徐大卫[1]2015年在《基于字典学习的高光谱图像压缩算法研究》文中研究指明高光谱遥感图像通过不同波长的电磁波对相同的物体进行反射成像获得,高光谱遥感图像一般由几百个波段构成,含有大量精细的光谱信息,是地面监测的一种重要手段,在供水评估、资源勘测以及军事侦察方面起着非常关键的作用。但是,高光谱遥感图像数据量庞大,在有限的带宽资源和存储资源的限制下,传输与存储的问题日益凸显,所以有必要对其进行压缩处理,提升传输以及存储效率,使其得到更加广泛的应用。本文结合高光谱遥感图像的空间结构相似性和谱间结构相似性,分析研究了基于小波变换的多尺度字典学习的高光谱图像压缩算法以及空间域与变换域混合的字典学习高光谱图像压缩算法,并且探索了对于在线字典学习在高光谱遥感图像实际应用中的可行性,主要工作包括:(1)分析了高光谱遥感图像的空间结构相似性与谱间结构相似性的统计特性,为高效压缩算法的设计提供理论依托,使得算法的设计更加具有针对性。(2)提出了基于小波变换的多尺度字典学习压缩算法,通过对高光谱图像均匀分块后小波分解构成多尺度的训练样本集实现多尺度的字典学习,在稀疏表示的过程中,使用频次筛选因子简化字典以提高求解速度。实验结果表明,该方法能够提高高光谱图像的重建信噪比,并具有更快的求解稀疏系数的能力。(3)提出了空间域与变换域混合的高光谱图像压缩算法,通过对高光谱图像进行四叉树分解,将不同性质的子块进行不同域的字典学习,在稀疏求解阶段使用伪逆求解(PIM)代替传统的OMP穷尽搜素方法减少计算量。实验结果表明,所提算法在比特率失真性能方面具有巨大的优势,并且能大幅度提高求解速度。(4)进行了在线字典学习以及快速字典学习与传统离线字典学习的稀疏表示性能比较,并分析了其在高光谱遥感图像实时压缩应用方面的可行性。综上所述可知,本文针对高光谱遥感图像谱间结构相似性的特点,结合小波变换、字典学习和稀疏表示,提出了两种压缩算法。实验结果表明,两种压缩算法均具有优秀的压缩性能,可以作为高光谱遥感图像的高效存储与传输的有效压缩途径。
吴铮[2]2004年在《多光谱遥感图像压缩技术研究》文中研究说明多光谱遥感图像是同时在多个窄的光谱波段上对同一对象(地域或目标)进行观测所获得的图像,它反映了观测对象在各个窄光谱波段上的反射、透射或辐射特性,因而包含了观测对象的更多信息。多光谱遥感图像在航空/航天、地质勘探、环境监测、探月工程等许多领域有非常重要的应用。自然的,多光谱遥感图像的压缩成为了一项重要的研究课题,受到了越来越多研究者的关注。多光谱遥感图像在每个光谱波段上的图像都可看作是静态灰度图像,但各图像间又具有光谱相关性。正是在这样的背景下,本文对静态灰度图像和多光谱遥感图像的压缩技术进行了系统、深入的研究。主要研究内容和成果如下: (1) 静态灰度图像的小波变换压缩技术——膨胀-行程算法 在分析图像小波变换系数特性的基础上,主要利用小波系数中大部分为非重要系数的特点以及重要系数的聚类特性,提出了膨胀-行程算法。该算法对形态学膨胀和行程编码进行了有机结合,使用形态膨胀运算对重要小波系数的聚类进行搜索和编码,同时利用一种高效的行程编码算法对重要系数聚类间的大部分非重要小波系数进行编码。实验表明,该算法的性能优于经典小波编码器SPIHT。对于小波域重要系数聚类特性显着的图像,算法的性能则优于着名的形态学小波编码器MRWD和SLCCA。 (2) 静态灰度图像的块变换压缩技术——块变换系数的分组条件熵编码算法 为避免传统分块DCT在压缩图像中引入的块效应,对图像进行了混迭变换。在分析图像块变换系数特性的基础上,主要利用8×8块中各2×2组系数幅值间明显的衰减特性,提出了块变换系数的分组条件熵编码算法。该算法将变换系数划分为2×2组进行编码,并利用块变换系数在块内和各块之间的相关性对算法输出的符号进行了条件熵编码。