基于量化策略的含云遥感图像压缩方法

摘要

本发明公开了一种基于量化策略的含云遥感图像压缩方法，主要解决现有技术无法保留薄云覆盖区域的地物信息、编码消耗较大的问题。其方案是：对含云遥感图像和云掩膜图像的边界进行拓展，并对云区域进行下采样和插值；计算含云遥感图像感兴趣区域近似中位数；获取标记不同云区域的灰度掩膜与标记不同云区域内外边缘的灰度图像；依据云掩膜图像对含云遥感图像的云区域进行量化处理；结合云区域内、外边缘灰度图像对云区域量化后的图像进行边界平滑；将平滑后图像中所有像素点的值减去一个中位数，再进行压缩编码，将码流发送给接收端；接收端解码码流，得到恢复图像。本发明减少了编码消耗，能部分保留薄云覆盖区域的信息，可用于含云图像的传输。

说明书

技术领域

本发明属于图像处理技术领域，更进一步涉及含无效云区域的遥感图像高效压缩方法，可用于各种含云遥感图像的传输与处理。

背景技术

高分辨率遥感技术的快速发展，使星地图像传输带宽与遥感图像数据量之间的矛盾不断加剧，为了传输和处理获取的图像，需要快速且高效的数据压缩算法。然而遥感图像中普遍存在的云区域，占据了大量的存储空间和传输带宽，降低了感兴趣区域数据ROI，即图像中除云区域外的地物区域数据的带宽利用率。因此，研究包含无效云区域数据的图像压缩算法具有重要意义。在诸多文献中，已经提出了几种针对含无效区域图像的压缩算法，主要分为以下两类：

一类方法是对现有压缩框架的内部进行修改，以实现对感兴趣区域的优先编码或跳过无效数据区域，其包括MaxShift方法、Scaling-based方法、形状自适应小波变换SA-DWT方法和形状自适应比特平面编码SA-BPE方法。该MaxShift方法通过提升感兴趣区域系数或抑制无效区域系数实现对感兴趣区域的优先编码；该Scaling-based方法通过对感兴趣区域设置不同的优先级，实现感兴趣区域的优先编码；该形状自适应小波变换SA-DWT方法在数据区域的边界上应用镜像效果进行改进；该形状自适应比特平面编码SA-BPE方法是通过在Tier-1编码级的分数位平面编码器中跳过系数来避免对属于无效数据区域的系数进行编码。

另一类方法是对图像进行预处理，作为现有压缩框架的前端，以尽可能降低无效区域的编码消耗，其包括Phagecyte算法、ADR算法和LEC算法。该Phagecyte算法是利用指定区域窗口内像素的算术平均值填充无效区域，以适应局部图像变化，其在商业GIS中已得到应用；该ADR算法采用感兴趣区域的平均值填充无效区域；该LEC算法是通过局部边缘上下文内的数据平均值填充无效区域，在降低无效区域编码码率的同时也减少了边缘部分的高频信息。

上述第一类方法虽然通过对现有压缩框架内部的修改达到了压缩无效数据区域的目的，但是这类方法仅适合处理感兴趣区域为规则形状的图像，而对于含云遥感图像，云区域的不规则性会导致在各个子带映射过程中感兴趣区域的像素块被视为云像素块，在抑制云区域系数的同时使感兴趣区域系数也降低，影响压缩性能。

相比前者，上述第二类方法在现有压缩框架前对图像进行预处理来降低无效区域的编码消耗，易于实现、可移植性强，而且对感兴趣区域的形状不敏感。对于含有薄云较多的图像，薄云对阳光的反射和折射比较弱，阳光能够部分透过薄云产生反射和折射，因此被薄云覆盖的地方地物信息并没有完全消失。而目前的这些预处理方法均基于填充策略，填充过程中会将云区域的信息全部损失，无法保留薄云下面的地物信息，不能在压缩性能和云区域图像恢复质量之间取得平衡。

发明内容

本发明的目的在于针对上述已有技术的不足，提出一种基于量化策略的含云遥感图像压缩方法，以通过对云区域数据的幅值进行合理量化，提升非云区域的压缩性能，且部分保留薄云覆盖区域的地物信息，实现压缩性能与云区域图像恢复质量的平衡。

