基于PCA的超光谱图像压缩算法研究与实现

摘要

随着科技的发展，超光谱图像应用越来越广泛，对其进行有效压缩具有重要的实用价值。本文针对超光谱图像谱间相关性强的特点，采用主成分分析(PCA)对其进行压缩。在传统变换方法的基础上，利用PCA和2DPCA进行波段选择，再对提取的波段进行谱内预测和熵编码。为了避免损失局部重要信息，根据谱间相关性对原始图像进行波段分组，分别对每个子图像进行波段选择，从而实现了基于分段PCA和分段2DPCA的波段选择算法。
　　实验证明，利用PCA进行波段选择的压缩方法计算量小，还能有效保持原始图像的物理特性，对后续处理有积极意义。2DPCA比PCA速度快，提取的波段更具代表性。分段PCA和分段2DPCA能在更广的范围里用更短的时间提取重要波段。分段2DPCA选择的波段最能反映原始图像的特性，其整体压缩比为15.49∶1。

目录

声明

摘要

第一章 绪论

1．1 引言

1．2 超光谱图像压缩技术发展现状

1．2．1 基于预测的压缩方法

1．2．2 基于变换的压缩方法

1．2．3 基于矢量量化的压缩方法

1．3 研究目的和内容

1．3．1 课题研究目的和意义

1．3．2 研究内容与结构安排

第二章 超光谱图像及其降维压缩

2．1 超光谱图像分析

2．1．1 超光谱图像及其存储格式

2．1．2 相关性分析

2．2 针对谱间冗余的降维压缩方法

2．2．1 特征提取算法

2．2．2 特征选择算法

2．3 针对空间冗余的压缩方法

2．4 本文算法流程

2．5 小结

第三章 基于PCA特征提取的超光谱图像压缩

3．1 PCA原理

3．1．1 主成分的定义

3．1．2 主成分的求解

3．1．3 PCA的性质和意义

3．2 PCA在超光谱图像压缩中的应用

3．3 PCA的计算复杂度

3．4 实验结果与分析

3．5 小结

第四章 基于PCA波段选择的超光谱图像压缩

4．1 基于PCA的波段选择算法

4．1．1 算法原理

4．1．2 算法实现

4．2 特征个数确定

4．2．1 利用特征值

4．2．2 利用虚拟维数

4．3 基于分段PCA的波段选择算法

4．4 实验结果与分析

4．4．1 基于PCA波段选择的超光谱图像压缩

4．4．2 基于分段PCA波段选择的超光谱图像压缩

4．5 小结

第五章 基于2DPCA的超光谱图像压缩

5．1 2DPCA原理

5．2 基于2DPCA特征提取的压缩方法

5．2．1 2DPCA特征提取

5．2．2 L2DPCA特征提取

5．3 基于2DPCA波段选择的压缩方法

5．4 实验结果与分析

5．4．1 基于2DPCA特征提取的超光谱图像压缩

5．4．2 基于2DPCA波段选择的超光谱图像压缩

5．5 小结

第六章 总结与展望

致谢

参考文献