高光谱图像压缩技术研究

论文摘要

高光谱遥感图像是同时在多个窄的光谱波段上对同一对象（背景与目标）进行观测所获得的图像，它反映了观测对象在各个窄光谱波段上的响应特性，包含了观测对象的更多信息。高光谱遥感图像在航空航天，地质勘探，环境监测，探月工程等许多领域有非常重要的应用价值。由于高光谱遥感图像数据量巨大，给数据的存储和传输带来过重负担，因此高光谱遥感图像的压缩技术成为重要的研究课题之一。本文以小波变换、神经网络、多尺度几何分析、独立成份分析和编码技术为基础，对高光谱遥感图像的压缩技术进行了系统深入的研究，主要研究工作及其成果如下：在分析整数小波变换性能和高光谱图像特征的基础上，针对机载高光谱图像无损压缩技术的低计算复杂度和高压缩速度的要求，提出了一种基于整数小波变换和谱间线性预测的高光谱遥感图像无损压缩算法。该算法用可逆整数小波变换去除图像的空间冗余；在谱间去相关方面，通过抽样计算相邻图像的相关系数，根据相关系数进行谱间判定预测；最后对残差图像进行自适应算术编码。该算法具有计算简单，适合并行处理和易于硬件实现的特点。实验结果表明：对于所用机载64波段的遥感图像，该算法的压缩比高于侧四邻域预测树算法并和误差补偿预测树算法的结果相当，而且压缩时间不超过误差补偿预测树算法的四分之一。码书设计是矢量量化的关键技术之一，在分析介绍矢量量化技术和自组织映射（SOFM）神经网络的基础上，针对矢量量化技术中经典的LBG算法和SOFM神经网络学习算法的不足，对SOFM神经网络学习算法进行了改进，提高了码书的训练速度和码书的性能。提出了一种基于SOFM码书设计的矢量量化和分类谱间预测相结合的高光谱遥感图像无损压缩算法，该算法首先对高光普图像的光谱维进行矢量量化，其次用波段矢量减去对应类别的码矢量得到残差图像，残差图像减少了高光谱图像的空间相关性，并且在矢量量化的基础上构造分类谱间预测器去除谱间相关性，最后对预测后的数据、分类图和码书进行自适应算术编码。实验结果表明，与用经典的LBG算法进行码书设计相比，该算法具有更好的压缩性能。遥感图像具有纹理丰富的特点，在压缩时，尽量保留这些细节信息对高光谱图像的后续分析是非常重要的。在分析Contourlet变换和基于小波系数Contourlet变换（WBCT）的基础上，针对它们用于压缩存在的问题，提出了基于小波系数的均衡方向变换（WUDFB）方法，不仅克服了Contourlet变换具有4／3冗余度的缺点，而且能够有效地减少WBCT在轮廓和平滑区域引入的噪声。进而提出了一种基于WUDFB的高光谱图像压缩算法，该算法通过WUDFB变换和预测去除空间和谱间冗余，通过设计实现的无列表集合分割嵌入式块编码器（NLS）对变换和预测后的系数进行编码，生成嵌入式码流。实验结果表明，该算法与基于小波的算法相比，重构图像能够较好的保留原始图像的细节信息，并且在高压缩比的情况下，能得到较高的平均峰值信噪比。根据独立成分分析（ICA）的特点，将其用于高光谱遥感图像数据的降维，针对ICA产生的独立成分分量IC图像在出现顺序上是随机的这一问题，提出了一种以高阶统计量作为判断准则的IC图像选取方法。在此基础上，提出了一种基于ICA的面向分析的高光谱图像压缩算法，该算法首先通过ICA提取高光谱数据的光谱特征实现高光谱图像降维，再对降维后的IC图像采用预测和自适应算术编码的方法进行压缩。为了验证算法的后续分析能力，设计并完成了高光谱遥感图像的分类精度实验和对小目标信息保存能力的实验。实验结果表明，该算法与基于PCA降维的算法相比，虽然峰值信噪比有所降低，但压缩比有所提高，并且解压后的IC图像具有更强的分类能力，重构图像对小目标具有很好的信息保存能力，便于对小目标的探测与识别，具有重要的国防应用前景。以上理论分析结果和算法已用国家863-308提供的64波段高光谱图像和美国AVIRIS 220波段高光谱图像进行了实际验证，取得了令人满意的结果。

论文目录

• 摘要
• Abstract
• 图目录
• 表目录
• 缩略表
• 第一章 绪论
• 1.1 课题研究背景和意义
• 1.2 课题研究的历史与现状
• 1.2.1 静态图像压缩技术
• 1.2.2 高光谱图像特征分析
• 1.2.3 高光谱图像压缩技术现状
• 1.3 本文的主要工作
• 第二章 基于整数小波变换的高光谱图像无损压缩
• 2.1 引言
• 2.2 小波变换
• 2.2.1 小波变换简介
• 2.2.2 多分辨分析和Mallat算法
• 2.2.3 提升方案和整数小波变换
• 2.3 整数小波变换与图像无损压缩
• 2.3.1 二维小波变换
• 2.3.2 整数小波变换压缩性能分析
• 2.3.3 整数小波变换用于无损压缩应考虑的问题
• 2.4 基于整数小波变换的高光谱图像无损压缩算法
• 2.5 实验结果及分析
• 2.6 本章小结
• 第三章 基于神经网络的高光谱图像无损压缩
• 3.1 引言
• 3.2 矢量量化
• 3.2.1 矢量量化编码原理
• 3.2.2 码书设计和码字搜索
• 3.3 基于神经网络的高光谱图像矢量量化
• 3.3.1 基本原理
• 3.3.2 基于自组织映射神经网络的码书设计
• 3.4 分类谱间预测器
• 3.5 基于神经网络的高光谱图像无损压缩算法
• 3.6 实验结果与分析
• 3.7 本章小结
• 第四章 基于多尺度几何分析的高光谱图像压缩
• 4.1 引言
• 4.2 Contourlet变换及其非线性逼近性能
• 4.2.1 Contourlet变换
• 4.2.2 Contourlet变换系数的分布特征
• 4.2.3 Contourlet变换的非线性逼近性能
• 4.3 基于小波变换的多尺度方向分析
• 4.3.1 基于小波的Contourlet变换
• 4.3.2 均衡方向滤波器组
• 4.3.3 基于小波系数和均衡方向滤波器的多尺度方向分析
• 4.3.4 非线性逼近性能实验结果比较
• 4.4 基于多尺度方向分析的高光谱图像压缩
• 4.4.1 基于多尺度方向分析的高光谱图像压缩方案
• 4.4.2 WUDFB变换域嵌入式块编码算法
• 4.5 实验结果与分析
• 4.6 本章小结
• 第五章 基于独立成分分析的高光谱图像数据降维及压缩
• 5.1 引言
• 5.2 独立成分分析
• 5.2.1 独立成分分析基础
• 5.2.2 独立成分分析的主要判据
• 5.2.3 独立成分分析算法
• 5.2.4 快速定点学习算法
• 5.3 基于ICA的高光谱数据降维
• 5.4 基于ICA的高光谱数据压缩
• 5.5 实验结果与分析
• 5.5.1 220波段高光谱数据
• 5.5.2 64波段高光谱数据
• 5.6 本章小结
• 第六章 总结和展望
• 6.1 论文总结
• 6.2 研究展望
• 参考文献
• 攻读博士学位期间的研究成果
• 致谢