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。     

基于双参数Weibull分布的视频编码率失真模型的研究

对视频序列离散余弦变换(DCT)系数统计分布进行了分析,提出了一种基于Weibull概率密度的视频DCT系数统计模型,该模型较Laplace概率密度与Cauchy概率密度更好地描述了视频序列的DCT特征.随后以该统计模型为基础,依据熵编码的理论分别给出了视频序列的速率-量化关系和失真-量化关系,并根据实际视频序列特性对其进行合理地简化近似,得到一种新的较为精确的视频序列率失真模型.经大量仿真实验证明,文中提出的基于Weibull分布的率失真模型对于Intra帧和Inter帧两种编码的真实视频序列率失真特性都具有较好的描述.     

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.     

基于提升方案的多光谱遥感图像有损压缩算法

在分析多光谱遥感图像谱间和空间数据特点的基础上,提出了一种DPCM线性预测与基于提升方案的整数小波变换相结合的多光谱遥感图像有损压缩算法。在谱间采用DPCM预测去除谱间相关性;在谱内采用整数小波变换去除空间相关性,根据不同子带对目标识别的重要程度,选择不同的量化阈值和量化步长进行量化,并分别对各个子带量化后的数据和重要图表采用固定比特平面编码和游程编码,实现高效的多光谱遥感图像压缩。实验结果表明,该算法在一定的压缩比下,重构图像具有较高的峰值信噪比,并且算法硬件实现简单,对内存的需求低。     

基于非采样Contourlet变换的遥感图像融合算法

为了使融合后的多光谱图像在尽可能保持原始多光谱图像光谱特性的同时,显著提高空间分辨力,提出了一种基于非采样Contourlet变换(NSCT)的遥感图像融合算法。算法首先对全色波段图像进行非采样Contourlet变换,得到全色波段图像的低频子带系数和各带通方向子带系数;然后针对多光谱图像的每一个波段,将其进行双线性插值后作为融合后多光谱图像的低频子带系数,对全色波段图像的各带通方向子带系数采用基于成像系统物理特性的注入模型(调整系数)进行局部调整后,作为融合后多光谱图像的各带通方向子带系数,从而得到融合后多光谱图像的非采样Contourlet变换系数;最后再经非采样Contourlet逆变换得到该波段具有高空间分辨力的多光谱图像。采用IKONOS卫星遥感图像进行了仿真实验,实验结果表明,该算法在光谱保留和空间质量提高方面优于其它传统的遥感图像融合算法。     

遥感干涉超光谱图像压缩编码

基于卫星干涉超光谱成像光谱仪成像原理的分析,提出了一种新的遥感超光谱图像压缩方案，利用成像推扫平移特性提出一种低存储量，帧间小波域匹配的序列压缩，只需存储两帧图像，比起单帧处理提高图像PSNR 3-4dB.为了保护图像的光谱特征，系统采用了一种新的感兴趣区域（Region of interest, ROI） 编码技术，使系统的压缩比提高8倍以上.该感兴趣区域（ROI）编码采用率失真优化斜率提升，而不是比特平面移位，使图像在相同的光谱分辨率下拥有更好的空间分辨率.试验数据表明，算法大大保护了图像的光谱特性，在8倍压缩比情况时，满足卫星干涉超光谱遥感图像要求.     

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Contourlet变换域的自适应量化索引调制数字图像水印算法

提出了一种新的基于Contourlet变换域的自适应量化索引调制数字图像水印算法.原始二值水印经过扩展置乱、降维和伪随机序列加密,嵌入到宿主图像经Contourlet变换后的低通子带系数中.根据低通子带能量分布特性,对分块低通子带的最大奇异值采用自适应量化索引调制,实现水印嵌入.实验结果表明,该水印算法不仅对嵌入的水印具有良好地视觉保真度,而且对JPEG压缩、低通滤波、加性噪声、重采样、剪切等多种攻击具有很强的稳健性.同时采用量化嵌入策略,水印提取时不需要宿主图像,即可实现水印网像盲提取.     