实验表明,对于含有大量规则纹理的图像,该算法的性能明显超越了小波编码器;对于其它图像,该算法的性能接近于经典小波编码器SPIHT的算术编码模式,但明显超过其二进编码模式。 (3) 常规多光谱遥感图像的小波变换压缩技术——多光谱图像的小波编码算法 在分析光谱分辨率较低的常规多光谱图像的数据特性及其空间小波变换系数特性的基础上,总结了多光谱数据各波段小波变换系数的谱间结构相关性的规律,并由此提出了相应的小波编码算法。该算法基于位平面编码实现,其核心是根据小波变换系数的谱间结构相关性和空间相关性设计的条件熵编码器。算法同时给出了不进行谱间变换和谱间采用K-L变换两种压缩模式。实验表明,该算法对常规多光谱图像取得了良好的压缩效果,算法性能与不考虑谱间相关性的小
周志林[3]2008年在《高光谱图像压缩方法研究》文中指出高光谱成像技术已经被广泛运用于军事、民用等领域。海量的高光谱数据给传输带来了巨大的压力,研究低复杂度、低存储和高性能的高光谱图像编码方法是高光谱成像技术的重要研究课题。本文对高光谱图像编码方法进行了研究。首先,分析了高光谱图像的空间和谱间的相关性特征。接着,详细分析了低复杂度的Karhunen-Loeve变换(Karhunen-Loeve transform,KLT)的整数实现。通过伪随机抽取的方法来减少KLT变换中计算协方差矩阵的运算量,并利用矩阵分解原理研究整数可逆KLT变换的实现算法。然后,结合二维小波变换加一维低复杂度整数可逆KLT变换的方法和叁维分层树集合分裂位平面编码方法(Three-Dimensional Set Partitioning in Hierarchical Trees,3D-SPIHT),实现了高效的高光谱图像编码系统。最后,测试结果表明,该压缩系统能够获得较好的压缩性能。
马天波[4]2008年在《基于小波变换的SPIHT算法的遥感图像压缩研究》文中进行了进一步梳理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。
卓红艳[5]2004年在《基于小波变换的多光谱遥感图像压缩》文中研究说明论文讨论了多光谱图像的特点,统计和分析了图像空间和谱间的相关性及图像在小波变换域内小波系数的一些特性。通过多光谱图像与普通图像的对比测试,得到了一些重要结论。同时,本文对小波变换及其在多光谱图像处理中的应用进行了深入的探讨。 本文结合多光谱图像的特点,提出了几种有损压缩的编码方法。其中基于子带量化的方法采用各子带标量量化、矢量量化相结合的思想对小波系数进行量化,并将零树有损压缩和哈夫曼无损压缩相结合实现压缩编码。而基于分类预测的方法采用模式识别中常用的聚类方法对小波系数进行聚类,并结合最优比特分配的方法SPIHT、SPECK方法对预测值进行有损编码,采用哈夫曼编码对码书和索引表无损压缩,所有的编码文件送到解码端用于重构图像。重构图像的质量基本达到遥感图像应用的要求。另外,论文还将聚类的方法引入到彩色图像的压缩中,对合成彩色波段的图像采用分类预测的方法进行压缩编码。文中大量的实验结果表明:基于小波编码和分类预测的方法取得了较好的效果,在遥感图像压缩中具有广阔的前景。 论文最后介绍了不可分小波理论,探讨了以M_0=(?)为伸缩矩阵的紧支集不可分双正交小波在多光谱图像压缩中的应用。
张海涛[6]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。
