基于改进预测树的高光谱图像无损压缩方法研究

摘要

由于高光谱遥感图像光谱分辨率的提高，可以获得比多光谱图像更丰富的信息，并使得许多原先用多光谱信息不能解决的问题现在可以得到解决，因此正备受国内外学者的关注。由于具有高的空间分辨率和谱间分辨率，高光谱遥感图像被广泛应用于地理资源监测、农作物生长状况的监测、环境保护、城市规划和军事目标侦查等领域。然而，高光谱图像的巨大的数据量制约了高光谱遥感技术的应用和发展，有效的图像数据压缩成为亟待解决的问题。鉴于高光谱图像较高的获取成本和宝贵的应用价值，无损压缩成为首选的方案。本文在结合前人工作成果的基础上对高光谱遥感图像无损压缩方法进行了进一步研究。 首先从图像压缩的角度深入分析了高光谱遥感图像的相关性特性。实验表明，高光谱遥感图像的冗余信息主要表现在它的空间相关性和谱间相关性。空间相关性和自然图像相比较弱，而谱间相关性较强，其中，谱间相关性又表现在它具有较强的谱间结构相似性和统计相关性。实验结果还表明，谱间相关性并不总是很强，由于成像仪噪声和其他未知的因素影响，某些波段间的相关性也比较弱，相关性系数呈现出非平稳特性。因此，无损压缩算法的重点是致力于消除谱间冗余信息。 然后在侧邻域最小绝对权值(SNMAW)预测树方法的基础上提出一种改进方法。传统的SNMAw预测树能够较好的描述当前波段和参考波段的局部结构相似性，但是当两个波段的灰度值存在幅度上的伸缩时，采用预测树得到的预测值与原始值相差较大。本文深入分析了传统预测树方法在高光谱遥感图像压缩中存在的局限性，并针对这些缺点提出了改进方法，定义一个尺度伸缩因子来表达相邻两波段局部上下文的灰度变化，通过比较局部上下文梯度来估算该尺度伸缩因子，并用它对当前的预测值进行修正。实验结果表明，采用修正后的预测值可以显著减小预测残差图像的一阶熵，从而进一步降低码率。 最后结合高光谱遥感图像相关性分析结果，提出谱间预测和空间预测相结合的综合预测器，计算当前波段与前一波段的相关性系数，拿该系数与预先设定的参考阈值比较，如果相关系数大于参考值，则对当前波段进行谱间预测，前一波段作为当前波段的参考波段，反之，直接对当前波段进行空间预测。仿真结果表明，同当前的一些优秀的预测器相比，本文提出的改进预测树谱间预测方法以及谱间预测和空间预测相结合的综合预测器对高光谱遥感图像具有较好的无损压缩性能，并且算法复杂度较低，硬件要求不高，具有一定的实际应用价值。

目录

文摘

英文文摘

声明

第1章绪论

1.1研究背景

1.1.1遥感技术

1.1.2成像光谱技术

1.1.3静态图像压缩编码

1.2高光谱遥感图像压缩的重要意义

1.3高光谱遥感图像压缩研究现状

1.3.1基于预测编码的方法

1.3.2基于变换编码的方法

1.3.3基于矢量量化的方法

1.4图像压缩编码的性能评价标准

1.4.1图像质量评估

1.4.2压缩比的定义

1.4.3算法复杂度

1.5本文研究内容

第2章高光谱遥感图像的数据特征

2.1概述

2.2空间相关性分析

2.3谱间相关性分析

2.3.1统计相关性

2.3.2结构相关性

2.3.3定量分析

2.4小结

第3章基于预测树的高光谱图像无损压缩方法

3.1预测编码概述

3.1.1基本原理

3.1.2残差信号统计特性

3.1.3自适应算术编码

3.2最小绝对权值预测树模型

3.2.1预测树的提出

3.2.2侧四邻域最小绝对权值预测树

3.3预测树在高光谱图像压缩中的应用

第4章基于改进预测树的高光谱图像无损压缩方法

4.1改进的预测树模型

4.1.1传统预测树方法的弊端

4.1.2幅度伸缩因子

4.1.3仿真结果与分析

4.2高光谱图像无损压缩方案

4.2.1算法描述

4.2.2实验结果与性能分析

4.2.3参数选取

4.3小结

第5章结论与展望

参考文献

致谢

在读期间发表的学术论文与取得的其他研究成果