干涉超光谱图像分析与近无损压缩CPLD实现

介绍了干涉超光谱卫星遥感图像的成像特性，计算、比较分析了干涉超光谱图象的空间维与光谱维的相关性，提出了一种近无损压缩的局部DPCM算法.选用CPLD在Maxplus Ⅱ使用VHDL语言对该压缩算法进行了硬件描述和仿真.仿真结果表明该压缩算法简单可行，易由硬件实现.     

基于自适应分类曲线拟合的干涉多光谱图像压缩

分析了干涉多光谱图像数据的两个特性,并提出一种基于自适应分类曲线拟合的压缩算法.首先采用均方差准则自适应地将干涉多光谱图像分为强、弱两类干涉区域,并分别构造不同的拟合函数.对强干涉区域,选择典型曲线,并采用最小二乘原理对典型曲线进行拟合,而其余曲线则根据典型曲线进行匹配预测;对弱干涉区域,则分别对所有干涉光强曲线独立进行拟合.最后将所有误差数据进行熵编码.实验结果表明,与JPEG2000相比,该算法能够减少无损压缩输出码率约0.2 bit/pixel,明显提高有损压缩的重建图像质量,降低光谱失真.     

大孔径静态干涉成像光谱仪数据源选择对压缩效果影响的研究

针对实际工程应用中存在的大孔径静态干涉成像光谱仪(large aperture static imaging spectrometer,LASIS)的数据压缩问题,根据LASIS的成像特点,在详细分析其数据特性之后,提出了基于光程差维数据源的压缩,并与以往的LASIS和LAMIS数据源压缩进行对比研究。选择不同的数据源获得的压缩效果不同,为了更合理的选择LASIS数据源,降低压缩算法带来的图像和光谱损失,实验以LASIS原理样机推扫获得的短波红外数据作为研究对象,在详细介绍了三种数据的数据特点以及提取方法之后,变换得到上述三种形式的数据源,采用工程中成熟应用的JPEG和JPEG2000算法对三种数据源分别进行逐帧压缩和重建,然后对压缩效果在图像维、干涉维和光谱维以及压缩比进行了详细的对比分析,并提取视场中三种目标物质的光谱曲线,对压缩前后它们的光谱信息损失进行了度量。实验结果表明,相较于采用LASIS和LAMIS数据源作为压缩对象,以LASIS光程差维数据作为压缩对象,无论是在图像维、干涉维还是光谱维的压缩评价标准下都表现出明显的优越性：同样的压缩方案下,基于光程差维数据源的压缩能在获得较高压缩比的同时获得更低的均方误差和更高的峰值信噪比,且对光谱信息的损失也是三种数据源中最小的。     

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。     

基于植被特征库的高光谱植被精细分类

目前,高光谱数据精细分类面临两方面问题：一方面,传统单纯利用光谱信息的分类往往难以满足各应用行业对精度的需求,另一方面,基于像元的分类结果受制于椒盐噪声,影响其有效应用。为此,提出了一种基于植被特征库构建与优化的高光谱植被精细分类策略。首先,从高光谱影像中的原始光谱特征出发,结合灰度共生矩阵和局域指示空间分析两类纹理特征,并有针对性地加入了对植被叶绿素、胡萝卜素、花青素和氮素叶面积指数等理化参量敏感的光谱指数特征,构建了完备的植被特征库,以提高植被类别间的可分性;进而对植被特征库进行光谱维优化,提出了基于类对可分性的光谱维优化算法,选择对各类对具有最高识别能力的特征波段,通过迭代使各类别间均达到较高的区分度,并利用最优索引因子法进一步降低数据冗余,以提高分类效率;在进行植被特征库空间维优化时,主要基于地物分布通常具有一定的空间连续性这一理论,提出了基于邻域光谱角距离的植被特征库空间维优化算法,以去除分类结果中的椒盐噪声,提高分类精度和分类图像平滑度。基于航空高光谱数据的植被精细分类验证表明,该方法可以显著提高分类精度,在作物品种识别、精准农业等方面将具有广泛的应用前景。     

基于相位相关性的傅里叶变换光谱数据的相位误差修正方法

 相位误差的校正是傅里叶变换成像光谱仪数据处理的重要环节之一。针对干涉曲线的对称性特征,利用相位相关性计算方法,提出一种新的傅里叶变换光谱数据的相位校正的方法。将相位相关性拟合为Sinc函数,计算亚像素的偏移量,采用离散余弦变换转换到光谱域。使用标准光谱库中的源光谱数据作为原始数据,将通过离散余弦变换仿真的干涉数据与该方法得到的结果进行比较和验证,并与Mertz方法进行了对比。结果表明：该方法精度优于Mertz方法,并且计算简单。     

