马天波[1]2008年在《基于小波变换的SPIHT算法的遥感图像压缩研究》文中提出本论文在重点研究和分析了小波变换、第二代小波变换和嵌入式编码的基础上,提出了基于小波变换的SPIHT设计方案,该方案在SPIHT算法的基础上结合了小波变换的优点,有效地提高了压缩效果,缩短了编解码时间,但在比特率较低的情况下,尤其是对高分辨率遥感图像进行处理时,恢复图像质量不是很好。于是在此方案的设计框架下,针对存在的不足,对SPIHT算法进行改进,在经典SPIHT算法中加入兄弟节点相关性的假设,修改了零树结构,同时引入LZC算法的标志位图思想。并在MATLAB和VC++6.0环境下对设计方案进行仿真实现,从PSNR、CPU耗时、压缩比和人眼视觉效果等参数对实验测试图像进行对比分析。仿真实验表明,该改进方案设计的算法在相同比特率下PSNR优于SPIHT算法,并对低比特率情况下的图像恢复质量改善明显。
段贺[2]2014年在《时间型干涉超光谱数据压缩算法研究》文中研究指明遥感作为对地观测的主要实现手段,经过几十年的发展,已经从最初的全色遥感阶段发展到超光谱遥感阶段。干涉超光谱数据作为一种重要数据源,与可见光、红外等遥感图像的显着区别在于多了一个含有丰富光谱信息的光谱维,在对地观测、目标识别等领域得到了广泛应用。但是随着光谱分辨率的不断提高,成像光谱仪获得的数据量急剧膨胀,给数据的存储和传输带来了巨大压力,因此,研究超光谱数据的压缩和编码算法具有很现实的理论意义和重要的应用价值。本文正是基于上述背景展开研究的,通过查阅大量国内外文献,确定了系统星载可行性以及数据压缩比作为主要研究方向,包括干涉超光谱数据预处理以及无损压缩两部分：(1)超光谱数据预处理部分针对超光谱数据过采样的特点,对数据进行整数倍抽取进而减小数据量。首先,为了避免窗函数法设计FIR滤波器产生的频谱泄露现象,对常用方法进行对比,选择最适合超光谱数据特点的窗函数；其次,采用多相滤波器技术,将原始滤波器分解成多个子滤波器,与传统方法相比提高了处理速度；最后,为了提高星载可行性,对超光谱数据进行多级抽取,有效的解决了由于数据量大而导致处理时间长的问题。(2)超光谱数据的无损压缩部分对图像的相关性进行了分析。空间相关性的分析结果表明,超光谱图像每个波段虽然都具有一定的空间相关性,但要低于普通的二维图像,不能将传统的压缩方法直接应用到超光谱图像上；对超光谱图像的谱间相关性分析则得出了谱间相关性远大于空间相关性的结论,因此在进行压缩时需要更多的注重去除超光谱图像光谱方向的冗余。根据相关性的分析结果,提出了基于最优谱间预测思想与LOCO-3D相结合的联合编码无损压缩算法,该算法是在DPCM与JPEG相结合的预测方法和LOCO-I压缩算法的3D扩展形式的基础上进行改进的。干涉数据预处理部分仿真结果表明,对超光谱数据运用加窗以及多级多相抽取技术提高了系统资源利用率。无损压缩部分通过与前两种改进算法的对比验证,本文提出的算法去相关效果明显,在压缩比和算法复杂度方面都有较大的提高。
