基于自适应量化的超光谱图像压缩

提出了一种基于谱间预测和小波量化编码的超光谱图像压缩方法。在充分考虑子带图像非平稳特性的基础上,首先实现了子带分类步骤,通过分类设计自适应预测器,提高了谱间去相关效率。由于子带中不同子类表现出了不同的统计特性,所以使用空变均匀阈值量化器完成了量化工作。研究了均匀量化器对不同分布训练样本的率 失真表现,并为相关特性建立了模型描述。基于率失真模型和系数序列的统计特性,提出了一个率分配算法,以便能为不同的子类系数序列设计率失真意义上的最优量化器。实验证明,这种方法能高效地压缩超光谱图像,表现出了优异的压缩性能。     

基于网格编码量化的超光谱图像压缩

提出了一个基于小波网格编码量化的超光谱图像压缩方法。谱间和空间冗余处理构成了超光谱图像压缩算法的主要内容,该算法使用一个谱间差分预测步骤来去除谱间冗余,而后对预测残差图像进行小波变换并利用均匀阈值网格编码量化(trellis-coded quantization)方法来量化各小波子带,最后使用自适应算术编码对量化码字进行熵编码。为使编码器能为所有子带获取率-失真意义上最优的量化阈值,设计了一个基于子带统计特性和网格编码量化器率-失真特性的比特分配算法。在实验中,该算法表现出优良的压缩性能,对于实验的超光谱图像,该方法在压缩比为32时可得到37．1dB的峰值信噪比,这表明本算法能有效压缩超光谱图像,适于超光谱图像压缩应用。     

一种干涉高光谱图像的3DSPIHT结合ROI压缩算法

 针对大孔径静态干涉成像光谱仪的成像特点,提出了一种基于三维小波变换的3DSPIHT算法结合ROI的图像压缩方案.对干涉高光谱图像序列进行了三维非对称离散小波变换.采用ROI方法对主要的光谱系数进行提升,以保护光谱信息.最后,对3DSPIHT算法进行改进,以有效编码干涉高光谱图像的小波变换系数.实验结果表明,该方法在8:1压缩比下可获得大于40 dB的峰值信噪比,同时有效地保护了光谱信息.     

一种干涉高光谱图像的3DSPIHT结合ROI压缩算法

针对大孔径静态干涉成像光谱仪的成像特点,提出了一种基于三维小波变换的3DSPIHT算法结合ROI的图像压缩方案.对干涉高光谱图像序列进行了三维非对称离散小波变换.采用ROI方法对主要的光谱系数进行提升,以保护光谱信息.最后,对3DSPIHT算法进行改进,以有效编码干涉高光谱图像的小波变换系数.实验结果表明,该方法在8:1压缩比下可获得大于40dB的峰值信噪比,同时有效地保护了光谱信息.     

LASIS高光谱图像的3D-SPECK压缩算法

将三维集合分裂嵌入块编码算法结合感兴趣区域的压缩方案用于大孔径静态干涉成像光谱仪图像压缩.首先,对高光谱干涉图像序列进行三维非对称离散小波变换.其次,定义零块树作为编码单位.采用感兴趣区域方法对不同的编码单位赋予不同的比特率,以保护光谱信息.最后,采用改进的三维集合分裂嵌入块编码算法分别对每个编码单位进行编码.实验结果表明,该方案在8:1压缩比下,获得大于40dB的峰值信噪比,同时有效地保护了光谱信息.该算法复杂度低,实时性好,满足大孔径静态干涉成像光谱仪系统图像压缩要求.     

基于ROI编码的干涉超光谱图像近无损压缩

针对干涉超光谱成像仪所成图像的特点，提出了一种基于ROI（Region of Interest，感兴趣区域）编码的干涉超光谱图像序列压缩方法.利用帧内差值变换，结合矩形ROI编码，在提高遥感图像压缩比的同时，使压缩后的重建图像质量达到近无损的技术要求.实验结果表明，这种压缩方法在干涉超光谱图像压缩中当相对光谱二次误差为2.04％时，干涉图像的压缩比达到9.66∶1.     