为实现上述目的，本发明提出的基于量化策略的含云遥感图像压缩方法，包括以下步骤：

1)图像边界扩展：

输入含云遥感图像I及对应的云掩模图像M，其中I为灰度图像；M为二值图像，感兴趣区域用0表示，云区域用1表示，这两个图像的大小相同；

分别将含云遥感图像I和云掩模图像M的宽W，高H均补成偶数，得到边界扩展后的含云遥感图像I

2)对边界扩展后含云遥感图像I

3)计算感兴趣区域近似中位数Z；

4)获取带标记的云区域内外边缘：

4a)对边界扩展后的二值云掩模图像M

4b)对膨胀后的云掩模M

4c)将膨胀后的云掩模M

4d)将边界扩展后的二值云掩模图像M

4e)根据二值云区域外边缘图像M

5)云区域量化：

5a)记降空间分辨率后含云遥感图像I

5b)对右移后的云区域内每个像素值加上2

6)结合云区域外边缘灰度图像N

7)将边缘平滑后图像I

8)对预处理后的图像I

9)在接收端对收到的码流S进行解码，得到恢复图像I

本发明与现有技术相比具有如下有益效果：

第一，本发明由于对云区域在空间域进行降分辨处理，减少了冗余信息；同时由于利用非云区域、厚云、薄云的灰度分布特性，对整图数据在云区域量化前进行空间变换，避免了因薄云区域被量化为零而导致信息丢失的问题，既能提升非云区域的压缩性能，又能部分保留薄云覆盖区域的地物信息。

第二，本发明根据局部内外双边缘上下文信息对云区域进行边界平滑，避免了现有技术在处理后云区域边缘仍存在较多高频信息的问题，有效降低了图像的编码消耗。

仿真结果表明，本发明能够有效地提高感兴趣区域编码码率，同时在可视效果上又能保留部分薄云下的地物信息。相比JPEG2000，采用本发明后，感兴趣区域的峰值信噪比PSNR指标有较明显提升；且同倍压缩时，图像含云量越高，指标提升越大。

附图说明

图1为本发明的实现总流程图；

图2为本发明中获取带标记的云区域边缘子流程图；

图3为本发明中对云区域进行边界平滑的示意图；

图4为本发明和现有方法对薄云区域的恢复效果对比图。

具体实施方式

下面结合附图对本发明的具体实施方式作进一步说明：

参照图1，本实例的具体实现步骤如下：

步骤1：对含云遥感图像和云掩模图像的边界进行扩展。

1.1)记原始的含云遥感图像宽度为W，高度为H，比特深度为Bd；原始的云掩模图像尺寸与原始的含云遥感图像一致；

1.2)对含云遥感图像进行边界扩展：

若W为奇数，H为偶数，则在原始云图的最右边添加一列数据，添加的数据为原始云图的第W列数据；

若W为偶数，H为奇数，则在原始云图的最下方添加一行数据，添加的数据为原始云图的第H行数据；

若W为奇数，H为奇数，则首先在原始云图的最右边添加一列数据，添加的数据为原始云图的第W列数据，记填充完一列的云图为图P，然后在图P的最下方添加一行数据，添加的数据为图P的第H行数据；