孙彦子[7]2017年在《基于Zynq的多光谱遥感图像的预处理》文中指出静止气象卫星属于一种专门的遥感卫星,负责全天候的气象观测工作。根据它拍摄的卫星云图,可以对灾害性天气进行监测与预警,保障人民群众的生命及财产安全。由于多光谱遥感图像数据量巨大,因此对多波段的红外图像进行分类前的压缩、融合预处理,对于提高云图的分辨率,缓解传输压力,增强夜间探测能力,具有现实意义。通过对多光谱遥感图像的特性分析,发现各波段的红外云图具有一定的相关性,且分辨率低、边缘模糊。从数据的压缩、融合角度考虑,本文选择K-L变换及小波变换两种方法进行预处理研究。通过Matlab编程实现两种变换算法,综合图像的视觉效果和定量指标,比较得出K-L变换能够有效地提取相关性较低的云朵信息,且与同时段可见光云图最接近;小波变换则更多地保留源图像细节信息,适用于预处理后的云图结构分析。因此,K-L变换更适合于红外云图的预处理。本文是在Xilinx公司的Zynq平台上,采用软硬件协同设计的方法实现多通道图像数据的K-L变换。在K-L IP核的设计过程中,采用C语言编程实现K-L变换算法,经VivadoHLS工具综合后,优化生成相应的IP核。经过C/RTL协同仿真验证可知,由C语言转化的RTL级代码准确无误,最后完成IP核的封装工作。完成K-L IP核的设计后,在Zedboard开发板上进行测试。基于Zynq的多光谱遥感图像预处理系统包含图像的采集、数据的缓存、算法的处理以及预处理后数据的传输四部分。经过实验验证,采用K-L变换对叁幅分辨率为640×480的图像进行一次预处理操作,PC纯软件大约需要5000毫秒,而Zynq软硬件协同实现仅需要91毫秒,速度大幅提升。基于Zynq的多光谱遥感图像的预处理技术,具有实时、高效、便利的优点,在航空航天领域的研究和应用中具有广阔的前景。
霍承富[8]2012年在《超光谱遥感图像压缩技术研究》文中研究说明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。
胡兴堂[9]2006年在《高光谱水质遥感监测系统关键技术研究》文中研究指明对地观测数据处理软件平台的建立是对地观测系统工程中最关键也是最核心的一环。数据处理平台建设的好坏直接决定了对地观测系统的应用水平和应用效果。虽然目前国内外已经开发出各类别的软件系统和平台,但是这些平台有的偏重通用工具平台的建设,有的偏重空间数据的检索、发布,尤其是基于网络的数据发布,有的侧重于多维空间数据的可视化表达,而面向应用部门同时考虑到定量遥感专业特点和普通生产用户行业需求的专门化和业务化系统还十分缺乏。一方面我国环保行业存在重大行业应用系统需求,另一方面,我们针对高光谱数据处理长期积累成果形成了通用高光谱图像处理平台,迫切需要对通用高光谱处理平台进行业务化,构建面向水质监测行业需求的专门系统,而基于通用高光谱平台构建专门水质监测系统需要解决水质参量反演、平台构建以及系统集成等方面一系列棘手问题。基于这种局面,本文围绕高光谱水质遥感监测系统关键技术这一主题而开展研究。 本文从高光谱数据的自身特点和光谱数据库以及图谱合一的固有特点出发,充分考虑航空/航天高光谱遥感特殊性,构建面向应用的高光谱数据处理与分析平台,并以此为基础结合水质遥感业务构建面向业务化的高光谱水质监测系统REMS。同时从系统工程的角度出发,结合高光谱水质遥感的特点与环保行业需求,本文从水质环境遥感业务和软件工程两方面开展研究,针对海量多源多平台遥感数据(航空/航天)进行水质监测业务反演系统构建。本文讨论内容包括高光谱遥感数掘的多分辨率表达模型、海量高光谱数据的快速处理与访问技术、海量高光谱遥感数据的高效光谱保形压缩技术。同时,本文系统研究了遥感监测平台从建立到运行包括数据获取预处理、数据分析、水质参量反演与专题产品生成、产品发布等整体架构,水质成分产品定义和水质业务规范的建立,提供了针对水环境遥感监测业务化平台关键技术。同时,以江苏太湖为示范区,针对环境遥感监测业务化运行要求,给出了高光谱水质遥感监测系统太湖高光谱水质监测应用实例,基本形成了多类型、多专题、多空间分辨率、多光谱分辨率、多时相环境遥感数据的综合处理和应用能力。 