LASIS高光谱图像的3D-SPECK压缩算法

将三维集合分裂嵌入块编码算法结合感兴趣区域的压缩方案用于大孔径静态干涉成像光谱仪图像压缩.首先,对高光谱干涉图像序列进行三维非对称离散小波变换.其次,定义零块树作为编码单位.采用感兴趣区域方法对不同的编码单位赋予不同的比特率,以保护光谱信息.最后,采用改进的三维集合分裂嵌入块编码算法分别对每个编码单位进行编码.实验结果表明,该方案在8:1压缩比下,获得大于40dB的峰值信噪比,同时有效地保护了光谱信息.该算法复杂度低,实时性好,满足大孔径静态干涉成像光谱仪系统图像压缩要求.     

基于分布式信源编码的干涉多光谱图像压缩

根据干涉多光谱图像的特点.提出一种基于分布式信源编码的干涉多光谱图像压缩箅法.干涉多光谱图像序列的相邻图像之间具有明显的平移特性,编码端通过块匹配算法检测出相邻帧间的相对位移量,联合块匹配算法估计的边信息帧进行比特平面码率估计,采用基于率失真提升的感兴趣区域编码,调整图像不同区域的率失真斜率来进行更合理的码率分配.实验结果表明.该算法比传统算法更好地保护了多光谱图像的光谱信息,在不同压缩比的情况下.满足卫星干涉多光谱图像压缩系统要求.易于硬件实现,更适于星上环境的应用.     

基于分类和曲线拟合的干涉超光谱图像压缩

根据干涉超光谱图像的特点,提出了一种基于图像分类与曲线拟合的干涉超光谱图像数据分解算法,结合内嵌比特平面编码技术实现干涉超光谱图像的压缩。与JPEG2000一样,该算法实现了有损、无损压缩的兼容。将干涉超光谱图像数据分为主干涉区域与非主干涉区域两类,针对主干涉区域提出了一种相似匹配算法,而对非主干涉区域采用经验模式分解和二次曲线拟合方法进行数据分析,两种分析算法结合起来能够有效地对谱线数据进行分解,从而有利于取得更好的压缩效果。仿真结果表明,提出的算法可以使无损压缩的输出码率降低0.2~0.4bit/pixel,而近无损、限失真压缩的重建图像质量相应提高。     

高光谱图像的分布式近无损压缩

星载高光谱图像的有效压缩已经成为高光谱遥感领域亟待解决的难题。分布式信源编码具有较低的编码复杂度与良好的抗误码性,在高光谱图像压缩领域具有广阔的应用前景。提出了一种基于多元陪集码的高光谱图像分布式近无损压缩算法。根据多元陪集码的Slepian-Wolf无损编码的压缩过程,提出了面向高光谱图像分布式近无损压缩的最优量化方案,使得高光谱图像在给定目标码率条件下的失真达到最小,在此基础上对量化值进行Slepian-Wolf无损编码,从而实现了高光谱图像的分布式近无损压缩。实验结果表明,与典型的传统算法相比,该算法取得了较好的近无损压缩性能和较低的编码复杂度。     

适于星上应用的高光谱图像无损压缩算法

针对常见基于预测、变换、矢量量化及其组合的高光谱无损压缩算法压缩比低、压缩算法整体耗时以及硬件实现困难的问题,提出一种适于星上应用的高光谱图像无损压缩算法。首先,沿光谱线的第一谱段图像采用中值预测器进行谱段内预测,其他谱段图像采用谱间预测。谱间预测采用两步双向预测算法,第一步预测采用双向二阶预测器得到参考预测值,第二步预测采用本文提出的改进LUT搜索预测算法得出4个LUT预测值,然后将参考预测值与其比较得出最终的预测值。最后,使用XX-X空间高光谱相机的压缩系统试验设备对该文提出的压缩算法进行了试验验证。结果表明,压缩系统能快速稳定地工作,平均压缩比达到3.05 bpp,与传统方法相比,平均压缩比提高了0.14~2.94 bpp。有效的提高了高光谱图像无损压缩比和解决了压缩算法整体实现困难的问题。     

一种空间划分与谱间预测相结合的超光谱图像压缩新方法

超光谱图像因其纹理丰富复杂、波段多、光谱分辨率高等特点,在军事、海洋、农业等多方面都应用广泛,但也因其数据量大在数据传输时受到很多限制,研究一种高效超光谱图像压缩方法有着重要的意义.目前光谱图像的压缩方法主要分为基于变换、基于预测和基于矢量量化三大方面,其中基于预测的方法具有易于实现、压缩比高等优势应用广泛.文章首先对...     