张雷[3]2005年在《基于超光谱遥感图像叁维特征的压缩方法研究》文中提出在对地遥感观测中,超光谱遥感图像是一种重要的数据源,在军民两方面都有广泛的应用。由于超光谱遥感图像的数据庞大,在存储和传输过程中必须进行压缩处理,而超光谱遥感图像作为叁维立体图像不同于二维普通图像,其特点是:超光谱遥感图像同时具有空间相关性和谱间相关性,其中谱间相关性高于空间相关性。由于目前还没有形成一套成熟或标准的超光谱图像压缩技术,本文对超光谱遥感图像的压缩算法进行研究。首先介绍了针对超光谱图像的一般压缩算法,分别是变换压缩技术、矢量量化技术和预测编码技术叁种。对几种典型无损压缩算法的压缩比进行比较,发现无损压缩时预测算法优于变换算法,但预测算法仅针对二维平面,去除叁维相关性的能力有限,因此需要针对超光谱图像特点设计叁维预测方法。将图像二维预测推广到叁维预测时,通过借鉴去相关的各种方法,分别设计了叁维最优组合预测,叁维局部上下文预测和基于谱间上下文预测算法。其中最优组合预测方法,无需考虑谱内与谱间预测精度的不同,只要进行最优组合就有较高的预测精度,缺点是需要对谱内和谱间的预测误差进行统计,无法满足实时性要求;而采用局部上下文模型预测方法,进行叁维预测时,势必要牺牲光谱维的预测精度,从而降低整体预测精度,使残差图像的行、列及谱间相关性较高,叁维去相关能力有限;谱间上下文预测方法,针对超光谱图像谱间相关性强的特点,把谱间像素值作为预测基准值,通过考察与判断谱间变化趋势对预测基准值进行修正,设计的叁种谱间上下文预测模型(谱间梯度、谱间增益、谱间LOCO-Ⅰ)的预测效果均好于局部叁维上下文预测方法。其中谱间LOCO—Ⅰ预测算法继承了中值边界检测(MED)的优点,叁维方向上去相关能力最佳。位平面变换是全新的变换技术,为克服谱间一维位平面变换时只在相邻像素值接近才会有去相关能力的缺点,本文提出了叁维位平面变换算法,首先对位平面矩阵进行水平方向上的同或运算,然后再将所得到的矩阵进行垂直方向的同或运算,最后对空间位平面变换结束后所得到的变换矩阵还要进行谱间位平面变换。叁维位平面变换与谱间位平面变换一样,易于硬件实现,位平面变换过程中所进行的运算为逻辑运算,各位的变换矩阵均可独立地进行运算和编码,具有并行性。
孟会晓[4]2010年在《基于Bandelets的遥感图像压缩技术研究》文中认为随着遥感技术的迅速发展,遥感图像数据量也在日益增加,高分辨率遥感图像的存储和传输困难就显得十分突出。数据压缩技术作为解决这一问题的有效途径,在遥感图像压缩领域越来越受到重视。多尺度几何分析的出现解决了小波不能很好处理的高维函数逼近问题。由于具有多方向性和各向异性,它能够有效的表示高维函数的奇异性。Bandelets变换是一种自适应多尺度几何分析方法,能够自适应地跟踪图像的几何正则方向,获得稀疏的数据表示,在图像压缩中具有一定的优势。本文主要研究了Bandelets变换在遥感图像压缩中的应用。针对两类遥感图像:合成孔径雷达图像和超光谱遥感图像,提出了叁种基于Bandelets的遥感图像压缩算法,主要工作概括如下:(1)针对小波变换不能有效地捕获SAR图像的细节和纹理信息的缺点,本文将多尺度分解得到的高频子带进一步分解,提出了基于自适应Bandelets包的SAR图像压缩算法。算法采用固定剖分Bandelets变换,多尺度分析部分采用子波包分解。该方法充分利用了多尺度分解后各个高频子带的信息,能够较好地保持SAR图像的高频细节纹理信息。(2)针对变换系数的特点探索适合Bandelets的编码方式。通过对比小波变换和Bandelets变换的系数统计特性,结合JPEG2000编解码系统的思想,提出了一种联合JPEG2000和自适应Bandelets的SAR图像编码策略。该方法采用自适应四叉树剖分思想,充分利用图像的几何正则特性,在低比特率SAR图像压缩的应用中,取得了不错的压缩性能。(3)提出了基于自适应Bandelets的超光谱遥感图像压缩算法,该方法采用二维Bandelets变换去除空间相关性,一维DCT变换去除谱间相关性,从而构造了一种适合于超光谱遥感图像压缩的Bandelet-DCT变换。此算法创新性地把多尺度分析工具Bandelets变换引入超光谱遥感图像压缩中。