基于双正交小波变换耦合区域梯度特征的遥感图像融合算法

当前较多遥感图像融合算法是利用主成分分析方法来完成遥感图像的融合,由于主成分分析方法融合后的图像会产生光谱畸变,易导致所融合图像存在光谱失真的问题。对此,设计了一种采用双正交小波变换耦合区域梯度特征的遥感图像融合算法。对多光谱图像进行色调-饱和度-亮度变换,以获取多光谱图像的亮度分量,引入双正交小波变换将该亮度分量与全色图像进行小波域分解,以获取图像的低频与高频子带;通过低频子带中像素点的区域梯度特征构造均值梯度模型,用于求取低频子带融合系数,利用高频子带中像素点对应的区域方差构造相似度因子,用于求取高频子带融合系数;通过色调-饱和度-亮度与双正交小波的逆变换获取所融合遥感图像。仿真实验结果显示,所设计方法与当前遥感图像融合方法相比,融合的遥感图像具有更好的视觉效果。     

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.     

基于多尺度分解的超光谱图像异常检测

提出了一种基于多尺度分解的超光谱图像异常检测算法。在目标和背景均未知的前提下,利用光谱和空间两种信息完成对异常目标信号的定位,从而实现超光谱遥感数据中异常目标检测。首先利用非下采样塔式变换对超光谱图像进行分解,将其划分为不同尺度子块;然后依据超光谱图像同一波段不同尺度空间内相邻系数的相关性,采用不同波段各个尺度空间的反锐化掩模方法优化背景数据分布,从而抑制异常数据对背景的干扰;最后利用设计的核RX算子得到异常目标检测结果。为验证方法的有效性,利用真实和模拟的AVIRIS数据进行了实验,并与经典RX算法相比较,实验结果表明,基于非下采样塔式分解的异常检测方法具有更好的检测性能和较低的虚警。     

结合深度学习的非下采样剪切波遥感图像融合

遥感图像融合是指将不同传感器得到的具有不同观测特性的图像信息有选择、有策略地结合起来,以得到具有更优观测特性的新图像的方法。提出一种深度学习结合非下采样剪切波变换(NSST)的遥感图像融合算法,利用改进的超分辨率重建网络对多光谱图像(MS)进行空间分辨率增强,全色图像(PAN)参考重建后的多光谱图像的每个分量进行直方图匹配。将对应通道的图像进行NSST变换,分别得到低频子带和若干高频子带。低频子带通过使用基于梯度域的自适应加权平均规则来获得低频融合系数,高频子带采用局部空间频率最大值规则来获得高频融合系数,最后经逆NSST变换重构获得融合图像。对不同数据集中的City和Inland多光谱图像采用双三次插值方法进行上采样,作者提出算法的通用图像质量指数(UIQI)分别为0.988 6和0.932 1,光谱角映射(SAM)分别为1.872 1和2.143 2。实验结果表明,图像结构更加清晰,保存的光谱信息更加完整,融合图像质量优于对比算法,融合图像更利于人类视觉观察。     

基于I-BGLAM纹理和光谱融合的高光谱显微成像木材树种分类

为了提高木材树种分类的正确率,提出了一种基于I-BGLAM纹理特征和光谱特征融合的高光谱图像的木材树种分类方法。实验数据是利用SOC710VP高光谱成像仪获取的可见光/近红外（372.53~1 038.57 nm）范围内的高光谱图像。首先,利用基于OIF的特征波段选择方法降低高光谱图像的维数,选择出含有信息量大的波段。其次,对选择出的波段图像使用NSCT及NSCT逆变换得到融合图像,对得到的融合图像使用I-BGLAM提取其纹理特征。与此同时,对高光谱图像的全波段求取平均光谱并进行S-G（Savitzky-Golay）平滑得到光谱特征。最后,将得到的纹理特征和光谱特征融合后送进极限学习机（ELM）中进行分类。此外,还和基于灰度共生矩阵（GLCM）的木材识别的传统方法以及近几年木材树种识别领域内被提出的主流方法进行了比较。该研究主要创新点有两个：一是将强纹理提取器I-BGLAM用于高光谱图像中提取其纹理特征;二是提出一种新的特征融合的模型用于高光谱图像的分类。针对8个树种的实验结果表明,单独使用I-BGLAM提取的纹理特征来进行分类的正确率最高可到达88.54%,而使用GLCM提取纹理特征的传统方法正确率最高只有76.04%,该结果可以得出本文使用I-BGLAM在纹理特征提取方面要优于GLCM,这为后面建立的融合模型打下很好的基础,单独使用平均光谱特征来分类的正确率最高可以达到92.71%,使用所提出的特征融合方法所得到的分类正确率最高可达到100%,这说明使用所提出的融合模型来分类要比以前单独使用某一种特征的分类模型要好。此外,使用所提出的方法得到的分类正确率要高于本领域内其他两种主流的识别方法。因此,所提出的基于I-BGLAM纹理特征和光谱特征融合的方法能够提高木材树种分类的正确率,该方法在木材树种分类方面有着一定的利用价值。     

