基于3D-LBT的高光谱图像压缩方法研究及硬件实现

发布时间：2017-10-14 00:37

  本文关键词：基于3D-LBT的高光谱图像压缩方法研究及硬件实现

  更多相关文章： 高光谱图像 无损压缩 预测 Range Coder FPGA

【摘要】：近年来,高光谱传感器分辨率的不断提升致使高光谱图像数据量显著增加,使高光谱图像压缩变得越来越关键和必要。其中,基于变换的高光谱图像压缩方法是典型方法之一,具有有损无损兼容、有利于硬件实现等特点。本文研究并改进了一种基于3D-LBT(Three Dimension-Lapped Biorthogonal Transform)的无损高光谱压缩算法并对其进行了软件实现,并对关键模块进行了硬件实现。首先,基于3D-LBT设计了高光谱压缩算法,包括3D-LBT、预测算法以及编码器部分。针对预测部分,在研究了3D-LBT变换后高频系数、低频系数以及直流系数三种系数的相关性的基础上,有针对性地改进了具有三种模式的差分脉冲编码调制(Differential Pulse Code Modulation,DPCM)算法。对于熵编码部分,优化设计了Range Coder的基本理论以及其技术实现方法,在编码器之前Histgram Packing以衔接预测运算与编码器,并且为了进一步改善编码效果在编码器之前增加了Positive Mapping运算,之后对于Range Coder内部的累计频度统计的算法进行了改进。然后在基于Visual Studio 2012平台实现了该算法,并以Yellowstone calibrated scene 0、3、10三幅高光谱图像进行了验证,得到平均压缩比为3.603。其次,采用超高速集成电路硬件描述语言(VHDL)实现了压缩算法中的预测和编码模块,并在其内部使用流水线结构将各子模块组织起来,使用Modelsim10.1d对所编的模块进行寄存器传输级(Register-Transfer Level,RTL)仿真,并在对其进行综合之后进行门级仿真,以为各模块之上的流水线结构实现做好铺垫。并按照流水线结构将各模块组织起来,在利用Quartus II对其进行综合之后,使用Modelsim10.1d对其进行RTL以及门级仿真,使用截取后的Yellowstone calibrated scene 0、3、10三幅高光谱图像经软件变换后所得的变换系数作为数据源对其进行了验证,达到了268.1Mbps的吞吐率,并将得到的结果与软件所得结果相比较,得到了相同的结果。最后,在基于EP2S130F1020I4的FPGA硬件平台上以100MHz的时钟验证了本文算法中的编码器模块,得到了与仿真以及软件系统相同的结果,验证了本文所实现硬件系统的有效性。
【关键词】：高光谱图像 无损压缩 预测 Range Coder FPGA
【学位授予单位】：哈尔滨工业大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP751
【目录】：

