基于空谱特性的高光谱图像压缩方法

文档序号:9616659阅读:508来源:国知局
基于空谱特性的高光谱图像压缩方法
【技术领域】
[0001] 本发明属于图像压缩技术领域,具体涉及一种基于空谱特性并结合JPEG2000的 图像数据压缩方法。
【背景技术】
[0002] 高光谱遥感(Hyperspectralremotesensing)是近几十年才发展起来的一门新 兴学科。成像光谱仪在航空、航天载体上对地物进行观测,记录下数百个波段的高光谱遥感 图像数据。和传统的遥感图像比,高光谱遥感图像具有图谱合一的特点,同时具有高空间分 辨力和光谱分辨力,在农业、地质、军事侦察等方面具有广泛的应用前景。
[0003] 随着成像光谱技术的飞跃发展,高光谱数据的光谱分辨力和空间分辨力越来越 高,数据量化的深度也有所增加,同时卫星不间断周期性扫描次数也在不断增加。这些因素 都导致了高光谱遥感图像数据量的激增。典型AVIRIS图像大小为614X512,成像波段数为 224,如果每像素灰度值用16比特来表示,一组图像的数据量则约为140M字节。高光谱遥 感图像巨大的数据量给高光谱遥感图像的传输和存储带来巨大压力,严重制约了高光谱遥 感技术的发展。对高光谱遥感图像进行压缩可以:(1)较快地传输各种信源,降低信道占用 费用。(2)在现有的通信干线上开通更多的并行业务。(3)降低发射机的功率。(4)紧缩数 据存储容量,降低存储费用。因此,高光谱图像压缩技术成为高光谱遥感领域的研究热点。
[0004] 由于高光谱图像要用于诸如卫星勘探、制导等领域,另一方面受到卫星上所用计 算机以及数据传输设备等限制,故高光谱遥感图像的压缩技术必须满足:(1)高保真度,要 求解压后得到的恢复图像与原始图像相比,不影响分析和识别的应用。(2)高压缩比,能够 适应分辨力与采样率不断提高的情形下高光谱遥感图像的实时传输与存储的要求。(3)算 法简便、耗内存低,高光谱遥感图像数据量巨大,压缩算法的设计力争做到软件高效、硬件 低成本,以便设计出实时压缩处理系统。
[0005]与传统遥感图像和二维图像相比,高光谱遥感图像存在着更多的冗余信息,这样 就使高光谱图像数据压缩成为了可能,为高光谱数据的压缩提供了发挥空间。针对高光谱 遥感图像而言主要存在两种冗余一一谱间冗余和空间冗余。因此对高光谱图像数据的压缩 主要就是有效去除光谱数据间存在的空间冗余信息和谱间冗余信息。
[0006]目前,高光谱图像压缩算法基本上分为三类:基于预测的编码方法、基于矢量量化 技术的编码方法、基于变换的编码方法。其中基于预测的压缩方法主要用于无损压缩,压缩 比受到较大限制,对传输带宽依然有很高要求,不利于数据的实时传输;基于矢量量化压缩 方法的算法复杂度太高,计算量随着矢量维数的增加呈指数增长。基于变换的压缩方法对 高光谱图像的特性利用还不够充分。
[0007] 综上所述,现有技术存在以下问题:
[0008] 1)对高光谱图像的空间及谱间特性利用不够充分,压缩性能无法进一步提升。2) 算法复杂度偏高,不利于硬件实现。