本文以高光谱水质遥感监测系统构建为框架,在分析总结国内外大量相关文献和系统的基础上,结合作者在过去几年中参与构建高光谱图像处理与分析系统和我国首个高光谱水质遥感监测系统的实践和体会,以作者在参与系统建设过程中提出发展并实现的理论和算法为主线,组织整理这篇博士论文。 本文的工作主要体现在叁个方面: ①数据处理软件系统与遥感水质反演模型集成:针对高光谱数据的空间特性、光谱辐射特性以及高光谱数据海量特性,系统地给出了海量高光谱数据处理思路和集成方案。 ②将高光谱遥感处理平台向水质遥感监测应用拓展研究:集成了水色大气校正模型和生物光学反演模型,建立了适合我国国情的内陆水色遥感技术体系和业务流程。 ③以江苏太湖流域水质监测构建应用实例,建立了国内首个高光谱水质遥感监测系统,为环保行业进一步应用做铺垫。 作者对以下几个问题做了较为深入的研究: (1) 提出高光谱图像代数结构用于描述高光谱数据,总结提炼出高光谱数据处
郝秀兰[10]2004年在《多光谱遥感图像压缩技术研究》文中指出随着多光谱遥感技术的发展,多光谱图像的压缩受到越来越多的关注。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压缩中尽量减少信息损失,即进行无损/近无损压缩。本文在对一些目前已有的多光谱图像压缩方法进行深入研究的基础上,分别利用K-L变换和神经网络的方法实现了遥感图像的压缩。 本文首先讲述了图像压缩的意义,对现有的图像压缩编码方法进行了概括,并对多光谱遥感图像的压缩技术作了简要的介绍。然后从信息论的角度对信息编码理论进行了总结,回顾了目前常用的各种编码方法,并对算术编码进行了详细的讨论。接着详细研究了K-L变换原理和整型小波的构造方法,编程实现了结合K-L变换和整数小波变换的多光谱图像压缩算法,该算法将K-L变换用于去除多光谱遥感图像的谱间冗余,在谱内则使用整型小波方法去除空间冗余。实验结果表明,对机载64波段多光谱遥感图像进行K-L变换和整数小波变换后,选用五个本征子图像重建原图像,压缩比可以达到11以上,峰值信噪比则超过45dB,取得了其它方法无法获得的效果。该方法主要的优点是可以通过控制选取保留的本征值个数来调整误差,使得舍入误差控制在要求的范围内。最后讨论了基于神经网络的主分量分析(PCA)方法,该方法通过迭代来提取主分量,克服了K-L变换计算复杂且需要大量存贮空间的缺点。实验结果表明,该方法完全可以达到与K-L变换相当的压缩效果。
参考文献:
[1]. 基于字典学习的高光谱图像压缩算法研究[D]. 徐大卫. 中国科学技术大学. 2015
[2]. 多光谱遥感图像压缩技术研究[D]. 吴铮. 西北工业大学. 2004
[3]. 高光谱图像压缩方法研究[D]. 周志林. 南京理工大学. 2008
[4]. 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
[5]. 基于小波变换的多光谱遥感图像压缩[D]. 卓红艳. 国防科学技术大学. 2004
[6]. 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
[7]. 基于Zynq的多光谱遥感图像的预处理[D]. 孙彦子. 东华大学. 2017
[8]. 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
[9]. 高光谱水质遥感监测系统关键技术研究[D]. 胡兴堂. 中国科学院研究生院(遥感应用研究所). 2006
[10]. 多光谱遥感图像压缩技术研究[D]. 郝秀兰. 西北工业大学. 2004
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; 小波变换论文; 遥感论文; 高光谱图像论文; 光谱分辨率论文; 图像融合论文; 光谱论文; 图像编码论文; 相关性分析论文; 系统学习论文; 高光论文; 数据压缩论文;