小波编码技术及其在机载多光谱遥感图像压缩中的应用

小波编码技术及其在机载多光谱遥感图像压缩中的应用

吴铮[1]2001年在《小波编码技术及其在机载多光谱遥感图像压缩中的应用》文中进行了进一步梳理基于小波变换的图像编码技术是近几年来图像压缩领域的研究热点。随着多光谱遥感技术的发展,多光谱图像的压缩也受到了越来越多的关注。特别是在无人机作为载机进行多光谱数据采集的情况下,由于受到信道带宽、飞行高度、无人机载重等多方面因素的限制,在无人机上实现实时的图像压缩是一个棘手的问题。本文结合课题,在对小波理论和图像的小波编码技术进行了较为深入的研究基础上,利用小波编码技术实现了机载多光谱遥感图像的压缩。 本文首先从信号分析和数字信号处理的角度对小波分析理论进行了系统的总结和介绍。然后利用Mallat算法实现了图像的小波变换,并结合图像压缩的应用目的解决了算法中的细节问题,提出从线性相位、正则性、消失矩、紧支性、振铃效应和算法复杂度各方面综合考虑以解决算法中最关键的滤波器选择问题。接着分析了图像小波变换系数的空域、时域和统计分布特性,对现有的小波编码技术进行了回顾。并实现了基于零树量化的SPIHT(Set Partitioning inHierarchical Trees)编码算法,经过实验比较证明了该算法的压缩性能比标准IPEG方法有很大的提高。最后将SPIHT算法用于多光谱图像的谱内压缩,并结合文献资料,提出用一维小波变换和线性预测两种方法去除多光谱图像的谱间相关。又进一步提出了分段DPCM算法以提高预测方法的性能。试验结果表明,分段DPCM+SPIHT算法实时性好,对64幅图像的总编码时间不超过90秒,同时该算法能取得较好的压缩效果,对于本文中使用的机载多光谱数据,在近无损情况下压缩比可达到6以上,在有损情况下压缩比达到20以上,且图像的纹理和边缘等细节信息仍保持良好,另外由于算法简单,易为硬件实现,因此该算法具有较强的实用性。

吴林峰[2]2005年在《JPEG2000及其在高光谱遥感图像压缩中的应用》文中研究表明随着遥感技术的不断发展,获得大量的遥感数据的遥感器不断涌现,高光谱图像数据的压缩也越来越多的受到关注。由于遥感图像数据对地物分析和识别有非常重要的作用,因此大多数情况下希望在遥感图像中不损失信息,即进行无损压缩。JPEG2000是最新的静止图像压缩标准,它放弃了JPEG标准采用的以离散余弦变换的区块编码方法,采用以小波变换为主的编码方式,提高了压缩性能。本文阐述了JPEG2000采用的基本算法和关键技术,将其应用在高光谱图像的压缩中。 本文首先阐述了图像压缩的意义,对现有的图像编码方法进行了概括,并对高光谱遥感图像压缩技术做了简要介绍。接着从信息论的角度介绍了JPEG2000基本算法的理论基础,对其关键技术,小波变换的提升格式和EBCOT算法进行了描述。然后详细分析了JPEG2000标准算法,对其DC电平位移,分量变换,小波变换,系数的分块位平面编码,分层装配,打包形成码流等各模块展开讨论。最后,实现了JPEG2000和预测编码方法相结合高光谱遥感图像压缩算法。采用了自适应预测方法去除谱间冗余,并针对自适应预测器计算较为复杂的缺点提出了分块预测算法。预测得到的差值图像首先进行小波变换,再用EBCOT算法进行编码压缩,最后形成JPEG2000特性的码流。实验结果表明,采用JPEG2000编码技术对两类图像的压缩比都有所提高,并且与自适应预测方法相比,分块预测算法降低了复杂度的同时,压缩比还有所提高。其中对机载64波段高光谱遥感图像压缩比在2.54到3.30之间,对6波段TM多光谱图像压缩比接近2倍。

