基于噪声分解压缩算法的超光谱图像实时压缩系统

摘要

一种基于噪声分解压缩算法的超光谱图像实时压缩系统，包括主机、高速图像从处理机，以及图像采集装置，该图像采集装置经CAB总线接口与从处理机连接和经PCI总线与主机连接；该主机经PCI总线与从处理机成双向联结，以及该主机分别连接图像显示器和图像数据压缩结果存储器，其特征在于：a.在从处理机上设有成双向联结的图像噪声分解压缩压缩模块和主机接口，以便接受来自主机的命令数据和将图像实时压缩结果数据传送给主机；b.在主机上设有主机控制模板，从处理机接口和显示模块及存储模块，该控制模块接受原始图像数据和用户命令而形成系统数据源，并经从处理机接口向从处理机发送命令和接受图像实时压缩结果数据；主机控制模块将原始图像数据送显示模块和将图像实时压缩结果送存储模块形成压缩文件。

说明书

技术领域

本发明涉及一种超光谱图像实时压缩系统，特别是一种基于噪声分解压缩算法的图像压缩系统，通过实时超光谱图像的信噪比估算，将由压缩算法所引入的噪声对图像信息的影响降低到最小，实现了对超光谱图像的高保真压缩，同时也保证了图像压缩率的图像压缩系统。

背景技术

对超光谱图像压缩的研究成果已有不少报道，不过大多停留在理论研究和软件处理阶段，做到实时硬件应用的不多。究其原因，一是超光谱图像数据量庞大，对硬件处理能力要求很高，以前很难用硬件电路实时完成；二是对超光谱图像进行压缩研究的往往是应用处理单位，其研究工作没有和成像光谱仪的研制工作紧密结合在一起，很少被实际应用。

随着大规模集成电路技术的发展，许多高速，高可靠性，低功耗的集成电路芯片被研制出来，数字图像的硬件实时处理已经成为可能。利用多片高性能处理芯片组成并行处理系统，结合超光谱图像压缩算法构成的实时压缩系统已经可以达到实用阶段。而成像光谱仪的小型化要求和大量超光谱图像数据存储及传输的压力也使得成像光谱仪的研制部门开始重视这方面的研究工作。如由美国海军研究实验室研究设计的NEMO海军地图观测卫星携带的近海成像仪(COIS)包括两台成像仪，分别包括60和150个宽度为10nm的光谱波段。这两台成像仪的数据率达到了145Mb/s。为了达到10倍的数据压缩率(有损)，减轻超光谱图像在星上存储和向地面传输时的负担，美国海军研究实验室研制了一个特征提取和数据压缩星上实时处理系统，称为光学实时自适应光谱辨别系统(ORASIS)。在无人驾驶飞机进行的实验中，ORASIS达到的实际压缩效果是：当压缩比＝12时，峰值信噪比＝48.0db；当压缩比＝20时，峰值信噪比＝44.2db。在中国，北京航空航天大学、国防科技大学、清华大学、哈尔滨工业大学等单位也做过相关的研究。由中国清华大学、中国航天机电集团公司与英国萨瑞大学联合研制的“航天清华一号”微小卫星携带的成像光谱仪由绿(0.52-0.6μm)、红(0.63-0.69μm)、近红外(0.76-0.94μm)三个波段组成，采用a-MPBTC(Adaptive Moment PreservingBlock Truncation Coding)压缩方法，取得4倍的压缩率。

但实际的遥感图像都不可避免地存在随机噪声的干扰，分析这些成像光谱图像压缩系统，其不足之处是它们并没有考虑图像的噪声特性，在对图像进行一定倍数的数据压缩时，图像边缘和过渡带的原始噪声被系统放大，并且蔓延、污染到了图像的高比特数据，造成图像信息的损失。简而言之利用这些压缩系统对图像进行压缩时，图像信息并不能得到合理的保留。