• 摘要4-5
• Abstract5-9
• 第1章 绪论9-15
• 1.1 课题来源及研究的背景和意义9-10
• 1.1.1 课题的来源9
• 1.1.2 课题研究的背景和意义9-10
• 1.2 国内外研究现状10-12
• 1.2.1 高光谱图像压缩中预测算法研究的相关进展10
• 1.2.2 Range Coder研究的相关进展10-11
• 1.2.3 高光谱图像压缩研究的相关进展11-12
• 1.3 数据源简介12
• 1.4 论文研究内容与结构安排12-15
• 第2章 基于 3D-LBT的高光谱图像压缩算法及优化15-36
• 2.1 引言15
• 2.2 基于 3D-LBT的高光谱图像压缩方法设计15-16
• 2.3 基于 3D-LBT数据特性的预测优化设计16-22
• 2.3.1 对于重构后 3D-LBT结果数据特性的分析17-19
• 2.3.2 基于 3D-LBT结果数据特性的预测方法设计与优化19-21
• 2.3.3 预测系数的正值化方法21-22
• 2.3.4 Histgram Packing的研究22
• 2.4 高光谱图像压缩中编码算法的研究22-35
• 2.4.1 自适应更新模式下的Range Coder基本原理介绍24-26
• 2.4.2 Range Coder编码码长的理论研究26-30
• 2.4.3 Range coder的技术实现方法30-35
• 2.5 算法性能验证与分析35
• 2.6 本章小结35-36
• 第3章 压缩算法关键模块的硬件描述语言实现36-49
• 3.1 引言36
• 3.2 FPGA简介36-37
• 3.3 预测模块的设计与设计37-43
• 3.3.1 片间预测模块的设计与实现38-40
• 3.3.2 片内预测模块的设计与实现40-41
• 3.3.3 段内预测ppram地址生成模块41-43
• 3.3.4 正值化模块43
• 3.3.5 打包模块43
• 3.4 编码器模块的设计与实现43-48
• 3.4.1 累计频度统计算法的优化44-45
• 3.4.2 模型更新模块的实现45-47
• 3.4.3 编码模块的实现47-48
• 3.5 本章小结48-49
• 第4章 压缩算法硬件实现流水线设计49-58
• 4.1 引言49
• 4.2 流水线结构的设计49-50
• 4.3 第一级流水线的实现50-52
• 4.3.1 第一级流水线第一次级流水线的实现50-51
• 4.3.2 第一级流水线第二次级流水线的实现51-52
• 4.3.3 第一级流水线第三次级流水线的实现52
• 4.4 第二级流水线52-54
• 4.4.1 ppram的设计53
• 4.4.2 流水线的控制53-54
• 4.5 高光谱图像编码器FPGA实现分析54-57
• 4.5.1 基于EP2S130F1020I4的FPGA硬件平台54-55
• 4.5.2 实验结果及分析55-57
• 4.6 本章小结57-58
• 结论58-60
• 参考文献60-65
• 攻读硕士学位期间发表的论文及其它成果65-67
• 致谢67

【相似文献】

中国期刊全文数据库 前10条

1 谌德荣;宫久路;陈乾;曹旭平;;基于样本分割的快速高光谱图像异常检测支持向量数据描述方法[J];兵工学报;2008年09期

2 蒲晓丰;雷武虎;张林虎;蒋奇材;;基于Fukunaga-Koontz变换的高光谱图像异常检测[J];红外技术;2010年04期

3 成宝芝;郭宗光;;高光谱图像波段间相关特性研究[J];大庆师范学院学报;2013年06期

4 杨龙;易宏杰;李因彦;;遥感高光谱图像赤潮识别[J];传感器世界;2007年05期

5 汪倩;陶鹏;;结合空间信息的高光谱图像快速分类方法[J];微计算机信息;2010年21期

6 王立国;孙杰;肖倩;;结合空-谱信息的高光谱图像分类方法[J];黑龙江大学自然科学学报;2010年06期

7 冯朝丽;朱启兵;朱晓;黄敏;;基于光谱特征的玉米品种高光谱图像识别[J];江南大学学报(自然科学版);2012年02期

8 付欢;龙海南;韩晓霞;;基于冗余字典的高光谱图像的稀疏分解[J];河北软件职业技术学院学报;2013年04期

9 耿修瑞,张霞,陈正超,张兵,郑兰芬,童庆禧;一种基于空间连续性的高光谱图像分类方法[J];红外与毫米波学报;2004年04期

10 张绮玮;机载高光谱遥感图像处理软件系统[J];红外;2005年02期

中国重要会议论文全文数据库 前10条

1 张兵;王向伟;郑兰芬;童庆禧;;高光谱图像地物分类与识别研究[A];成像光谱技术与应用研讨会论文集[C];2004年

2 高连如;张兵;孙旭;李山山;张文娟;;高光谱数据降维与分类技术研究[A];第八届成像光谱技术与应用研讨会暨交叉学科论坛文集[C];2010年

3 王成;何伟基;陈钱;;基于波段重组和小波变换的高光谱图像嵌入式压缩方法[A];黑龙江、江苏、山东、河南、江西 五省光学（激光）联合学术‘13年会论文（摘要）集[C];2013年