孙蕾[3]2010年在《小波构造理论及其在高光谱遥感图像去噪与压缩中的应用》文中进行了进一步梳理小波以其良好的时频局部化性质和多分辨特性在数学理论研究和图像处理领域得到了广泛的应用。高光谱遥感图像是最近几十年发展起来的新兴遥感技术,它能更为全面、更为详细地描述地物特征。由于高光谱图像在成像及传播中,受到很多复杂因素的影响,会引入大量的噪声,从而对图像分析带来不利影响,因此亟需研究高光谱遥感图像的去噪算法。高光谱图像较高的分辨率是以产生大量数据为代价的,它为高光谱数据的传输和储存提出了巨大挑战。因此高效压缩算法是高光谱图像处理领域研究热点之一。本文在研究小波构造理论和高维小波边界延拓算法的同时,将小波分析与高光谱遥感图像的去噪和压缩技术结合在一起展开研究。本文研究工作和创新点主要体现在以下几个方面:1.给定理想滤波器的形状,设计出一种逼近该理想滤波器的小波滤波器组的构造方法。首先在最小二乘意义下,对分解滤波器多项式与理想滤波器的误差最小化,求出待定参数。然后利用Bezout定理求解满足完全重构条件的综合滤波器的多项式通解。最后利用最小二乘方法求解出综合滤波器的待定参数。该方法将滤波器长度和消失矩阶数作为参数,可以根据需要自由设计。证明了用该方法构造的滤波器随着滤波器长度的增加,与理想滤波器的误差以指数速度衰减,估计出误差衰减速度的上下界。2.基于梅花采样的不可分小波,设计出一种能够实现边界处理的完全重构的边界延拓方法。证明了这种延拓方法能实现边界的完全重构,且不需要附加信息。该延拓方法对图像压缩具有重要的意义。3.提出一种基于软阈值函数的小波去噪方法。该方法采用迭代算法来估计软阈值的大小。证明了该算法的收敛性并估计收敛速度,分析了该算法的运算量。数值实验表明该算法估计阈值的准确性和MAD方法相当,同时计算量远远小于MAD方法。4.针对高光谱遥感图像噪声级别低,各波段噪声的方差随各波段信号的幅值而变化的特点,提出一种导数域内空间谱间联合的高光谱图像去噪方法。首先采用光谱导数技术消除图像背景对噪声的影响,让细微的噪声更容易被提取。然后在导数域内采用基于小波变换的BayesShrink去噪方法进行空间维去噪,对光谱维采用Savitzky-Golay滤波进行平滑。最后对导数域去噪平滑处理后的图像进行光谱积分,并进行积分修正,消除光谱积分中引入的积累误差。实验结果表明该方法对高光谱图像去噪非常有效。5.深入研究高光谱图像压缩算法,提出两种无损压缩算法及一种有损压缩算法。(i)考虑到高光谱图像相邻的几个波段间都存在着强烈的谱间相关性,提出一种基于多波段谱间预测的无损压缩算法。通过推导多波段预测系数的求解过程,观察到求解当前波段预测系数的线性方程矩阵中会用到大量前一波段预测系数的线性方程的矩阵元素,由此设计出一种快速算法,大大减少了预测系数求解的时间复杂度。(ii)提出一种基于递归双向预测的高光谱图像无损压缩算法。针对不同的波段,谱间相关性系数差别很大的特点,采用不同的模式进行编码。谱间相关性大的波段用递归双向预测,能够取得好的压缩效果。对谱间相关性小的波段,不再进行谱间预测,用bzip2算法直接进行编码。不同的情况分别处理,能够在节省运算时间的同时达到满意的压缩效果。(iii)提出一种波段预测去除谱间冗余和码流预分配的高光谱图像有损压缩算法。首先用DPCM预测求出各波段的预测残差图像的标准差,然后根据标准差的大小分配对该波段进行编码所需的码流长度。最后基于均方差最小的线性预测器对图像各波段进行预测,根据事先分配的码流长度对各波段预测残差图像进行SPIHT编码。设计的分配码流长度的算法能够根据各波段信息量大小,以及相邻波段的相关性来分配码流长度,达到理想的压缩效果。

佚名[4]2006年在《摄影测量与遥感学》文中研究说明CH20060196基于特征空间的航空影像自动配准算法=Automatic Registration of Aerophotos Based on FeatureSpace/杨常清,王孝通,徐晓刚(海军大连舰艇学院),张晓娟(海军出版社)∥测绘学报.-2

佚名[5]2006年在《通信》文中指出TN912006030666基于特征点的整数小波目标跟踪方法的研究/王丽荣,申铉国,王延杰(吉林大学通信工程学院)//光学技术.―2005,31(3).―401~404.基于提升方法的整数小波变换的诸多优点,以Harr整数小波变换为例,提出了动态目标跟踪