发明内容

如上所述，如何根据超光谱图像的噪声污染情况，在不增加图像信息损失的条件下提高图像的压缩倍数乃是本发明所要解决的技术问题。因此，本发明的目的在于提供一种超光谱图像压缩系统，通过对原始图像各波段数据的噪声分析，设计有效的图像压缩方法，对超光谱图像各波段数据进行有针对性的压缩，建立基于噪声分解压缩算法的超光谱图像实时压缩系统。

本发明的技术解决方案如下：

根据本发明的一种基于噪声分解压缩算法的超光谱图像实时压缩系统，包括主机、高速图像从处理机、以及图像采集装置，所述图像采集装置经CAB总线接口与高速图像从处理机连接和经PCI总线与主机连接；该主机经PCI总线与从高速图像处理机成双向联结，并还分别连接图像显示器和图像数据压缩结果存储器，特点是：

a.在所述高速图像从处理机上设有成双向数据流联结的图像噪声分解压缩模块和主机接口，以便接受来自主机的命令数据和将图像实时压缩结果数据传送给主机；

b.在主机上设有主机控制模块、从处理机接口和显示模块及存储模块，该控制模块接受图像采集装置送来的原始图像数据和主机送来的命令而形成系统的数据源，并经从处理机接口向高速图像从处理机发送命令并接受压送来的图像实时压缩结果数据；主机控制模块将原始图像数据送显示模和将图像实时压缩结果数据送存储模块形成压缩文件存放在图像数据压缩结果存储器中。

进一步，所述的主机为便携式PC机；

所述的高速图像从处理机由多个DSP芯片图像处理板构成；

所述的图像噪声分解压缩模块包括依次连接的原始图像输入单元、图像信噪比估算单元、噪声分解量化器和并列后接该噪声分解量化器的无损压缩编码单元与有损压缩编码单元、以及以信道传输分别后接该无损压缩编码单元的无损压缩解码单元与后接该有损压缩编码单元的有损压缩解码单元和并联连接该无损压缩编码单元与有损压缩解码单元的噪声合成器；

所述的无损压缩编码单元包括依次以数据流联结的图像子块分割单元、图像子块二维量化余弦变换单元和图像数据编码压缩单元，其中所述图像子块分割单元将原始图像分割成8×8块；

所述的有损压缩编码单元包括依次以数据流联结的图像子块分割单元、图像子块二维量化余弦变换单元、量化单元和编码单元，其中所述的图像子块分割单元将原始图像分割成8×8子块。

本发明的优点是：

由于本发明根据噪声大小对图像进行了比特域的分离，并对高低比特域数据采取分别压缩的策略，使由压缩算法引入的噪声限制在了有噪声污染的低比特域，不会向高比特域数据扩散，避免了噪声对图像信息的二次污染。

概括地说，本发明充分利用了超光谱图像的噪声特性，将由压缩算法所引入的噪声对图像信息的影响降低到最小，实现了对超光谱图像的高保真压缩，同时也保证了图像压缩率，与传统的超光谱图像压缩系统相比具有明显的技术进步和实质性意义。

