基于多元回归预测的高光谱图像无损压缩

发布时间：2019-03-31 13:24

【摘要】：高光谱遥感技术是一种对地观测技术,兴起于二十世纪末期,之后,其在海洋遥感、地质勘查、大气和环境遥感、以及军事侦察等方面得到普遍应用。高光谱遥感技术获取的高光谱数据是普通二维图像和一维光谱维的叠加。因此,高光谱图像不仅包含了丰富的地物信息,也包含了大量的光谱信息,具有光谱分辨率高和谱像合一的特点。高光谱遥感技术的快速发展使得空间分辨率和光谱分辨率不断提高,因而高光谱图像的数据量越来越大,鉴于其高昂的获取代价和长期保存的价值,如何有效的对其进行无损压缩成为了一项重要的研究课题。针对此课题,国内和国外的许多研究者们提出了多种高光谱图像的压缩算法,包括基于预测的方法、基于变换的方法、基于矢量量化的方法,以及多种方法结合使用。本文主要讨论基于预测的无损压缩方法。本文根据高光谱图像谱间相关性较强的特点,利用线性回归来训练不同谱段间的预测关系,去除谱间冗余。并在此基础上,研究局部异常谱线对压缩效果的影响,从而提出两种去除局部异常谱线的方法以提高压缩效果。添加去异常谱线功能后的两种算法均取得了优于普通基于线性预测压缩算法的压缩效果。具体内容如下： (1)本文实现了一种基于聚类的多元回归预测无损压缩算法(C-DPCM算法)。该算法分为聚类、预测和编码三部分。先根据谱线间的欧式距离对所有谱线进行聚类,然后使用线性回归为每一类的每个波段训练一个独立的线性预测器,并使用获得的线性预测器预测原始图像。原始图像和预测图像做差得到残差图像。最后对残差图像进行算术编码。实验结果表明,去除谱间相关性对有效压缩高光谱图像有重要意义,且聚类预处理方法使谱线间的相似性得到充分利用,使得该算法压缩结果显著优于传统无损压缩算法。 (2)本文提出了一种基于阈值去异常谱线的C-DPCM算法。该算法在C-DPCM算法的基础上添加了去除局部异常谱线的功能。在预测部分,针对每-类的每个波段,先使用所有谱线进行线性回归训练,然后用得到的初始线性预测器预测所有像素值,并计算预测值和原始值的距离。设置阈值T,若预测值和原始值的距离大于T,则所在谱线为局部异常谱线。去除局部异常谱线后,用剩余谱线重新进行线性回归训练,得到最终线性预测器。实验结果表明,去除局部异常谱线后,压缩效果得到显著提升。 (3)本文提出了一种自适应去异常谱线的C-DPCM算法。该算法在基于阈值去异常谱线的C-DPCM算法的基础上进行改进,将固定阈值判断局部异常谱线改为自适应判断局部异常谱线。在预测部分，针对每一类的每个波段，先用所有谱线训练出初始预测模型，然后预测所有像素并计算预测值和原始值的距离。按距离大小对谱线序号进行排序，自适应的从相邻距离的差最大的地方断开，距离较大的为局部异常谱线，距离较小的为非局部异常谱线。并对边信息进行压缩，从而提高预测阶数。实验结果表明，该算法能自适应的根据每一类的每个波段的不同情况判断局部异常谱线的数量和特点，使压缩效果得到很大提升。最后，，本文对上述算法进行了总结，并提出进一步的改进思路，为之后的继续研究做铺垫。
[Abstract]:......
【学位授予单位】：西安电子科技大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：TP751

【参考文献】