基于改进MCA的干涉高光谱图像分解

干涉高光谱图像特殊的成像原理,使其帧内存在着大幅值且位置固定的干涉条纹,而帧间存在着水平移位的背景图像,这种特点会严重的破坏原始图像的固有结构,从而导致新兴的压缩感知理论与传统压缩算法的直接应用无法得到理想的效果。由于干涉条纹信息与背景图像信息的特征不同,能够对干涉条纹与背景图像进行稀疏表示的正交基也是不同的。基于这种思想,使用MCA(morphological component analysis)算法对干涉高光谱图像中干涉条纹信息与背景图像信息进行分离处理。由于干涉高光谱图像数据量庞大,传统的MCA算法对干涉高光谱数据的图像分解,迭代收敛速度慢,运算效率较低,故而针对干涉高光谱数据特点对传统MCA算法进行改进,改变其迭代收敛条件,当分离后的图像信号与原始图像信号的误差已经基本保持不变时,即终止迭代;并根据对应正交基能且仅能稀疏表示对应信号的思想,对阈值采用自适应的方式进行更新,在新的阈值更新模式中,图像信号在不同正交基下的映射系数被计算与比较。大量实验结果表明,对于LASIS数据与LAMIS数据,MCA算法都能够较完美的将干涉高光谱图像分解,改进的MCA算法更能在保持完美分解输出结果的同时,相对于传统MCA方法显著的减小迭代次数,更快的达到迭代收敛条件,从而有效的提高了算法的运算效率与实时性需求,也为新兴的压缩感知理论在干涉高光谱图像中的进一步应用提供了一种很好的解决方案。     

基于压缩感知的反射光谱重构算法研究

光谱反射率描述物体的表面颜色特征,为了能够获取物体自身更加精确的颜色信息,在图像处理领域光谱反射率重构成为了关注的话题。反射光谱重构算法是对实验物体表面在可见光范围内每一波长处的光谱反射率进行重构,以达到提高物体自身颜色准确复制的精度,最后建立相应的反射光谱。尝试将压缩感知(CS)理论应用到光谱实验中,对光谱反射率进行重构。首先是介绍了压缩感知理论知识,然后把压缩感知理论与光谱反射率原理相结合,根据基于压缩感知的光谱反射率重构的理论框架,选取合适的采样值,压缩感知的采样值即压缩值,小波基作为正交矩阵,高斯随机矩阵作为测量矩阵,正交矩阵与测量矩阵需要保证具有不相关性,将原始光谱反射率从高维到低维进行线性投影,得到低维的观测信号,运行简单的正交匹配追踪算法(OMP)对低维的观测信号进行由低维到高维的高精度重构,重构得到的光谱反射率与原始光谱反射率具有相同的维度,最后将压缩感知重构算法与传统的光谱反射率重构算法伪逆法与多项式回归法进行比较。经过压缩感知重构算法得到的色差值与均方根误差值都小于伪逆法和多项式回归法重构的结果,经压缩感知的重构精度明显提高;经压缩感知重构的光谱曲线可以达到或者更接近原始光谱曲线的峰值,整体效果更接近原始光谱曲线;经多项式回归法和伪逆法重构的光谱曲线达不到原始峰值,整体上存在偏差。可以认为压缩感知用低采样的数据达到了全采样的效果,提高了光谱反射率重构的精度。基于压缩感知的光谱反射率重构算法效果明显优于传统的多项式回归法和伪逆法,可以将压缩感知理论应用到实际的多光谱成像系统中。     

干涉光谱图像序列压缩的实验研究

基于均匀值量化压缩算法和AR模型算法,对干涉型超光谱成像仪直接产生的实际干涉图像序列进行了近无损压缩仿真实验.AR模型算法对残差采用Lloyd-Max量化器进行量化,对量化输出结果用Huffman编码器进行编码.分析了AR模型阶数对压缩性能的影响.结果指出,均匀值量化和AR模型算法均能满足干涉光谱图像序列压缩的要求.     

基于谱间和帧内差分脉冲编码调制的超光谱图像无损压缩

以超光谱遥感图像为研究对象,分析了干涉成像光谱仪获取图像的谱间和空间相关性,提出一种三维差分脉冲编码调制（ DPCM）无损压缩方案。首先进行了谱间DPCM预测;然后,对残差图像进行帧内DPCM预测;最后,对差分码流进行二值自适应算术编码。实验表明,该算法可实现无损压缩,压缩比平均可达1.662,较二维整数小波变换算法提高了15.6％,且算法复杂度较低,仅有加减和移位运算,易于硬件实现。