附图说明

图1是本发明的硬件体系结构示意图。

图2是本发明的软件体系结构示意图。

图3是本发明的图像处理板上多片DSP分时并行处理方式示意图。

图4是本发明的单片DSP两级双缓冲流水线工作流程示意图。

图5-1是本发明的噪声分解压缩算法的结构示意图。

图5-2是本发明的基于噪声分解压缩算法的流程图。

图5-3是本发明的基于噪声分解压缩算法中的无损压缩编码单元的结构示意图。

图5-4是本发明的基于噪声分解压缩算法中的有损压缩编码单元的结构示意图。

具体实施方式：

下面根据图1～图5-4给出本发明一个较好实施例，并予以详细描述，以便更好地说明本发明的结构特征和功能特色，而不是用来限制本发明的保护范围。

参阅图1，本发明硬件体系结构包括系统控制主机10、高速图像从处理机20、图像采集板22、CAB总线接口21等。其中：系统控制主机10采用便携式PC机，高速图像从处理机20采用基于多片TMS320C6201的图像处理板Python/C6处理板。所述主机10任务是总控整个系统，利用其友好界面接收用户命令，启动/停止从处理机20(即高速图像从处理机20)的工作，改变从处理板上DSP的工作程序等，并将采集的图像数据和图像压缩的相关信息实时显示，将压缩后的数据存储下来。另外，主机10的软件还负责实时工作结束后，后处理时压缩结果的解压回放工作。Python/C6处理板的任务则是接受图像数据，让DSP按照主机选择的程序进行处理，输出压缩结果。所述图像采集板22采集的原始光谱图像数据分两路传输，一路通过CAB总线接口21直接输入到Python/C6中进行处理；一路通过计算机PCI总线30传送到主机10进行实时压缩并由图像显示器12显示，便于监控。而Python/C6的数据压缩结果则通过PCI总线30传给主机10，由存储器11存储或进一步处理。

参阅图2，本发明软件体系结构分为主机10平台(Host)和从处理机20平台(Slave)两部分。主机10上的主要模块有主控模块101、从处理机接口模块102、图像显示模块103和数据存储模块104。其主要功能是提供良好的人机界面，接受用户命令，控制从处理机20的运行，接收微处理器的压缩结果，利用多线程等技术实现原始图像的实时显示和压缩结果的存储功能。从处理机20软件的主要模块有图像压缩算法模块201和主机接口模块202。其主要功能则是在DSP平台上利用多种代码优化手段，并使用TI公司的高效率代码编译器，充分发挥DSP的硬件资源性能，根据用户的命令完成数据实时压缩工作并传给主机。整个软件以原始图像和用户命令作为数据源，以压缩结果文件结束。

本实施例的超光谱图像压缩系统，其特点是：对于所设计的超光谱图像压缩算法，能够不加修改或尽量少修改地用硬件系统实现，节省重新评估算法所需的工作量。

本实施例的超光谱图像压缩系统，其特点是：有较强的灵活性，系统针对实际应用要求，可以容易地进行算法的改进，而不必重新开发设计整个硬件系统。

本实施例的超光谱图像压缩系统，其特点是：具有可扩展性和可移植性，硬件设计便于系统以后扩展或应用到新的平台。

本实施例中的基于噪声分超光谱图像压缩是基于噪声分解的压缩算法，其步骤包括在：S1.从图像采集卡获取图像数据；S2.对超光谱图像的信噪比进行估算；S3.将图像数据在“比特域”进行物理分离，分成干净的高比特域数据和有噪声污染的低比特域数据；S4.对高比特域图像数据进行(准)无损压缩，最大限度的保真图像信息，对低比特域图像数据进行有损压缩，增加图像压缩率；S5.将压缩结果送至主机存储。

如图3所示为本发明Python/C6图像处理板上多片DSP分时并行处理方式示意图。并行处理方式的每片DSP单独处理一路数据，完成一个完整的压缩算法任务，当各路数据都处理完毕后，将所有模块同时输出。这种结构的优点是任务分配简单，各DSP功能、算法相同，易于实现。在本发明的系统中，结合多DSP图像处理板的特点，采用了分时流水的并行处理方法，即：将输入的超光谱图像数据，根据每个DSP配置的缓冲存储器的大小，分成一定大小的帧，按时间顺序流水给各个DSP，而各个DSP的处理结果也按时间顺序组合起来，通过PCI总线传输给主机10。

本实施例中所选用的DSP为TI公司的TMS320C6201芯片，CPU在一个时钟周期内可以访问IDRAM两次，相比要经过EMIF扩展存储器接口和外部总线的外接存储器，效率要高得多。为了充分发挥DSP的性能，就要把IDRAM作为数据交换的缓冲区。但对于需要处理大量数据的图像压缩来说，IDRAM容量太小，不能满足快速数据输入输出的需要。为此，采用了两级缓存结构：片外存储器SDRAM(16MB)作为帧缓存，IDRAM(64KB)作为图像子块缓存。原始图像数据先输入暂存在帧缓存中，再以子块为单位送入片内子块缓存给CPU处理。C6201的DMA控制器具有4个相互独立编程的通道，允许进行4个不同内容的DMA传送。对于存储密集型的图像压缩系统来说，I/O吞吐量对系统的处理能力和效率至关重要。利用Python/C6上C6201的四个DMA，可以实现两级I/O缓冲，即图像数据从总线到C6201相对较慢的SDRAM存储器的交换，及SDRAM存储器到C6201的片内高速数据RAM的交换。这样，数据压缩处理可以在片内高速数据RAM中进行，数据的吞吐量得到极大的提高。

