【摘要】：較高的光譜分辨率對(duì)于高光譜遙感圖像的應(yīng)用十分重要,但是,高光譜圖像帶來(lái)了海量數(shù)據(jù),這給數(shù)據(jù)的存儲(chǔ)和傳輸帶來(lái)了巨大壓力。高光譜遙感圖像自身特性決定其不同于二維圖像,因此從高光譜遙感圖像自身特性出發(fā)來(lái)進(jìn)行高光譜遙感圖像的壓縮就是一個(gè)重要的研究課題。論文探索了高光譜遙感圖像的空間相關(guān)性和譜間相關(guān)性,研究其與靜態(tài)二維圖像之間的相關(guān)性差異。結(jié)果表明：高光譜圖像的空間相關(guān)性要弱于二維靜止圖像,同時(shí)高光譜圖像的譜間相關(guān)性要強(qiáng)于空間相關(guān)性。提出了興趣體的概念,即感興趣波段中的感興趣區(qū)域。針對(duì)地物分類應(yīng)用,研究了最佳波段選擇方法；針對(duì)目標(biāo)提取應(yīng)用,研究了基于小波分解的波段選取方法。并通過(guò)仿真實(shí)驗(yàn)驗(yàn)證了兩種波段選擇的效果。在ROI提取過(guò)程中,論文采用了FastICA算法,并通過(guò)實(shí)驗(yàn)對(duì)比證明了該方法在突出目標(biāo)以及抑制背景兩個(gè)方面都明顯好于其他常見(jiàn)方法,主要原因是事先利用MNF變換對(duì)原始數(shù)據(jù)進(jìn)行降維,從而降低了噪聲對(duì)目標(biāo)探測(cè)的不利影響。論文研究了基于小波Contourlet變換和興趣體保護(hù)的高光譜圖像壓縮方法�？煞蛛x二維小波變換對(duì)紋理豐富圖像進(jìn)行低比特率壓縮時(shí),圖像邊緣附近會(huì)產(chǎn)生“振鈴”現(xiàn)象,而單純的Contourlet變換具有4/3冗余度,導(dǎo)致Contourlet系數(shù)增多,不利于圖像的壓縮編碼,因此研究了二者結(jié)合、優(yōu)勢(shì)互補(bǔ)的圖像壓縮算法。興趣體保護(hù)較單純的興趣區(qū)保護(hù)或興趣波段保護(hù)而言,保護(hù)內(nèi)容更加精準(zhǔn),需保護(hù)的信息量大大減少,因此在進(jìn)行相同碼率壓縮情況下,重構(gòu)圖像的興趣區(qū)與背景區(qū)都將獲得更優(yōu)的圖像質(zhì)量。將Maxshift算法推廣到三維圖像,提升了BOI中ROI區(qū)域的變換系數(shù)。通過(guò)實(shí)驗(yàn)驗(yàn)證了在壓縮比8：1時(shí),本文提出的算法峰值信噪比達(dá)到了40dB以上,較單純使用小波變換的3D-SPIHT算法提高了3.16dB；從視覺(jué)效果可以看到由于結(jié)合了Contourlet變換,重構(gòu)圖像紋理清晰,邊緣明顯。重構(gòu)圖像用于分類應(yīng)用幾乎未受影響。
[Abstract]:High spectral resolution is very important for the application of hyperspectral remote sensing images, but hyperspectral images bring massive data, which brings great pressure to the storage and transmission of data. Hyperspectral remote sensing images are different from two-dimensional images because of their own characteristics. Therefore, it is an important research topic to compress hyperspectral remote sensing images from their own characteristics. The spatial correlation and spectral correlation of hyperspectral remote sensing images are explored in this paper, and the differences between spatial correlation and static two-dimensional images are studied. The results show that the spatial correlation of hyperspectral images is weaker than that of two-dimensional still images, and the spectral correlation of hyperspectral images is stronger than that of spatial correlation. In this paper, the concept of the part of interest is proposed, that is, the region of interest in the band of interest. The optimal band selection method is studied for the application of ground object classification, and the wavelet decomposition based band selection method is studied for the target extraction application. The effect of two bands selection is verified by simulation experiment. In the process of ROI extraction, FastICA algorithm is used in this paper, and the experimental results show that this method is better than other common methods in highlighting target and suppressing background. The main reason is that the MNF transform is used to reduce the dimension of the original data, which reduces the adverse effect of noise on target detection. In this paper, a method of hyperspectral image compression based on wavelet Contourlet transform and object of interest protection is studied. When the image is compressed at low bit rate by separable two-dimensional wavelet transform, the phenomenon of ringing will occur near the edge of the image, while the simple Contourlet transform has 4 / 3 redundancy, which leads to the increase of the Contourlet coefficient, which is not conducive to the compression and coding of the image. Therefore, an image compression algorithm based on the combination of the two and complementary advantages is studied. The object protection is more accurate than the simple protection of the area of interest or the protection of interest band, and the amount of information needed to be protected is greatly reduced, so in the case of the same bit rate compression, The region of interest and background of reconstructed image will achieve better image quality. The Maxshift algorithm is extended to 3D image, and the transform coefficient of ROI region in BOI is improved. The experimental results show that the peak SNR of the proposed algorithm is above 40dB when the compression ratio is 8:1, which is 3.16 dB higher than that of the 3D-SPIHT algorithm using wavelet transform alone. It can be seen from the visual effect that the reconstructed image has clear texture and obvious edge due to the combination of Contourlet transform. The application of reconstructed image for classification is almost unaffected.
【學(xué)位授予單位】：遼寧工程技術(shù)大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2014
【分類號(hào)】：TP751

