基于张量分解的高光谱图象压缩技术研究

摘要

近年来,高光谱图象在地物分类,识别和目标检测中的应用日益广泛,其高光谱分辨率在带来颇多裨益的同时也使数据量的大幅度增加,这很不利于其传输和存储,因此必须研究高光谱图象的高效压缩。压缩质量和计算复杂度是图象压缩乃至数据压缩方法的一对矛盾。传统高光谱图象压缩方法在这两方面不能达到很好的权衡而或多或少存在着问题。如基于预测的高光谱压缩方法只是利用谱带间数据冗余而忽视了空间冗余,因此压缩质量较差。基于矢量量化的压缩方法虽然可以取得较好的压缩质量,但是算法整体比较复杂,压缩解压耗时比较多。基于变换如 DWT和DCT的压缩方法由于去相关效果有限,不能充分的利用高光谱图象的空间冗余和谱间冗余,而且后续的编码工作计算复杂度较高。为了较好的解决压缩质量和计算复杂度这对矛盾,需要提出一种快速而高质量的高光谱压缩方法。
　　作为PCA变换的高阶形式,张量分解(Tucker分解)同样具有最优的去相关能力,而且可以同时去除高光谱图象的空间相关性和谱间相关性,因此本文提出基于张量分解的高光谱图象压缩方法。将高光谱图象三维数据立方体当做3阶张量按照指定维度进行分解后,可得到数据量能少很多的一个无相关核张量和三个标准正交投影矩阵。其中核张量是原图象去除了空间和谱间冗余并从新集中分布能量后的结果,其三维大小直接决定了压缩前后压缩比和重建信噪比。如何合适的配置核张量三维大小是将张量分解实际应用到高光谱图象压缩中必须解决的问题,也是本文的关键技术。本文在提出基于张量分解的高光谱图象压缩算法的同时也设计了核张量最优维度配置算法,该压缩算法不需要复杂的编码处理,由Tucker分解的最优去相关和能量聚集能力保证压缩结果的质量,相比基于DWT或DCT的压缩方法,编解码时间都要少得多。
　　本文内容大致如下:
　　首先对张量分解尤其是Tucker分解基本理论进行研究,包括张量的定义,运算及其性质,Tucker分解与CP分解等。然后论证了Tucker分解与PCA的关系,对比了Tucker分解与3D-DWT和3D-DCT的能量聚集能力。
　　其次是基于张量分解的高光谱图象压缩方案设计,包括压缩原理及可行性分析,压缩比和信噪比定义等等。在以上理论研究基础上，针对一定压缩比下压缩质量最好这个问题提出了核张量最优维度配置的命题。
　　然后文章主要研究了核张量最优维度配置方法,以达到一定压缩比下,图象重建结果信噪比最高,从而尽可能提高压缩质量。其中,着重研究了两个算法:1)基于高光谱图象特点和Tucker分解特性的快速搜索配置方法;2)基于粒子群优化算法的搜索配置方法。并基于以上两个搜索算法提出了粒子群优化算法改进方案。仿真实验显示,改进的粒子群优化算法可以很快的搜索到确定压缩比下的核张量的最优三维组合。而且这种张量分解的高光谱图象压缩方法能够以非常快的压缩解压速度实现高质量的有损压缩。

目录

基于张量分解的高光谱图象压缩技术研究

RESEARCH ON COMPRESSION METHOD FOR HYPERSPECTRAL IMAGES BASED ON TENSOR DECOMPOSITION

摘 要

Abstract

目 录

第1章 绪 论

1.1 课题背景及研究的目的和意义

1.2 国内外在该研究方向上的研究现状

1.3 论文主要研究内容和结构安排

1.4 论文所用实验数据

第2章 张量分解基本理论研究

2.1 张量基本理论

2.2 Tucker分解与PCA变换

2.3 Tucker3与3D-DWT、3D-DCT的能量聚集能力对比

2.4 本章小结

第3章 基于Tucker分解的高光谱图象压缩

3.1 整体压缩方案设计

3.2 核张量最优维度配置算法研究

3.3 本章小结

第4章 实验仿真与分析

4.1 核张量最优维度配置算法仿真

4.2 改进的粒子群搜索算法对比蜂群算法和GA算法

4.3 压缩传输系统

4.4 张量压缩与3D-SPIHT压缩的性能对比

4.5 本章小结

结 论

参考文献

哈尔滨工业大学学位论文原创性声明使用授权说明

致 谢