如图4所示为单片DSP两级双缓冲流水线工作流程示意图。用DMA2和DMA3分别实现第一级输入设备到输入帧缓存BufFrameIn和输出帧缓存BufFrameOut到输出设备的操作，用DMA0和DMA1分别实现第二级输入帧缓存BufFrameIn到片内子块缓存BufBlockIn和片内子块缓存BufBlockOut到输出帧缓存BufFrameOut操作。这两级都利用了乒乓缓存，使用流水线并行处理的方法，使得输入输出和数据压缩处理同时进行。图中的虚线和实线分别为两个互斥的操作，不能同时进行，但同一种线表示的操作可以同时进行。虚线和实线表示的操作交替执行形成流水线。具体的流水线并行处理过程如下(设两级流水线初始化填充已完成)：

1)启动DMA2，从输入设备采集下一帧图像数据到BufFrameIn1；

2)启动DMA3，将上一帧图像压缩结果从BufFrameOut1输出到PCI总线；

3)启动DMA0，将本帧图像数据BufFrameIn2中的下一图像子块传送到BufBlockIn2；

4)启动DMA1，将上一图像子块压缩结果从BufBlockOut2传送到BufFrameOut2；

5)压缩处理BufBlockIn1中的本图像子块，结果放入BufBlockOut1；

6)等待直到DMA0、DMA1传送结束，重复步骤3、4、5并交替使用两个片内子块缓存，直到本帧全部压缩完毕；

7)等待直到DMA2、DMA3传送结束，重复步骤1、2、3、4、5、6并交替使用外扩帧缓存，开始压缩后续帧。

这样的处理过程使得4个DMA通道数据传输和DSP内核压缩工作完全并行，并且保证了主要计算任务在片内高速缓存中进行，充分发挥了系统硬件的性能，提高了数据吞吐能力。

如图5-1和图5-2所示，本实施例中的超光谱图像压缩充分利用了图像的噪声特性，在对图像进行压缩前，首先要对图像的信噪比进行估算。本实施例对图像信噪比估算的基本思想是：由于选择一定大小的均匀区域比较困难，便把图像分割成一个一个的小区域，这些小区域内基本上可以认为是均匀的；分别计算这些小区域内的LSD(Local Standard Deviation，局部标准差)作为局部噪声大小，并选择总数最多的那个区间的LSD作为整个图像的平均噪声值。具体的操作步骤如下：

将图像分割成4×4，或5×5，……，或8×8的小块，对于每一个图像子块，信号的LM(Local Mean局部均值)由下式得到：

$>>LM>=>>1>N>>>\Sigma >>i>=>1>>>i>=>N>\; >>S>i>>>s>$

这里，Si是图像子块中第i个象素的灰度值；N是图像子块中所有象素的总数。LSD由下式得到：

$>>LSD>=>>>[>>1>>N>->1>>>>\Sigma >>i>=>1>>>i>=>N>\; >>>(>>S>i>>->LM>)>>2>>]>>>1>/>2>>>>s>$

对于均匀的图像子块，LSD较小，而对不均匀的图像子块，如包含图像边缘或纹理特征的子块，LSD则较大。计算出整幅图像的LM(记为LMo)、所有图像子块的LSD，并找出所有图像子块中最大和最小的LSD。

在最小和最大的LSD之间，建立若干个等值间隔的区间。将所有子块的LSD按照值的大小依次排入相应的区间。对每个区间的LSD的个数进行计数，计数值最大的那个区间的LSD的平均值即为整幅图像的噪声，记为LSDo。