张海涛[5]2013年在《基于兴趣体保护的高光谱遥感图像压缩技术研究》文中指出较高的光谱分辨率对于高光谱遥感图像的应用十分重要,但是,高光谱图像带来了海量数据,这给数据的存储和传输带来了巨大压力。高光谱遥感图像自身特性决定其不同于二维图像,因此从高光谱遥感图像自身特性出发来进行高光谱遥感图像的压缩就是一个重要的研究课题。论文探索了高光谱遥感图像的空间相关性和谱间相关性,研究其与静态二维图像之间的相关性差异。结果表明：高光谱图像的空间相关性要弱于二维静止图像,同时高光谱图像的谱间相关性要强于空间相关性。提出了兴趣体的概念,即感兴趣波段中的感兴趣区域。针对地物分类应用,研究了最佳波段选择方法；针对目标提取应用,研究了基于小波分解的波段选取方法。并通过仿真实验验证了两种波段选择的效果。在ROI提取过程中,论文采用了FastICA算法,并通过实验对比证明了该方法在突出目标以及抑制背景两个方面都明显好于其他常见方法,主要原因是事先利用MNF变换对原始数据进行降维,从而降低了噪声对目标探测的不利影响。论文研究了基于小波Contourlet变换和兴趣体保护的高光谱图像压缩方法。可分离二维小波变换对纹理丰富图像进行低比特率压缩时,图像边缘附近会产生“振铃”现象,而单纯的Contourlet变换具有4/3冗余度,导致Contourlet系数增多,不利于图像的压缩编码,因此研究了二者结合、优势互补的图像压缩算法。兴趣体保护较单纯的兴趣区保护或兴趣波段保护而言,保护内容更加精准,需保护的信息量大大减少,因此在进行相同码率压缩情况下,重构图像的兴趣区与背景区都将获得更优的图像质量。将Maxshift算法推广到叁维图像,提升了BOI中ROI区域的变换系数。通过实验验证了在压缩比8：1时,本文提出的算法峰值信噪比达到了40dB以上,较单纯使用小波变换的3D-SPIHT算法提高了3.16dB；从视觉效果可以看到由于结合了Contourlet变换,重构图像纹理清晰,边缘明显。重构图像用于分类应用几乎未受影响。
霍承富[6]2012年在《超光谱遥感图像压缩技术研究》文中指出超光谱遥感数据由同一地物对不同波段电磁波反射成像而得,通常包含成百上千幅波段图像,具有丰富的光谱信息,是对地观测的重要信息来源,在环境监控、资源勘测和军事侦察等方面有着广泛的应用。然而,超光谱遥感图像数据海量,给信息的传输和存储造成很大的负担,因此有必要进行压缩处理,以提高传输和存储效率、降低应用成本。本文针对超光谱遥感图像的空间结构相关性和谱间结构相似性,研究探讨了基于预测、多尺度变换和字典学习稀疏表示的有效压缩算法,并且初步探索了对压缩感知获取的超光谱遥感数据进行后续压缩的可行性,主要工作包括：(1)分析了超光谱遥感图像的空间和谱间统计特性,为设计有效的压缩算法提供依据,使得研究更具针对性。(2)针对超光谱遥感图像多波段特性,设计了树形搜索模型以筛选最优预测波段,实现与波段重排序等价的效果,从而提高预测精度。此外,提出了分组预测、加权求解的波段图像估算方式,以简化算法复杂度。分析表明,基于该搜索模型的多波段预测压缩算法具有较佳的综合性能。(3)结合遥感图像的结构特征、离散小波变换(Discrete Wavelet Transform, DWT)和方向滤波(Directional Filter Bank, DFB),设计了DWT-DFB自适应变换方法：首先,构建描述遥感图像傅里叶变换系数分布的二叉树；然后,依据二叉树的高度进行DWT尺度变换,依据二叉树的节点分布进行DFB方向分解。