基于Contourlet变换和PSO的多光普遥感图像分形压缩方法

摘要

多光谱遥感图像在航空航天、地质勘探、环境监测等领域都有广阔的应用前景。多光谱遥感图像作为一种三维图像提供了关于地物更细致的光谱信息,但同时其数据量急剧增加,给在有限信道上传输和存储带来了困难。所以研究多光谱遥感图像的高质量的压缩技术具有十分重要的实际意义。本文主要研究基于Contourlet变换和粒子群的多光谱遥感图像分形压缩方法,包括以下几个方面:
　　 首先,实现了基于粒子群和K-均值聚类的图像分形压缩算法,进而给出了基于免疫粒子群和K-均值聚类的Contourlet域图像分形压缩算法。通过免疫粒子群和K-均值聚类算法对Contourlet变换后的系数进行分类,完成分形压缩。实验结果表明,与基于K-均值聚类的快速分形编码算法相比,本文给出的两个算法在相同压缩比下能较好地保持图像的纹理；
　　 然后,对多光谱遥感图像每个波段进行空域Contourlet变换,将Krawtchouk矩不变量和模糊C-均值聚类算法引入到分形压缩中,分别实现了基于Krawtchouk矩不变量及基于Krawtchouk矩不变量和Contourlet变换的多光谱图像分形压缩算法。实验结果表明,通过进一步对Range块和Domain块细分类,本文实现的算法能够获得更高的峰值信噪比和压缩比:
　　 接着,实现了基于核模糊聚类及基于改进粒子群核模糊聚类的Contourlet域多光谱遥感图像分形压缩算法,实验结果显示本文算法的编码时间较基于小波域的遥感图像分形压缩算法大为减少,同时获得了更好的解码图像效果:
　　 最后,通过支持向量回归逼近Contourlet系数和分形编码,并利用粒子群算法优化支持向量回归机参数,实现了基于支持向量回归的Contourlet域多光谱遥感图像分形压缩算法。实验结果表明,相对于基于支持向量机的遥感图像压缩算法,本文所给出的算法能在更高的压缩比下获得质量更好的解码图像。

目录

文摘

英文文摘

图表清单

注释表

第一章 绪论

1.1 课题研究背景和意义

1.2 课题国内外研究概况

1.3 本文的章节安排和主要创新点

1.3.1 本文章节安排

1.3.2 本文的主要创新点

第二章 小波和Contourlet变换的基本理论

2.1 小波变换

2.1.1 连续小波变换和离散小波变换

2.1.2 多分辨率分析和Mallat算法

2.2 Contourlet变换

2.2.1 Contourlet变换概述

2.2.2 塔形方向滤波器组PDFB

2.2.3 图像的Contourlet变换

2.3 本章小结

第三章 基于Contourlet变换的图像分形压缩

3.1 图像分形压缩介绍

3.1.1 IFS系统

3.1.2 PIFS系统

3.1.3 图像分形压缩的实现

3.2 Contourlet变换系数的统计特性

3.3 基于粒子群和K-均值聚类的图像分形压缩算法

3.3.1 K-均值聚类算法

3.3.2 粒子群算法

3.3.3 基于粒子群的聚类优化算法

3.3.4 算法步骤

3.4 基于免疫粒子群和K-均值聚类的Contourlet域图像分形压缩算法

3.4.1 免疫粒子群算法

3.4.2 基于免疫粒子群的K-聚类优化算法

3.4.3 算法步骤

3.5 实验结果及算法性能比较

3.6 本章小结

第四章 基于Krawchouk矩不变量的多光谱遥感图像分形压缩

4.1 多光谱遥感图像特性分析

4.2 多光谱遥感图像空域Contourlet变换后数据特性

4.3 Krawtchouk矩和Krawtchouk矩不变量

4.4 基于Krawtchouk矩不变量的多光谱遥感图像分形压缩算法

4.5 基于Krawtchouk矩不变量和Contourlet变换的多光谱遥感图像分形压缩算法

4.5.1 模糊C-均值聚类算法

4.5.2 算法步骤

4.6 实验结果及算法性能比较

4.7 本章小结

第五章 基于Contourlet变换的多光谱遥感图像分形压缩

5.1 空域Contourlet-时域小波变换和重构方法

5.2 基于核模糊聚类的Contourlet域多光谱遥感图像分形压缩算法

5.2.1 三维谱像数据的矢量构成

5.2.2 核模糊聚类算法

5.2.3 算法步骤

5.3 基于改进粒子群核模糊聚类的Contourlet域多光谱遥感图像分形压缩算法

5.3.1 改进的带极值扰动的简化粒子群优化算法

5.3.2 基于改进的带极值扰动的简化粒子群优化的核模糊聚类算法

5.3.3 算法步骤

5.4 实验结果及算法性能比较

5.5 本章小结

第六章 基于支持向量回归的Contourlet域多光谱遥感图像分形压缩

6.1 支持向量机

6.1.1 支持向量机原理

6.1.2 支持向量回归

6.2 支持向量回归逼近Contourlet系数和分形编码

6.3 利用粒子群优化核参数和惩罚因子

6.4 算法步骤

6.5 实验结果及算法性能比较

6.6 本章小结

第七章 总结与展望

7.1 本文的主要工作

7.2 进一步的研究工作

参考文献

致谢

在学期间的研究成果及发表的学术论文