一种改进的无链表3DSPITH算法用于高光谱图像压缩

 针对大孔径静态干涉成像光谱仪(LASIS)的成像特点,提出了一种基于三维非对称等长树小波变换的无链表SPITH算法结合ROI的图像压缩方案。首先,对干涉高光谱图像进行三维非对称等长树离散小波变换。其次,采用ROI方法对主要的光谱系数进行保护。最后,采用改进的三维无链表SPITH算法,编码干涉高光谱图像的小波变换域。实验结果表明,该方法在8∶1压缩比下,获得大于40 dB的平均峰值信噪比,同时有效地保护了光谱信息。     

基于快速层次交替最小二乘非负张量Tucker分解的干涉高光谱图像光谱信息压缩方法

提出一种基于快速层次交替最小二乘非负张量Tucker分解的高光谱图像光谱信息压缩算法。首先,将干涉高光谱图像光程差方向的三维信息采用三维光程差方向提升小波变换(3D OPT-LDWT)进行分解,将三维小波子带系数看作三阶非负张量,采用快速层次交替最小二乘非负张量Tucker分解(FHALS-NTD)算法对进行分解,得到核心张量和模式矩阵。对每个模式矩阵进行量化,对核心张量采用比特平面重要系数编码算法进行编码,得出最终的压缩码流。结果表明,此压缩算法可以稳定可靠地工作。与传统压缩算法比较,平均信噪比提高了1.23 dB。有效的提高了干涉高光谱图像压缩性能。     

SFCVQ and EZW coding method based on Karhunen-Loeve transformation and integer wavelet transformation

A new hyperspectral image compression method of spectral feature classification vector quantization (SFCVQ) and embedded zero-tree of wavelet (EZW) based on Karhunen-Loeve transformation (KLT) and integer wavelet transformation is represented. In comparison with the other methods, this method not only keeps the characteristics of high compression ratio and easy real-time transmission, but also has the advantage of high computation speed. After lifting based integer wavelet and SFCVQ coding are introduced, a system of nearly lossless compression of hyperspectral images is designed. KLT is used to remove the correlation of spectral redundancy as one-dimensional (1D) linear transform, and SFCVQ coding is applied to enhance compression ratio. The two-dimensional (2D) integer wavelet transformation is adopted for the decorrelation of 2D spatial redundancy. EZW coding method is applied to compress data in wavelet domain. Experimental results show that in comparison with the method of wavelet SFCVQ (WSFCVQ),the method of improved BiBlock zero tree coding (IBBZTC) and the method of feature spectral vector quantization (FSVQ), the peak signal-to-noise ratio (PSNR) of this method can enhance over 9 dB, and the total compression performance is improved greatly.     

An adaptive OPD and dislocation prediction used characteristic of interference pattern for interference hyperspectral image compression

According to the imaging principle and characteristic of LASIS (Large Aperture Static Interference Imaging Spectrometer), we discovered that the 3D (three dimensional) image sequences formed by different interference pattern frames, which were formed in the imaging process of LASIS Interference hyperspectral image, had much stronger correlation than the original interference hyperspectral image sequences, either in 2D (two dimensional) spatial domain or in the spectral domain. We put this characteristic into image compression and proposed an adaptive OPD (optical path difference) and dislocation prediction algorithm for interference hyperspectral image compression. Compared the new algorithm proposed in this paper with Dual-Direction Prediction [1] proposed in 2009, lots of experimental results showed that the prediction error entropy of the new algorithm was much smaller. In the prediction step of lifting wavelet transform, this characteristic would also reduce the entropy of coefficients in high frequency significantly, which would be more advantageous for quantification coding [2].