疏表示，得到各通道不同尺度不同方向的稀疏矩阵。
[0028] (3a)按照RLS字典学习的方法得到各方向的字典：
[0029] (3al)构造字典训练所需的各方向样本集矩阵：
[0030] (3al_l)选择已有的极化SAR四通道图像，并将四通道图像矩阵按照HH/HV/VH/VV 四通道的顺序构造成三维矩阵A (X，y，z)，对此三维矩阵A (X，y，z)进行矩阵方向尺度为1的 一维离散小波变换，得到经过一维离散小波变换后的三维矩阵B (x，y，P)。其中，x，y，z分别 表示三维矩阵A(x，y，z)的行、列和页，P表示三维矩阵B(x，y，P)的页。实验中P取值为0、 1、2、3 ;
[0031] (3al_2)对一维离散小波变换后的三维矩阵B(x，y，P)每一页分别进行尺度为L 的二维离散小波变换，得到各矩阵页不同尺度下高频子带不同方向的系数矩阵；实验中取 L = 3 ；
[0032] 记三维矩阵B (X，y，P)第1页、第2页、第3页、第4页尺度为1的二维离散小波变 换后高频子带水平方向的系数矩阵分别为Cll，C12, C13, C14 ;尺度为2的高频子带水平方 向的系数矩阵分别为C21，C22, C23, C24 ;尺度为3的高频子带水平方向的系数矩阵分别为 C31，C32, C33, C34。
[0033] 例如，第1页不同尺度下高频子带水平方向的系数矩阵构成如图3所示，其中Cll 为二维离散小波变换后系数矩阵均分4份后的右上部分，C21为系数矩阵均分4份后，取其 左上部分再均分4份的右上部分，C31为系数矩阵均分4份后，取其左上部分再均分4份后， 取其左上部分再均分4份的右上部分。其他矩阵页的构成与第1页相同。
[0034] 高频子带垂直方向和对角方向的系数矩阵与高频子带水平方向的系数矩阵构成 方法相同，只需将各尺度高频子带水平方向的系数矩阵替换为高频子带垂直方向和对角方 向的系数矩阵；
[0035] (3al_3)将各方向的矩阵集依次进行矩阵转换并顺序连接，构成本方向的样本集 矩阵。
[0036] 下面以水平方向样本矩阵集的构造方式为例进行详细说明，垂直和对角方向的样 本矩阵集的构造方法和水平方向方法相同。
[0037] 对每个高频子带水平方向的系数矩阵分块，如Cll，块大小为8*8,再对每个8*8的 块按照从上到下，从左到右扫描的方法构成一个64*1的向量；每个变换后的矩阵块按照其 在原始矩阵，如Cll中从上到下，从左到右的顺序构造成新矩阵，表示为Cll'。对所有转换 后的高频子带水平方向的系数矩阵按照Cll'、C21'、C31'、C41'、C12' · · *C34'的 顺序结合，构成水平方向样本集矩阵；
[0038] (3a2)分别对各个样本集矩阵应用RLS字典学习方法，得到各方向字典：
[0039] (3a2_l)选择初始字典D0,实验中由样本集矩阵中前441个向量构成，初始C矩阵 Q1，取值与Dtl -致，每次迭代中的遗忘因子λ i的范围为〇彡λ i彡1，其中下标i表示迭代 次数；
[0040] (3a2_2)从样本集矩阵中获取一个新的训练向量Xi，得到其在字典Dg下的稀疏系 数Wi :
[0041] wi=ar§ minIh - IL si lk/ L - ^?
[0042] 其中，s为Wi中非零值个数预定的阈值；
[0043] 本稀疏系数Wi的求解使用由M. Gharavi-Alkhansari等人在文献"A fast orthogonal matching pursuit algorith"中提出的顺序递归匹配追踪算法，令巧和0卜丨为 算法的输入向量和输入字典，s为设定的阈值，最终输出稀疏系数W i ;
[0044] (3a2_3)根据新的训练向量Xi、字典Dp1和稀疏系数W i，计算误差r :
[0045] r = Xi-D^1Wi ；
[0046] (3a2_4)设定 G = K1，计算定义的向量M = Ciw,·，α = 1Zi1 + wf，其中 wf 表 示Wi的转置；
[0047] (3a2_5)按照下式更新字典Di和C矩阵Ci为 ：
[0048] Di = D^1+ a ruT,
[0049] Ci = C"_ an!1 ;
[0050] (3a2_6)循环（3a2_2) -（3a2-5)直到下标i满足设定的迭代次数，得到字典Di ;
[0051] (3b)各通道不同尺度高频子带的水平、垂直、对角三方向的系数矩阵结合对应方 向的字典应用顺序递归匹配追踪算法，得到各通道不同尺度不同方向的稀疏矩阵。
[0052] 步骤4 :对各通道离散小波变换后的低频子带系数矩阵进行量化，使用DPCM预测 编码对其量化系数矩阵进行编码，再用Huffman编码对DPCM预测编码剩余的预测残差进行 编码，得到低频码流。
[0053] 步骤5 :对各通道不同尺度不同方向的稀疏矩阵统一量化，用Huffman编码对量化 稀疏矩阵的系数幅度值和系数位置索引值进行编码，得到高频码流。