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 孫釗;高光譜遙感的應(yīng)用[J];貴州教育學(xué)院學(xué)報(bào)(自然科學(xué));2004年04期

2 杜培軍;陳云浩;;高光譜遙感信息智能處理的若干理論與技術(shù)問(wèn)題[J];科技導(dǎo)報(bào);2006年01期

3 孫琦;鄭小賢;劉東蘭;;高光譜遙感獲取伐區(qū)調(diào)查數(shù)據(jù)的應(yīng)用綜述[J];林業(yè)資源管理;2006年05期

4 潘偉;夏麗麗;;高光譜遙感分類方法研究[J];福建電腦;2007年01期

5 張利;戚浩平;;高光譜遙感及其在青藏高原的應(yīng)用潛力分析[J];測(cè)繪科學(xué);2008年S3期

6 張利;戚浩平;;高光譜遙感及其在青藏高原的應(yīng)用潛力分析[J];測(cè)繪科學(xué);2008年S1期

7 岳躍民;王克林;張兵;陳正超;;高光譜遙感在生態(tài)系統(tǒng)研究中的應(yīng)用進(jìn)展[J];遙感技術(shù)與應(yīng)用;2008年04期

8 周磊;辛?xí)云?李剛;楊桂霞;張宏斌;;高光譜遙感在草原監(jiān)測(cè)中的應(yīng)用[J];草業(yè)科學(xué);2009年04期

9 方紅亮,田慶久;高光譜遙感在植被監(jiān)測(cè)中的研究綜述[J];遙感技術(shù)與應(yīng)用;1998年01期

10 王建宇;高光譜遙感──給人類配上一副神眼[J];世界科學(xué);1999年12期

相關(guān)會(huì)議論文 前10條

1 張霞;劉良云;趙春江;張兵;;利用高光譜遙感圖像估算小麥氮含量研究[A];成像光譜技術(shù)與應(yīng)用研討會(huì)論文集[C];2002年

2 杜培軍;陳云浩;;高光譜遙感信息智能處理的基礎(chǔ)研究[A];第十五屆全國(guó)遙感技術(shù)學(xué)術(shù)交流會(huì)論文摘要集[C];2005年

3 徐元進(jìn);胡光道;;取締閥值的高光譜遙感光譜匹配分類信息制圖[A];第十五屆全國(guó)遙感技術(shù)學(xué)術(shù)交流會(huì)論文摘要集[C];2005年

4 張永強(qiáng);文麗萍;王振營(yíng);;高光譜遙感在監(jiān)測(cè)作物受病蟲(chóng)肥脅迫中的應(yīng)用[A];提高全民科學(xué)素質(zhì)、建設(shè)創(chuàng)新型國(guó)家——2006中國(guó)科協(xié)年會(huì)論文集（下冊(cè)）[C];2006年

5 王藝婷;黃世奇;王紅霞;;從信息的角度看高光譜遙感技術(shù)[A];國(guó)家安全地球物理叢書(shū)（九）——防災(zāi)減災(zāi)與國(guó)家安全[C];2013年

6 李京;蔣衛(wèi)國(guó);;高光譜遙感在濕地監(jiān)測(cè)與分類中的應(yīng)用[A];第十屆全國(guó)光電技術(shù)學(xué)術(shù)交流會(huì)論文集[C];2012年

7 房華樂(lè);任潤(rùn)東;蘇飛;梁勇;;高光譜遙感在農(nóng)業(yè)中的應(yīng)用[A];第四屆“測(cè)繪科學(xué)前沿技術(shù)論壇”論文精選[C];2012年

