基于光譜特性的高光譜圖像壓縮方法研究.pdf

1、高光譜圖像能夠?qū)崿F(xiàn)地物空間信息和光譜信息的同步獲取，正是由于這個獨特的優(yōu)勢，高光譜圖像在越來越廣泛的領(lǐng)域內(nèi)得到了應(yīng)用。但光譜信息的增加使得高光譜圖像具有數(shù)據(jù)量大的缺點，而這給數(shù)據(jù)的存儲和傳輸帶來了不利。添加了光譜維的高光譜數(shù)據(jù)作為一種三維圖像不同于普通的二維圖像，也不同于視頻圖像。高光譜圖像的壓縮成為圖像壓縮領(lǐng)域的一個較新的問題。因此如何分析高光譜圖像本身的特點，研究適合高光譜圖像壓縮的新方法，是一個值得研究的領(lǐng)域。
　　首先，為

2、了后續(xù)壓縮方法研究的順利進行，論文詳細(xì)分析了高光譜圖像的特點，并得出了相關(guān)的結(jié)論。相對于普通的數(shù)字圖像，高光譜圖像存在著較強的譜間相關(guān)性，而且高光譜圖像的譜間相關(guān)性要強于空間相關(guān)性。通過對高光譜圖像數(shù)據(jù)維的分析，得出了高維光譜空間大部分都是空的結(jié)論，奠定了高光譜圖像壓縮的理論基礎(chǔ)。高光譜圖像往往有上百個譜帶，而這些譜帶往往有著不同的重要性，這在高光譜圖像的譜帶信息熵上有所體現(xiàn)。經(jīng)過分析可以看出，高光譜圖像的特殊性就在于其光譜維，后續(xù)壓縮

3、方法的研究將主要集中在這一特性。而圍繞著光譜特性所展開高光譜圖像壓縮的研究也更能體現(xiàn)高光譜圖像本身的特點，從而獲得較好的壓縮效果。
　　其次，論文研究了基于光譜特性的矢量量化快速算法來壓縮高光譜圖像。矢量量化是一種有效的有損壓縮技術(shù)，尤其是在大壓縮比的情況下具有很大的優(yōu)勢，它是高光譜圖像壓縮的主流方法之一。但是矢量量化本身具有較高的編碼復(fù)雜度，尤其是針對數(shù)據(jù)量巨大的高光譜圖像，使其實用性大打折扣。因此，把矢量量化應(yīng)用到高光譜圖像壓

4、縮里很迫切的問題就是找到快速算法。從分析高光譜圖像特性的基礎(chǔ)出發(fā)，針對高光譜圖像矢量量化復(fù)雜度高的問題，提出了基于光譜特征選擇和基于光譜特征變換的兩種快速算法?？焖偎惴ㄔ谥亟ㄐ旁氡嚷晕⒔档偷那闆r下，把矢量量化的運算時間降低了一到兩個數(shù)量級，較好地解決了運算復(fù)雜度高的問題。
　　再次，提出了基于線性模型的最優(yōu)預(yù)測方法來壓縮高光譜圖像。矢量量化在非大壓縮比的情況下并不具備較大的優(yōu)勢，而預(yù)測技術(shù)在這里有本身的優(yōu)點。預(yù)測技術(shù)在高光譜圖像壓

5、縮領(lǐng)域有一席之地，但其存在著預(yù)測效率不高的缺點。針對這一問題，建立了高光譜圖像光譜間的線性模型，實現(xiàn)了在信噪比情況下的最優(yōu)預(yù)測，從而改進了預(yù)測的精度，提高了壓縮后圖像的重建效果。兩幅測試圖像在同樣壓縮比的情況下，應(yīng)用最優(yōu)預(yù)測，其重建信噪比分別提高了1.5dB和5.5dB。
　　最后，針對高光譜圖像壓縮中感興趣信息的保存問題提出了兩種算法。高光譜圖像的感興趣信息包括感興趣區(qū)域和感興趣譜帶兩部分。針對高光譜圖像的某些特殊的應(yīng)用，小目標(biāo)

6、的保存問題就顯得很重要。對于高光譜圖像中的小目標(biāo)空間信息的保存，提出了基于SPIHT的感興趣區(qū)域的高光譜圖像壓縮算法。高光譜圖像的譜帶信息的保存是高光譜圖像所特有的問題，感興趣譜帶和具體的應(yīng)用有關(guān)系。在以分類為背景的前提下，提出了一種更好的保存感興趣譜帶的壓縮算法。該算法在信噪比略微降低的情況下有著更好的分類精度。
　　本論文從分析高光譜圖像的特性出發(fā)，圍繞著高光譜圖像所特有的光譜特性，針對不同的應(yīng)用，改進或提出了相應(yīng)的壓縮算法，