若W为偶数，H为偶数，则不对原始云图进行操作；

边界拓展后的云图记为I

1.3)对云掩膜图像进行边界扩展：

云掩膜的边界填充过程与云图的填充过程完全一致，边界拓展后的云掩膜记为M

1.4)边界扩展后的含云遥感图像I

步骤2：降低云区域分辨率。

2.1)将边界拓展后的含云遥感图像I

2.2)对均值填充后的图像I′

若W能整除W

若W不能整除W

若W能整除W

若W不能整除W

边界拓展后的云图记为I″

2.3)对边界拓展后的图像I″

2.4)对下采样后的图像I

2.5)根据扩展后的云掩模图像M

步骤3：计算感兴趣区域的近似中位数。

3.1)结合拓展后的云掩膜M

分别将降空间分辨率后的含云遥感图像I

若图I

若图I

若图I

将拓展后的云掩膜M

3.2)计算降空间分辨率后的含云遥感图像I

3.3)计算序列A的近似中位数，作为I

开辟一个数组B＝{b

遍历序列A，将元素a

将数组B中的元素按下标顺次累加，结果记为：

对每次累加的结果进行判断，若第T次累加值Sum

若Sum

步骤4：获取带标记的云区域内外边缘。

参照图2，本步骤的具体实现如下：

4.1)对扩展后的云掩模图像M

4.2)对膨胀后的云掩模M

4.3)将膨胀后的云掩模M

4.4)将二值云掩模M

4.5)将二值云区域外边缘图像M

4.6)将二值云区域内边缘图像M

4.7)将二值云掩模M

步骤5：云区域量化。

5.1)将降空间分辨率后的含云遥感图像I

5.2)对右移后的云区域内每个像素值加上2

步骤6：边界平滑。

6.1)依据云区域外边缘灰度图像N

6.2)计算各云区域内外边缘的均值差，并将这些结果保存为一个字典D＝{D

6.3)依据云区域灰度图像N

边界平滑后的效果如图3所示。

步骤7：电平移位。

图像在送入压缩核心前，需要将图像信号中的直流分量尽可能消除，使得图像变换之后，小波系数正负值出现的概率基本相同，以提高压缩算法的编码效率。

针对含云遥感图像的特性，本实例将感兴趣区域中位数作为电平移位的偏移量，即将步骤3中计算得到的感兴趣区域近似中位数Z作为偏移量，将边界平滑后的灰度图像I

步骤8：压缩编码。

可采用但不限于JPEG2000或JPEG-LS等算法对预处理后的图像I

步骤9：图像解码。

采用与发送端编码相配套的解码算法对接收到的码流S进行解码，本实例采用JPEG2000进行解码，其依次通过码流分解、熵解码、反量化、逆小波变换及后处理过程，解码后得到恢复图像I

本发明的效果可通过以下仿真进一步说明：

1.仿真条件：

使用中国高分1号(GF-1)光学卫星拍摄的遥感图像进行测试。

图像大小为1024*1024，精度为10bit。

测试图像数量共150张，按平均含云量分为3组，每组各50张。

仿真使用的现有方法包括如下三种：

一是采用标准的JPEG2000算法

二是采用ADR算法对测试图像进行预处理后再采用JPEG2000算法进行压缩的ADR+JPEG2000方法

三是采用LEC算法对测试图像进行预处理后再采用JPEG2000算法进行压缩的LEC+JPEG2000方法

2.仿真内容：

仿真1，用本发明和上述3种现有方法对平均含云量30％的测试图像进行压缩测试，并统计采用各方法在不同压缩倍数下的感兴趣区域的峰值信噪比PSNR的平均值，结果如表1所示，单位dB；

表1对平均含云量30％图像的测试结果

仿真2，用本发明和上述3种现有方法对平均含云量50％的测试图像进行压缩测试，并统计采用各方法在不同压缩倍数下的感兴趣区域的峰值信噪比PSNR的平均值，结果如表2所示，单位dB；

表2对平均含云量50％图像的测试结果

仿真3，用本发明和上述3种现有方法对平均含云量70％的测试图像进行压缩测试，并统计采用各方法在不同压缩倍数下的感兴趣区域的峰值信噪比PSNR的平均值，结果如表3所示，单位dB；

表3对平均含云量70％图像的测试结果

仿真4，用本发明和上述ADR+JPEG2000方法、LEC+JPEG2000方法对测试图像进行压缩测试，并比较各方法在薄云区域的恢复效果，结果如图4所示，其中图4(a)为含云遥感图像，图4(b)为云掩膜图像，图4(c)为采用ADR+JPEG2000方法后薄云区域的恢复效果，图4(d)为采用LEC+JPEG2000方法后薄云区域的恢复效果，图4(e)为采用本发明后薄云区域的恢复效果。

3.仿真结论：

从表1、表2及表3可知，本发明可以灵活地调整云区域的量化位数，以达到不同的压缩效果。在量化位数较小时本发明的压缩性能相比现有的JPEG2000方法有明显提升，相比其他基于填充策略的预处理方法略差。但由图4可见，采用本发明后，薄云覆盖部分的地物信息在低量化位数下能够保留，这是基于填充策略的预处理方法做不到的。本发明的压缩性能在云区域的量化位数较大时与基于填充策略的预处理方法相当；且图像含云量越高，本发明的压缩性能越好。

以上描述仅是本发明的一个具体实例，不构成对本发明的任何限制。显然对于本领域的专业人员来说，在了解了本发明内容和原理后，都可能在不背离本发明原理、结构的情况下，进行形式和细节上的各种修正和改变，但是这些基于本发明思想的修正和改变仍在本发明的权利要求保护范围之内。