8 黃娟;郭明克;張永梅;閆濤;王寧;;利用高光譜遙感資料提取赤潮信息方法研究[A];成像光譜技術(shù)與應(yīng)用研討會(huì)論文集[C];2002年

9 杜培軍;方濤;林卉;;高光譜遙感影像降維方法研究[A];第十四屆全國(guó)遙感技術(shù)學(xué)術(shù)交流會(huì)論文摘要集[C];2003年

10 王新鴻;唐伶俐;馬靈玲;;高光譜遙感在內(nèi)陸水質(zhì)監(jiān)測(cè)中的應(yīng)用[A];現(xiàn)代測(cè)量技術(shù)與地理信息系統(tǒng)科技創(chuàng)新及產(chǎn)業(yè)發(fā)展研討會(huì)論文集[C];2009年

相關(guān)重要報(bào)紙文章 前4條

1 張學(xué)君;高光譜遙感技術(shù)助力覆蓋區(qū)找礦[N];中國(guó)國(guó)土資源報(bào);2011年

2 記者 金小平;中國(guó)地調(diào)局舉辦高光譜遙感找礦培訓(xùn)班[N];中國(guó)礦業(yè)報(bào);2007年

3 中國(guó)科學(xué)院院士、國(guó)際歐亞科學(xué)院院士 童慶禧;我國(guó)高光譜遙感的發(fā)展[N];中國(guó)測(cè)繪報(bào);2008年

4 文龍 胡軍;張立福：用光譜觀測(cè)大地的人[N];科技日?qǐng)?bào);2012年

相關(guān)博士學(xué)位論文 前10條

1 張海濤;基于興趣體保護(hù)的高光譜遙感圖像壓縮技術(shù)研究[D];遼寧工程技術(shù)大學(xué);2014年

2 王霄鵬;黃河三角洲濕地典型植被高光譜遙感研究[D];大連海事大學(xué);2014年

3 孫蕾;小波構(gòu)造理論及其在高光譜遙感圖像去噪與壓縮中的應(yīng)用[D];國(guó)防科學(xué)技術(shù)大學(xué);2010年

4 譚炳香;高光譜遙感森林類型識(shí)別及其郁閉度定量估測(cè)研究[D];中國(guó)林業(yè)科學(xué)研究院;2006年

5 田豐;全波段（0.35～25μm）高光譜遙感礦物識(shí)別和定量化反演技術(shù)研究[D];中國(guó)地質(zhì)大學(xué)（北京）;2010年

6 劉康;基于主動(dòng)學(xué)習(xí)的高光譜圖像分類技術(shù)研究[D];中國(guó)礦業(yè)大學(xué)（北京）;2014年

7 劉偉東;高光譜遙感土壤信息提取與挖掘研究[D];中國(guó)科學(xué)院研究生院（遙感應(yīng)用研究所）;2002年

8 沈照慶;基于支持向量機(jī)（SVM）的高光譜影像智能化分析關(guān)鍵問(wèn)題研究[D];武漢大學(xué);2010年

9 馮燕;高光譜圖像壓縮技術(shù)研究[D];西北工業(yè)大學(xué);2006年

10 葉成名;基于高光譜遙感的青藏高原巖礦信息提取方法與應(yīng)用研究[D];成都理工大學(xué);2011年

相關(guān)碩士學(xué)位論文 前10條

1 柳家福;基于GPU的礦產(chǎn)資源高光譜遙感探測(cè)數(shù)據(jù)快速處理[D];南京理工大學(xué);2015年

2 張小東;基于光譜解混的高光譜遙感烴弱信息提取[D];成都理工大學(xué);2015年

3 劉淼;不同營(yíng)養(yǎng)水平冬小麥長(zhǎng)勢(shì)高光譜遙感監(jiān)測(cè)[D];西北農(nóng)林科技大學(xué);2016年

4 牛璐璐;航空高光譜遙感影像自動(dòng)拼接技術(shù)研究[D];吉林大學(xué);2016年

5 陳東來(lái);高光譜遙感場(chǎng)景成像模型研究[D];哈爾濱工業(yè)大學(xué);2009年

6 楊文韜;一種結(jié)合萬(wàn)有引力的高光譜遙感影像無(wú)監(jiān)督分類算法[D];成都理工大學(xué);2011年

7 顧桂華;高光譜遙感場(chǎng)景模型仿真研究[D];哈爾濱工業(yè)大學(xué);2008年

8 畢曉佳;高光譜遙感巖礦填圖應(yīng)用研究[D];成都理工大學(xué);2009年

9 李靜;地下煤火高光譜遙感信息定量提取研究[D];首都師范大學(xué);2009年

10 況軍;高光譜遙感圖像無(wú)損壓縮的研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2007年

，

本文編號(hào)：2399910