实验结果表明,DWT-DFB变换方法能够提高非线性逼近性能,从而实现用更少的变换系数重构图像、减少存储数据量。(4)根据超光谱遥感图像谱间结构相似性,提出了字典学习稀疏表示超光谱遥感图像压缩方法：首先,采用K-SVD算法训练单幅波段图像以获取字典；然后,定义联合稀疏编码目标函数求解其余波段图像的稀疏解,以减少需要编码的附加信息；最后,量化和熵编码稀疏解非0元素值。实验结果表明,相比于3D-SPIHT超光谱图像压缩方法,字典学习稀疏表示压缩方法在低码率时压缩性能有着明显的改善,并且能够确保重构图像具有更精确的地物分类结果。(5)根据压缩感知(Compressed Sensing, CS)获取的超光谱遥感数据波段之间的相关性,提出了基于最小二乘准则的谱间预测压缩算法以实现CS超光谱遥感数据的后续压缩,从而进一步减少数据量、提高传输效率。此外,鉴于波段图像稀疏解非0元素位置索引具有一致性,设计了能够权衡复杂度和重构质量的CS重构算法。实验结果表明,采用谱间预测能够明显提高CS超光谱遥感数据的压缩效率,设计的CS重构算法可以在保持较高重构质量的同时有效地减少计算量。综上所述可知,本文针对超光谱遥感图像多波段的特性,结合预测、多尺度变换、字典学习稀疏表示和CS理论,提出了多种压缩算法。实验结果表明,各压缩算法具有良好的性能,能够作为提高海量超光谱遥感数据传输和存储效率的有效途径。
韩勇[7]2014年在《基于矢量量化的高光谱遥感图像压缩》文中认为随着高光谱遥感在国民经济领域的广泛应用，成像光谱仪技术得到迅速发展。高光谱遥感图像的光谱通道数达到上百个，光谱分辨率越来越高，使得高光谱遥感图像的数据量急剧增加。庞大的数据量给高光谱遥感图像的存储和传输带来了巨大压力，严重制约了其应用，因此，对高光谱遥感图像进行有效地压缩显得更加迫切。矢量量化作为一种高效的图像数据压缩编码技术，具有压缩比高、编解码简单且速度快的优点，在高光谱遥感图像压缩领域得到了广泛应用。本文将阐述高光谱遥感图像的特性以及矢量量化的基本原理，并针对现有基于矢量量化技术的高光谱遥感图像压缩算法存在的不足，根据算法特性和图形学思想提出改进算法：1.针对基于LBG的高光谱遥感图像压缩算法存在计算量大和图像恢复质量不高的缺点，结合差值思想对算法进行改进，提出一种高光谱遥感信号的快速差值矢量量化压缩编码方法，经实验仿真表明，在压缩比相同的情况下，与原始算法相比，改进算法提高了图像的编码质量，同时也降低了算法的复杂度；2.针对现有基于几何学思想的点到直线模型的高光谱遥感图像压缩算法在寻找矢量点对应最佳矢量面的过程中存在计算量大的缺点，结合小波变换的特性，提出一种改进的基于小波域子矢量的点到线模型的高光谱遥感图像压缩算法，经实验仿真表明，在码书尺寸相同的情况下，改进算法的计算量得到大幅地降低，同时图像量化后的信息熵也得到降低；3.针对现有利用哈达玛变换性质的基于矢量量化的高光谱遥感图像压缩算法，其思想是通过增加额外零矢量的方式来使用快速算法，根据矢量量化编码的特点，显然其在算法计算量上存在可以改善的空间，结合哈达玛变换的特性，提出一种基于矢量维数分割量化的高光谱遥感图像压缩算法，通过矢量分割使每一个部分都满足哈达玛变换的要求，经实验仿真表明，在码书尺寸相同的情况下，改进算法在图像恢复质量和算法复杂度上都明显得到改善；4.为了适应不同场景下的应用需求，针对现有的基于矢量量化高光谱遥感图像压缩算法存在的不足，在矢量维数分割量化的高光谱遥感图像压缩算法的基础上，结合多级矢量量化思想，提出一种改进的基于多级矢量量化的高光谱遥感图像压缩算法，经实验仿真表明，改进算法在码书尺寸相同的情况下，图像的恢复质量和算法复杂度以及压缩比都得到大幅地改善。
