高光譜圖像目標(biāo)檢測(cè)及壓縮方法研究.pdf

1、高光譜遙感有機(jī)地結(jié)合了成像光譜處理技術(shù)和目標(biāo)探測(cè)技術(shù)，能夠同時(shí)以極窄間隔獲取成百上千個(gè)波段的光譜數(shù)據(jù)。這些像元點(diǎn)上的一維光譜信息數(shù)據(jù)與地物分布的二維空間信息數(shù)據(jù)的集合就構(gòu)成了高光譜圖像的“數(shù)據(jù)立方體”。高光譜圖像能夠顯現(xiàn)許多隱藏在較窄光譜波段上的地物特征，進(jìn)而解決一些在普通及多光譜遙感中無(wú)法處理的圖像問題。圖像中不同地物構(gòu)成的目標(biāo)或?qū)ο?，其像元光譜向量反映了該目標(biāo)或?qū)ο笤诓煌ǘ紊系奶厥夥担@就奠定了成功進(jìn)行高光譜圖像目標(biāo)檢測(cè)的理論基

2、礎(chǔ)。另外，隨著高光譜圖像的光譜和空間分辨率的不斷提升，高光譜“數(shù)據(jù)立方體”的體積也不斷擴(kuò)大，促使圖像數(shù)據(jù)壓縮成為一種必需的高光譜圖像處理技術(shù)。為此，本文在分析高光譜圖像處理的基本理論、現(xiàn)有算法以及相關(guān)處理技術(shù)的基礎(chǔ)之上，重點(diǎn)研究了高光譜圖像的目標(biāo)檢測(cè)和圖像數(shù)據(jù)壓縮技術(shù)。
　　在高光譜圖像的目標(biāo)檢測(cè)方面，研究了稀疏表示在目標(biāo)檢測(cè)領(lǐng)域中的作用。文中主要從兩個(gè)角度對(duì)稀疏表示算法進(jìn)行探索：一方面研究高光譜圖像中蘊(yùn)含的空間信息在稀疏表示目標(biāo)

3、檢測(cè)中的作用；另一方面研究稀疏超完備字典的優(yōu)化問題。
　　由于基礎(chǔ)的稀疏表示模型在進(jìn)行高光譜圖像目標(biāo)檢測(cè)處理時(shí)，主要使用圖像數(shù)據(jù)中蘊(yùn)含的光譜信息，僅僅單獨(dú)地考慮每個(gè)像元的光譜曲線和其對(duì)應(yīng)的稀疏表示向量，并沒有利用高光譜圖像中蘊(yùn)含的空間信息。為了提高目標(biāo)檢測(cè)的性能，提出基于空間支持的稀疏表示算法進(jìn)行高光譜圖像目標(biāo)檢測(cè)?？紤]高光譜圖像中蘊(yùn)含的空間相關(guān)性，研究和探索其在高光譜圖像目標(biāo)檢測(cè)中的作用，先后針對(duì)高光譜圖像的4-鄰域空間、自適應(yīng)

4、空間、以及非連通空間的空間相關(guān)性進(jìn)行研究，將目標(biāo)像元及其4-鄰域、自適應(yīng)空間支持區(qū)域或非連通空間區(qū)域中像元的稀疏表示綜合考慮，提高目標(biāo)檢測(cè)算法的效果和效率。仿真實(shí)驗(yàn)結(jié)果表明，使用空間支持后的稀疏表示算法對(duì)高光譜圖像進(jìn)行目標(biāo)檢測(cè)時(shí)，其檢測(cè)效果和計(jì)算效率都有一定程度的提高。
　　對(duì)基于稀疏表示的高光譜圖像目標(biāo)檢測(cè)中所使用的稀疏字典問題進(jìn)行研究，已有的稀疏表示算法需要給定一個(gè)超完備字典，其包含大量的字典原子。而在稀疏表示系數(shù)中，大部分系