【发明内容】

[0009] 本发明针对现有高光谱图像有损压缩算法对图像特性利用不够充分,图像恢复质 量低以及算法复杂度高的缺点,提出了一种充分利用高光谱图像空间特性和谱间特性,并 结合JPEG2000(基于小波变换的图像压缩标准,由JointPhotographicExpertsGroup组 织创建和维护)的高光谱图像压缩方法。
[0010] 本发明解决上述技术问题的技术方案为:一种基于空谱特性的高光谱图像压缩方 法,包括步骤:利用高光谱图像的空间相关性以及地物在空间上分布的连续性对高光谱图 像分块;对每个高光谱图像块进行自适应波段聚类分组;对每个高光谱图像块的每个波段 组分别进行主成分分析PCA(PrincipalComponentAnalysis)运算,得到经过若干降维后 的高光谱图像主成分,对所有高光谱图像主成分进行编解码,得到重构图像。
[0011] 本发明其中一个实施例包括,所述对高光谱图像分块进一步包括:读取高光谱图 像,根据空间维上像元的行数M、列数N、波段数得到一个高光谱数据立方体D;用像元间的 欧式距离衡量像元间的相似度,遍历空间维上第一行像元,如果相邻像元间的欧式距离小 于等于阈值μ,则两像元属于同一块,如果相邻像元间的欧式距离大于μ,则两像元属于 不同的块;遍历空间维上非第一行像元,比较相邻像元的相似度,选择相似度最大的像元以 及对应像元之间的欧式距离,若该欧式距离小于μ,则两像元属于同一块。
[0012] 本发明其中一个实施例包括,所述对高光谱图像块进行自适应波段聚类分组进一 步包括,根据所有波段之间的相似度组成相似度矩阵,根据公式= 确定 聚类的能量函数,其中,Q为波段1的聚类中心,S(l,C)为波段1与其聚类中心波段(^的 相似度;根据任意两波段l、k的相似度调用公式ρ=μ确定加权偏好参考度 p〇
[0013] 本发明其中一个实施例包括,读取每个高光谱图像块中的高光谱数据,将高光谱 数据重新排列为矩阵X,矩阵X中的每一行表示一个波段的数据,矩阵X中的每一列为一个 L维矢量;根据公式〃卩夂计算每个波段的样本均值,根据公式Cu= E[ (X「叫) (Χ^πΟ?计算任意光谱的协方差矩阵,根据公式= ?获得所有光谱矢量的协方 差矩阵;计算协方差矩阵的特征值和特征向量,对矩阵X进行降维,选取大于阈值的特征值 所对应的特征向量组成特征矩阵,用矩阵X乘以特征矩阵得到经过PCA运算后的高光谱图 像主成分。
[0014] 存在正交矩阵U= [Ul,u2,…,uj,使得所有光谱矢量的协方差矩阵Q可对角化, 即d吋角矩阵的对角元素{ληλ2,…,λ]为矩阵Q的特征 值,W为矩阵C:的弟
i个特祉值对应的特征向量。
[0015] 本发明其中一个实施例包括,遍历整个空间范围的高光谱图像,建立一个Μ行、N 列的分块矩阵A,将矩阵A中元素数值相同的位置所对应的高光谱数据立方体D中的像元 块归为同一块,将高光谱数据立方体D分成若干块,其中,矩阵A的元素Ay表不在空间坐标 (i,j)处光谱Du所属的块数。
[0016]本发明其中一个实施例包括,确定波段间的相关系数为波段间的相似度,以任一 图像块En所有波段之间的相似度组成相似度矩阵S,根据公式
茯得波段1和波段k之间的谱间相关 系数,其中,Xk(i,j)和Xi(i,j)分别为图像块中第k波段和第1波段上空间坐标(i,j)的 像素,μμi分别为波段k和波段1上所有像素的均值,Μ和N分别表示图像块空间 维上的行数和列数;根据公式
确定加权偏好参考度λ,根据公式: 间的吸引度并更新;根据公式:、a(l,k) -A*a(l,k )(1-λ) *a(1,k) _计算波段间的归属度并更新,其中,s(1,k)表示波段1与波段k间的 相似度,s(l,k')表示波段1与波段k'间的相似度,a(l,k')表示波段1对波段k'的归属 度,r(l,k)表示波段k对波段1的吸引度,以1,1〇^表示波段k对波段1前一次的吸引度, r(l,1〇_代表波段1与波段k当前的吸引度,a(l,k) ^表示波段k对波段1前一次的归属 度,a(1,k) _代表波段k对波段1当前的归属度,不断进行迭代更新,根据当前得到的吸引 度与归属度,当r(1,k)+a(1,k)最大时,获得波段1的中心波段k,根据中心波段将所有波段 分成若干组。
[0017]加权偏好参考度用来反映各波段最终被选作类代表波段的统一偏好程度,聚类中 心波段与该类中其他任何波段的相
当前第1页1 2 3 4 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1