孟贵宇[6]2014年在《基于非负结构稀疏表示的光谱图像超分辨率重建》文中研究指明高光谱图像在诸如异常检测、目标识别和图像分类等很多领域均有非常重要的应用。相对于普通的二维图像,高光谱图像增加了光谱维信息,谱段数增多,谱间分辨率更高。高光谱图像中的每个像素点包含一个连续谱,可以用来精确和详细的描述场景中的物体。然而,由于传感器的限制,直接获得高分辨率的高光谱图像是非常具有挑战性的,当代的高光谱成像技术严重的缺失空间分辨率。为了提高光谱图像的空间分辨率,改进硬件设备的方法仍具有一定难度和限制,因此,人们更倾向于基于软件的方法获得高分辨率的高光谱图像。压缩感知理论是一种新型信号获取理论,确保可以从少量的观测样本中准确的重构出原始信号,从而节省资源及减小对硬件设备的要求。最近,在压缩感知理论的框架下,利用同一个场景的低分辨率高光谱图像和高分辨率的彩色图像联合求解得到高空间分辨率高光谱图像的方法已经显现出不错的效果。在这些方法中,稀疏非负矩阵分解技术(SNNMF)利用了彩色图像和光谱图像的相关性,得到了较好的重构结果。然而,这些方法只考虑了光谱间的相关性,忽略了高光谱图像丰富的空间结构相关性和图像自身光滑性特征。本文对高光谱图像的超分辨率重建算法进行了系统的研究,所取得的主要研究成果为:1.通过对光谱图像的非局部相似性的研究,把高光谱图像的结构稀疏性这一特点作为先验信息与非负矩阵分解技术相结合,提出基于非负结构稀疏表示的高光谱图像超分辨重建算法。结构稀疏表示的利用比起传统稀疏性的1范数约束,更稳定。光谱图像的结构稀疏表示不仅利用高光谱谱间的信息,还挖掘了光谱图像的空间信息,谱线的非局部自相似性,得到更好的重构效果。实验结果表明,该算法较其他方法的重建效果明显提高,尤其是一些细节部分的视觉效果更好。2.通过对光谱图像的光滑性的研究,把高光谱图像的光滑性和稀疏性作为先验信息与非负矩阵分解技术相结合,提出基于非负全变差正则化的高光谱图像超分辨重建算法。TV正则项和稀疏性作为先验知识的加入,使得该算法既利用高光谱图像分解系数的稀疏性,同时各向异性全变差正则项对高光谱图像的光滑性这一先验信息有效的利用,进一步提高了超分辨算法的性能和视觉效果。实验仿真验证了该算法的有效性和可靠性,无论在定量评估和视觉效果都优于其他算法。

佚名[7]2002年在《通信》文中提出‘]’N91 020208601 PX实时通信软件的设计与实现/匡巍,张晓林,崔迎炜,周向荣(北京航空航天大学)11月晾航空航天大学学报一2001,27(3)一260一263分析T基于1 PX(In七el·netwol·k Paeket eXehange

佚名[8]2007年在《通信》文中认为TN91 2007011120宽间隔跳频伪码序列设计及其性能检验/赖伟林,张辉,安莎莎(西安电子科技大学通信工程学院)//重庆邮电学院学报(自然科学版).―2006,18(1).―13~16,118.介绍了跳频伪码序列的产生,进行了非线性变换来增加保密性,宽间隔处理完成后,组建跳频系统,并对该组网系统进行了一系列的指标验证,性能检测,得出了由RS码与修正的对偶频带法结合的方法产生的宽间隔调频序列的性能是比较优良的,符合跳频组网的性能指标的结论。图9表1参8

参考文献:

[1]. 小波编码技术及其在机载多光谱遥感图像压缩中的应用[D]. 吴铮. 西北工业大学. 2001

[2]. JPEG2000及其在高光谱遥感图像压缩中的应用[D]. 吴林峰. 西北工业大学. 2005

[3]. 小波构造理论及其在高光谱遥感图像去噪与压缩中的应用[D]. 孙蕾. 国防科学技术大学. 2010

[4]. 摄影测量与遥感学[J]. 佚名. 测绘文摘. 2006

[5]. 通信[J]. 佚名. 中国无线电电子学文摘. 2006

[6]. 基于非负结构稀疏表示的光谱图像超分辨率重建[D]. 孟贵宇. 西安电子科技大学. 2014

[7]. 通信[J]. 佚名. 中国无线电电子学文摘. 2002

[8]. 通信[J]. 佚名. 中国无线电电子学文摘. 2007

标签:;  ;  ;  ;  ;  ;  ;  ;  ;  ;  ;  ;  ;  ;  ;  

小波编码技术及其在机载多光谱遥感图像压缩中的应用
下载Doc文档

猜你喜欢