5、數(shù)的權(quán)值為零。這樣，這些稀疏字典原子在計(jì)算像元的稀疏表示中就可以直接地忽略。為此，提出一種基于自適應(yīng)子空間的稀疏表示高光譜圖像目標(biāo)檢測(cè)算法?；趫D像中像元光譜的相似性，該方法使用 k近鄰搜索(k-NN)算法從初始的超完備字典中，自適應(yīng)的選擇與當(dāng)前要計(jì)算的像元光譜較為相似的稀疏字典原子，構(gòu)成自適應(yīng)子字典。仿真實(shí)驗(yàn)結(jié)果表明，使用基于自適應(yīng)子字典的稀疏表示算法，檢測(cè)高光譜圖像中的目標(biāo)時(shí)，其檢測(cè)效果有一定程度的提高，同時(shí)計(jì)算效率也有較大程度的提

6、升。
　　在高光譜圖像壓縮方面，文中主要從兩個(gè)角度對(duì)壓縮算法進(jìn)行了研究：一是基于目標(biāo)分布改進(jìn) DCT的高光譜圖像壓縮方法；二是多元向量量化的高光譜圖像壓縮方法。對(duì)于基于目標(biāo)分布改進(jìn) DCT的高光譜圖像壓縮方法，由于一般的壓縮算法在處理圖像數(shù)據(jù)時(shí)，對(duì)圖像不同區(qū)域的數(shù)據(jù)一視同仁，而這些區(qū)域包含有不同的地物，其復(fù)雜分布對(duì)壓縮算法的性能產(chǎn)生了很大程度的影響。尤其是對(duì)于圖像中存在感興趣目標(biāo)的高光譜圖像，一般的壓縮方法很容易丟失目標(biāo)的信息。根

7、據(jù)圖像中包含的不同地物內(nèi)容而采取不同的壓縮和編碼處理，提取圖像中包含的目標(biāo)區(qū)域子圖像，然后單獨(dú)對(duì)其進(jìn)行壓縮；進(jìn)而使用保證背景區(qū)域更為平滑的背景均值來(lái)填充因?yàn)橐瞥繕?biāo)區(qū)域而形成的空間缺失，修補(bǔ)后的圖像將具有一個(gè)更為均質(zhì)的背景，然后將其作為一個(gè)整體壓縮。算法在保持重建圖像質(zhì)量和后續(xù)目標(biāo)檢測(cè)準(zhǔn)確性的基礎(chǔ)之上，有效地壓縮高光譜圖像數(shù)據(jù)。將這一基于目標(biāo)分布的壓縮方案應(yīng)用于二維和三維離散余弦變換(2D/3D DCT)壓縮算法中，重建圖像的定量評(píng)估表

8、明：提出的基于目標(biāo)分布改進(jìn) DCT的壓縮方法能夠提供比通用壓縮方法更好的圖像質(zhì)量和更高的目標(biāo)檢測(cè)準(zhǔn)確度。
　　對(duì)于多元向量量化的高光譜圖像壓縮方法，考慮DCT變換受到圖像Block塊的影響，使用基于向量量化算法的高光譜圖像壓縮方法。然而傳統(tǒng)的向量量化方法在壓縮圖像時(shí)，僅僅使用壓縮字典中的一個(gè)碼字來(lái)表示像元光譜，將像元光譜與選出的字典碼字的差值直接忽略，這就不可避免地造成了圖像信息損失。為此，提出一種多元向量量化的方法，該方法選用壓

9、縮字典中的兩個(gè)字典碼字來(lái)表示像元光譜向量，并使用了分別具有兩個(gè)參數(shù)權(quán)值和一個(gè)參數(shù)權(quán)值的多元向量量化模型，然后分別對(duì)索引地圖和權(quán)重系數(shù)進(jìn)行壓縮；壓縮所使用的兩個(gè)壓縮字典原子可以使用所提出的三種壓縮字典原子選擇方案來(lái)選取。為了使基于向量量化方法能夠更好的處理高光譜圖像壓縮問題，提出一種基于模糊C均值(FCM)聚類的壓縮字典設(shè)計(jì)方法。仿真實(shí)驗(yàn)結(jié)果表明，使用多元向量量化的高光譜圖像壓縮方法能夠在一個(gè)稍高的壓縮比特率級(jí)別上壓縮圖像，得到比傳統(tǒng)的向