王譞[8]2013年在《星载多光谱遥感图像压缩技术研究》文中认为随着遥感对地观测向高分辨力、宽覆盖和多时相的方向发展,遥感图像的数据生成量正迅速增长,而卫星信道下行带宽和星上的存储资源十分有限,因此研究如何利用图像信号存在的各种天然冗余,使采样图像压缩算法减少传输数据率和存储数据量是十分必要的。目前高分辨率的对地观测卫星多采用多光谱传感器,而多光谱／高光谱遥感图像压缩技术在星上受限环境下的应用,一直是图像压缩领域十分重要的理论研究课题。本文从多个方向对其进行了深入理论分析和应用研究,提出了自己的方法,主要完成了以下几项工作：研究并综述了星载遥感图像压缩的国内外研究现状,分析了多光谱和高光谱遥感图像的空间谱间数据特性,并针对星载MHDC有损压缩要求改进了3D-SPECK算法的排序和链表结构使其更快速和易于硬件实现,提出了联合KLT和组合SPECK的算法,相比同类型的算法,在压缩比超过2：1时,其图像其解码质量提高1到2dB。对2012年最新的CCSDS MHDC无损压缩标准的内容进行了研究,探讨了FL预测器同LMS自适应滤波的关系,并对其多光谱压缩的参数设置及性能影响进行了实验和探讨。根据多光谱遥感CCD推扫成像的特点,提出了V字扫描预测法,使MHDC无损算法对空间变化不剧烈的图像压缩比提高可达19.98%首次将MHDC的FL预测器应用到多光谱压缩感知的图像重建上,提出了一种多谱段遥感的压缩感知可实现应用框架,对分块压缩感知的多光谱信号,用多谱段FL预测残差在多方向双树复小波基下,联合SPL重构实现了遥感多光谱图像的高质量快速重构,在大大减少了压缩采样的内存消耗和重构的计算量的同时,比单独进行重构的快速算法和BP算法图像重建质量提高了2个dB左右。在上述工作的基础上,通过算法理论研究,根据遥感图像场景特点,优化FL预测器的LMS收敛控制参数和双树复小波下双阈值收缩SPL迭代的收敛控制参数设置,并提出了一种在CS测量域预测残差的2范数最小约束下,自适应迭代的残差重构方法,使多光谱图像重构质量相对未经联合优化和约束迭代时,比前述算法再次平均提高了0.3-1个dB左右,减少了计算时间,迭代自适应停止。本文的研究内容受“高分辨率对地观测系统工程重大专项”支持,该项目属“十二五”规划和《国家中长期科学和技术发展规划纲要(2006-2020年)》确定的16个重大专项之一,文中相应的工作已于2012年7月交付验收。
刘恒殊[9]2002年在《超光谱遥感图像压缩算法的研究》文中研究说明在对地遥感观测中，超光谱遥感图像是一种重要的数据源，在军民两方面都有广泛的应用。由于超光谱遥感图像的数据庞大，在存储和传输过程中必须进行压缩处理。目前各种图像压缩标准和方法主要面向二维普通图像，而超光谱遥感图像作为叁维立体图像，还没有成熟且适合实际应用的压缩方法。本文对超光谱遥感图像的压缩算法进行研究。 首先从相关性的角度对超光谱遥感图像进行了测试。结果表明：超光谱遥感图像有很强的谱间结构相关性和谱间统计相关性，远高于普通彩色图像；而其空间相关性则比普通图像低。因此超光谱遥感图像压缩算法设计应将重点放在去除谱间相关性上。 提出了近最小生成树算法。