由下式可求得整幅图像的信噪比SNR：

$>>SNR>=>20>log>>>LM>o>>>LSD>o>>>>s>$

如图5-1所示为基于噪声分解压缩的图像压缩模块的结构示意图。实现该压缩的基本思想是：首先，对原始数据进行量化，然后对量化信号和误差信号分别做压缩处理。对于量化信号，采用(准)无损压缩算法，进行最大限度的信息保真存储，对于量化噪声(误差)信号，采用较为高效的有损压缩技术。

在噪声分解量化器中，使取：

S_H＝[S/q]    S_L＝S-S_H·q    [*]为取整操作

在噪声合成器中，取：

$>ver>>S>^>>=>ver>>S>^>>H>>·>q>+>ver>>S>^>>L>>mod>>(>q>)>>>s>mod(*)是同余式$

如果采用无失真编码，使得 $>>ver>>S>^>>H>>=>>S>H>>>s>$

那么可以得到：

$>>[ver>>S>^>>/>q>]>=>ver>>S>^>>H>>=>>S>H>>=>[>S>/>q>]>>s>$

也就是说，不论对S_L采用怎样的压缩方案，最后总可以保证所有的解压数据在上式意义上是可信的。基于噪声分解的压缩算法的思想实质是：把信号在“比特域”上进行了物理的隔离划分，通过合成器的同余操作，使得压缩算法噪声严格限制在了低比特域，不会发生向高比特域的扩散。

对于不同的原始图像信噪比的图像数据进行“比特域”分离是不一样的，信噪比越高，则高比特域分配的比特越多，低比特域分配的比特越少，相反，信噪比越低，则高比特域分配的比特越少，低比特域分配的比特越多。如下表：

       噪声分解压缩方法的图像比特域分解表

 原始图像SNR    (db)    原始图像 信号噪声幅值比    比特域分解    ≥54db    512∶1    高9bit低3bit    ≥48db    256∶1    高8bit低4bit    ≥42db    128∶1    高7bit低5bit    ≥36db    64∶1    高6bit低6bit    ≥30db    32∶1    高5bit低7bit    ≥24db    16∶1    高4bit低8bit    ≥18db    8∶1    高3bit低9bit

借助于超光谱图像的SNR估算结果，可以得到超光谱图像每一波段图像的比特域分解，进而实现相应的(准)无损压缩和高倍压缩。这样，原来干净的比特仍然是干净的，原来有噪声污染的比特仍然有噪声，有损压缩算法本身所带来的噪声只能在原有噪声污染的低比特域进行继续污染，而不会污染到高比特域的数据。

按图5-1至图5-4所示，概括起来基本步骤为：步骤51，从图像采集板22把原始图像输入到原始图像输入单元2010；步骤52，由图像信噪比估算单元2011对输入图像信噪比进行估算；步聚53，由图像噪声分解量化器将图像根据信噪比估算结果进行比特域分离，分成高比特域图像和低比特域图像；步骤55，由无损压缩编码单元2013对高比特域图像进行(准)无损压缩；步骤551，由图像子块分割单元20131将图像分成一个个8×8图像子块；步骤552，由图像子块二维量化余弦变换单元20132对各图像子块进行二维的离散余弦变换(2DCT)；步骤553，由图像数据编码压缩单元20133对变换结果不经量化而直接进行Huffman编码，实现对图像的高保真低倍率压缩；步骤54；由有损压缩编码单元2014对低比特域图像进行有损压缩；步骤541，由图像子块分割单元20141将图像分成一个个8×8图像子块；步骤542，由图像子块二维量化余弦变换单元201412对各图像子块进行二维的离散余弦变换(2DCT)；步骤543，由量化单元20143对变换结果进行量化；步骤544，由编码单元20144对量化后数据进行Huffman编码，实现对图像的有损高倍率压缩，最后，步骤56经过信道传输，将无损压缩编码单元2013中的图像高保真低信率压缩编码数据传送到无损压缩解码单元2015和将有损压缩编码数据传送到有损压缩解码单元2016并分别送入噪声合成器2017。