基于FP微阵列的压缩感知光谱重建研究

针对现有星载扫描光谱成像中无法同时实现高通量、高光谱分辨率的问题,提出采用法布里珀罗（FP）微阵列与压缩感知光谱成像方法。该方法通过在成像探测器前加FP微阵列,FP微阵列调制器每一单元对应不同高度,进而对输入光信号进行调制得到不同的光谱响应。结合扫描和压缩感知复原算法,最终获得高光谱图像数据立方体。该系统光谱范围为400 nm～700 nm,光谱通道数高达700个。通过仿真激光入射光谱与压缩感知重构光谱进行对比,仿真均方误差（MSE）为0.002。此外,通过实验对两个不同颜色的单色光光谱进行重构,实验结果与标准光谱仪测得的光谱基本一致,验证了该方法光谱重构的可行性。该方法可广泛应用于高通量、高光谱星载或扫描光谱成像测量中。     

Image fusion algorithm based on redundant-lifting NSWMDA and adaptive PCNN

Pyramid decomposition in the NSCT transformation is a band-pass filtering process in the frequency domain where different scales of images are orthogonal. However, from the perspective of the image content, correlation is likely to exist between the fused images, and this kind of decomposition makes images of different scales contain redundant information, as a result of which the fused image may not capture the subtle information from the original images. In order to overcome the above-mentioned problem, an effective image fusion method based on redundant-lifting non-separable wavelet multi-directional analysis (NSWMDA) and adaptive pulse coupled neural network (PCNN) has been proposed. The original images are firstly decomposed by using the NSWMDA into several sub-bands in order to retain texture detail and contrast information of the images, and then adaptive PCNN algorithm is applied on the high-frequency directional sub-bands to extract the high-frequency information. The low-frequency sub-bands are evaluated by weighted average based on Gaussian kernel with a chosen maximum fusion rule. Results from experiments show that the proposed method can make the fused image maintains more texture details and contrast information.     

基于小波分解的光谱特征提取算法研究

物质的光谱曲线反映了其独特的反射特性,利用光谱可以进行物质的分类识别工作。由于光谱曲线数据量较大、吸收特征不明显等特点,光谱曲线的特征提取是高光谱影像分类识别中的一个关键问题之一。该文利用小波分析技术通过对原始信号的分解,以及测量目标光谱特征的吸收宽度,确定了小波分解尺度,达到突出目标光谱吸收特征而抑制非相关特征及噪声的目的。通过实验表明,该方法可有效地降光谱维数,提高了光谱匹配识别精度。     

多频带水声信道的时频联合稀疏估计

多频带水声信道多径结构在相邻数据块和不同子频带存在相关性,从分布式压缩感知的角度可对这种时频联合稀疏特性进行利用。但是,在传统联合稀疏模型下水声信道间存在的不同多径时延部分形成差异支撑集,由此引入的干扰导致估计性能下降,提出利用多路径选择机制进行差异支撑集检测;同时,进一步结合频域子频带信道间、时域相邻数据块信道间存在的相关性进行频带-时间域联合稀疏估计.利用数值仿真及海试实验结果进行了性能验证和比较,表明利用时频联合稀疏估计构造的水声通信接收机改善了匹配性能,可获得较为明显的输出信噪比、误比特率等通信性能提升.从而说明:利用多频带水声信道在时域、频域存在的联合相关性可有效提高信道估计性能。      

基于稀疏表示模型和自回归模型的高光谱分类

针对高光谱分类中对光谱信息和空间信息利用不足的问题,提出了一种基于稀疏表示模型和自回归模型相结合的分类算法。该算法利用稀疏表示模型和自回归模型,设计联合字典:在光谱维上,利用稀疏表示模型将高光谱的每个光谱向量表示为字典中训练样本的稀疏线性组合;在空间维上,利用自回归模型对每个光谱向量的8邻域进行约束。针对不同样本分别构造一个字典,在减少计算量的同时减小重构误差,最后在最小重构误差和邻域相关性的约束下求解稀疏表示问题,以最小重构误差为准则实现高光谱数据的分类。仿真结果表明,该方法能够有效地提高高光谱数据的分类精度。