针对最小生成树算法计算量大的缺点，构造近最小生成树算法，近最小生成树算法通过生成抽样图的最小生成树，通过图的扩展得到原始图像的近最小生成树，将其作为预测树对超光谱图像进行去相关处理。近最小生成树算法与最小生成树算法相比，预测树的构造速度提高一个数量级以上，而压缩比降低了不到5％。 提出了基于位平面变换的压缩算法。首先构造了一种新的图像变换一位平面变换，给出了位平面变换的性质并且研究了其在图像压缩中的应用。以位平面变换为核心，给出位平面变换压缩算法。在超光谱图像中，各波段图像高位平面图和低位平面图所具有的谱间相关性是不一样的，高位的相关性远远大于低位。位平面变换算法考虑了各位平面图像相关性的差异，将运算集中在去除高位相关性上，大大提高了运算效率。位平面变换算法的理论运算复杂度为O(N)量级(N为图像中像素的个数)，低于其它常用的图像变换；压缩比达到了1.9以上，与其它超光谱图像压缩算法相当。位平面变换算法具有很好的并行性。高位数据和低位数据的处理过程独立，各位的变换矩阵均可独立地进行运算和编码，而且不需要同步处理也不涉及相互通信问题。从应用的角度看，位平面变换算法的运算简单，适合硬件实现。
万建伟, 粘永健, 苏令华, 辛勤[10]2010年在《高光谱图像压缩技术研究进展》文中指出高光谱遥感已经成为遥感领域的前沿科技,在军事侦察以及国民经济中发挥着重要作用。高光谱遥感的光谱通道数达到上百个,光谱分辨率的不断提高使得高光谱图像的数据量急剧膨胀。对于星载成像光谱仪获取的高光谱图像,庞大的数据量已经给数据的存储与传输带来巨大压力,严重制约着高光谱图像的后续应用,因此,必须利用有效的压缩技术对高光谱图像进行压缩。高光谱图像压缩技术可分为无损压缩与有损压缩,在实际应用中,需要根据具体的应用需求选取不同的压缩方式。本文首先对高光谱遥感的基本概念进行了简介,然后从无损压缩与有损压缩两个方面对高光谱图像压缩技术的研究进展进行了综述,最后,指出了高光谱图像压缩技术的发展方向。
参考文献：
[1]. 基于小波变换的SPIHT算法的遥感图像压缩研究[D]. 马天波. 吉林大学. 2008
[2]. 时间型干涉超光谱数据压缩算法研究[D]. 段贺. 东北大学. 2014
[3]. 基于超光谱遥感图像叁维特征的压缩方法研究[D]. 张雷. 中国科学院研究生院（长春光学精密机械与物理研究所）. 2005
[4]. 基于Bandelets的遥感图像压缩技术研究[D]. 孟会晓. 西安电子科技大学. 2010
[5]. 基于兴趣体保护的高光谱遥感图像压缩技术研究[D]. 张海涛. 辽宁工程技术大学. 2013
[6]. 超光谱遥感图像压缩技术研究[D]. 霍承富. 中国科学技术大学. 2012
[7]. 基于矢量量化的高光谱遥感图像压缩[D]. 韩勇. 重庆邮电大学. 2014
[8]. 星载多光谱遥感图像压缩技术研究[D]. 王譞. 武汉大学. 2013
[9]. 超光谱遥感图像压缩算法的研究[D]. 刘恒殊. 中国科学院研究生院（长春光学精密机械与物理研究所）. 2002
[10]. 高光谱图像压缩技术研究进展[J]. 万建伟, 粘永健, 苏令华, 辛勤. 信号处理. 2010
标签：工业通用技术及设备论文; 自动化技术论文; 图像压缩论文; 遥感论文; 高光谱图像论文; 光谱分辨率论文; 相关性分析论文; 光谱论文; 空间分析论文; 空间数据论文; 量化分析论文; 矢量数据论文; 矢量量化论文; 超平面论文; 数据压缩论文; 高光论文; 算法论文;