[0054] 步骤6 :用低频码流与高频码流形成最终输出码流。
[0055] 本发明效果可通过以下仿真进一步说明。
[0056] 1.仿真实验条件：
[0057] 本发明的硬件测试平台是：处理器为Inter Core 2Duo E6550,主频为2. 33GHz， 内存2GB，软件平台为：Windows 7旗舰版32位操作系统和Matlab R2010b。本发明的输入 图像为待压缩的极化SAR四通道图像，各幅图像大小为512*512,图像位深为8位，格式为 BMP。
[0058] 仿真使用的方法为以下三种：
[0059] 1)张文超等人在文献"多极化SAR图像3D-SPIHT压缩。电子与信息学报，2008" 中提出的对极化SAR图像的压缩方法，简称3D-SPIHT方法。
[0060] 2)Maryline Charrier 等人在文献"JEPG2000, the next millennium compression standard for still images, 1999, 131-132" 中提出的一种对于图像的压缩 方法，是图像处理领域中最常用的压缩方法，简称JEPG2000方法。
[0061] 3)本发明方法。
[0062] 2.仿真内容：
[0063] 应用本发明的方法与现有的3D-SPIHT方法，JEPG2000的方法分别对一组San Francisco图像进行不同压缩率的编码传输，其中对0. 25bpp下的压缩码流进行解码重构 得到的重构图如图4所示，其中图4(a)为本发明对San Francisco的HH通道图像压缩传 输后的重构图像，图4(b)为现有技术3D-SPIHT对San Francisco的HH通道图像压缩传输 后的重构图像，图4(c)为现有技术JEPG2000对San Francisco的HH通道图像压缩传输后 的重构图像。
[0064] 所述bpp是指图像每个像素点所占的位数，如0· 25bpp是指将原先每个像素点占 用8位的图像压缩为每个像素点只占用0. 25位。
[0065] 3.仿真结果分析：
[0066] 从图4三幅重构图的对比可以看出，本发明方法的重构图像与现有技术的重构图 像相比，能够更好的保持待压缩图像的边缘和细节信息并且匀质区域的平滑性更好。
[0067] 一般来说，峰值信噪比PSNR是传统的图像压缩算法性能应用最广泛的客观评价， 通过计算误差的范数度量来描述重构图像与原始图像的失真。其计算公式如下：
[0068] PSNR = 10 X Iogltl (2552/MSE)，
【权利要求】
1. 一种基于多方向字典学习的极化SAR图像压缩方法，包括如下步骤： (1) 输入一组待压缩的极化SAR四通道图像，并对该四通道图像进行非对称三维离散 小波变换，得到各通道低频子带系数矩阵和不同尺度下高频子带系数矩阵； (2) 将各通道不同尺度下高频子带的水平、垂直、对角三方向的系数矩阵使用水平、垂 直、对角方向的字典分别稀疏表示，得到各通道不同尺度不同方向的稀疏矩阵； (3) 对各通道离散小波变换后的低频子带系数矩阵进行量化，使用DPCM预测编码对其 量化系数矩阵进行编码，再用Huffman编码对DPCM预测编码剩余的预测残差进行编码，得 到低频码流； (4) 对各通道不同尺度不同方向的稀疏矩阵统一量化，用Huffman编码对量化稀疏矩 阵的系数幅度值和系数位置索引值进行编码，得到高频码流； (5) 用低频码流和高频码流形成最终码流，并输出。
2. 根据权利要求1所述基于多方向字典学习的极化SAR图像压缩方法，其特征在于，所 述步骤（1)中对四通道图像进行非对称三维离散小波变换，按照如下步骤： (2a)将四通道图像矩阵按照HH/HV/VH/VV四通道的顺序构造成三维矩阵； (2b)对此三维矩阵进行矩阵方向一维离散小波变换，得到经过一维离散小波变换后的 三维矩阵； (2c)对上述变换后的三维矩阵的每一页分别进行尺度为L的二维离散小波变换。
3. 根据权利要求1所述基于多方向字典学习的极化SAR图像压缩方法，其特征在于，所 述步骤（2)中各方向的字典，按如下步骤得到： (3a)选择已有的极化SAR四通道图像，将图像矩阵按照HH/HV/VH/VV四通道顺序构造 成三维矩阵，并对该三维矩阵进行非对称三维离散小波变换，得到各通道不同尺度下高频 子带系数矩阵； (3b)用各通道不同尺度下高频子带的水平、垂直、对角方向的系数矩阵构造相应方向 字典训练的样本集，按照RLS字典学习的方法得到各方向字典。
【文档编号】G06T9/00GK104361614SQ201410682164
【公开日】2015年2月18日 申请日期:2014年11月21日 优先权日:2014年11月21日
【发明者】白静, 焦李成, 魏瑶, 刘斌, 王爽, 马晶晶, 马文萍, 杨淑媛 申请人:西安电子科技大学