4 孙蕾;罗建书;;基于分类预测的高光谱遥感图像无损压缩[A];第一届建立和谐人机环境联合学术会议（HHME2005）论文集[C];2005年

5 杨勇;刘木华;邹小莲;苗蓬勃;赵珍珍;;基于高光谱图像技术的猕猴桃硬度品质检测[A];走中国特色农业机械化道路——中国农业机械学会2008年学术年会论文集（下册）[C];2008年

6 张晓红;张立福;王晋年;童庆禧;;HJ-1A卫星高光谱遥感图像质量综合评价[A];第八届成像光谱技术与应用研讨会暨交叉学科论坛文集[C];2010年

7 高东生;高连知;;基于独立分量分析的高光谱图像目标盲探测方法研究[A];国家安全地球物理丛书（八）——遥感地球物理与国家安全[C];2012年

8 冯维一;陈钱;何伟基;;基于小波稀疏的高光谱目标探测算法[A];黑龙江、江苏、山东、河南、江西 五省光学（激光）联合学术‘13年会论文（摘要）集[C];2013年

9 彭妮娜;易维宁;方勇华;;基于核函数的高光谱图像信息提取研究[A];光子科技创新与产业化——长三角光子科技创新论坛暨2006年安徽博士科技论坛论文集[C];2006年

10 蒲晓丰;雷武虎;黄涛;王迪;;基于稳健背景子空间的高光谱图像异常检测[A];中国光学学会2010年光学大会论文集[C];2010年

中国博士学位论文全文数据库 前10条

1 普晗晔;高光谱遥感图像的解混理论和方法研究[D];复旦大学;2014年

2 王亮亮;非线性流形结构在高光谱图像异常检测中的应用研究[D];国防科学技术大学;2014年

3 贺智;改进的经验模态分解算法及其在高光谱图像分类中的应用[D];哈尔滨工业大学;2014年

4 魏然;基于成像机理分析的高光谱图像信息恢复研究[D];哈尔滨工业大学;2015年

5 叶珍;高光谱图像特征提取与分类算法研究[D];西北工业大学;2015年

6 冯婕;基于软计算和互信息理论的遥感图像地物分类[D];西安电子科技大学;2014年

7 孙涛;快速多核学习分类研究及应用[D];西安电子科技大学;2015年

8 李昌国;基于谱间和校正相关性的高光谱图像压缩方法研究及GPU并行实现[D];成都理工大学;2015年

9 徐速;基于压缩感知的高光谱图像稀疏解混方法研究[D];重庆大学;2015年

10 南一冰;星载推扫型高光谱运动成像误差建模与高精度校正技术研究[D];北京理工大学;2015年

中国硕士学位论文全文数据库 前10条

1 丰烁;高光谱图像波段选取问题的改进算法研究[D];昆明理工大学;2015年

2 赵伟彦;果蔬干燥过程中的品质无损检测技术研究[D];江南大学;2015年

3 马亚楠;果蔬中内部害虫的高光谱图像检测技术研究[D];江南大学;2015年

4 刘大洋;基于近红外光谱和高光谱图像技术无损识别猕猴桃膨大果[D];西北农林科技大学;2015年

5 王坤;高光谱图像异常目标检测及光谱成像在伪装评估方面的应用研究[D];南京理工大学;2015年

6 王启聪;高光谱图像分类的GPU并行优化研究[D];南京理工大学;2015年

7 程凯;无先验信息的高光谱图像小目标检测算法研究[D];苏州大学;2015年

8 李秩期;基于高光谱及多信息融合的马铃薯外部缺陷无损检测研究[D];宁夏大学;2015年

9 王健;基于高光谱图像的马铃薯形状及重量分类识别建模研究[D];宁夏大学;2015年

10 吴蓓芬;偏振高光谱图像场景仿真及分类方法研究[D];哈尔滨工业大学;2015年

，

本文编号：1028046