本文關(guān)鍵詞：高光譜圖像無(wú)損預(yù)測(cè)壓縮技術(shù)研究

  更多相關(guān)文章： 高光譜圖像 無(wú)損壓縮 遞歸最小二乘 光譜聚類(lèi) 波段排序

【摘要】：高光譜圖像是由同一地物對(duì)不同波段的電磁波反射成像而得,在可見(jiàn)光到近紅外光譜范圍內(nèi)的波段數(shù)可達(dá)到數(shù)百個(gè)。高光譜圖像納米級(jí)的光譜分辨率使得高光譜圖像具有豐富的光譜信息,可以提供地物的精確細(xì)節(jié),在環(huán)境監(jiān)測(cè)、軍事偵查、資源管理、礦產(chǎn)勘探以及植被研究等方面具有廣泛的應(yīng)用。經(jīng)過(guò)幾十年的發(fā)展,成像光譜儀所獲取的數(shù)據(jù)量隨著空間分辨率和光譜分辨率的不斷提高而急劇膨脹,其龐大的數(shù)據(jù)量對(duì)高光譜圖像的存儲(chǔ)和傳輸造成了巨大的負(fù)擔(dān),也嚴(yán)重制約著高光譜圖像的應(yīng)用前景。因此,為了提高存儲(chǔ)和傳輸效率并降低成本,對(duì)高光譜圖像的壓縮勢(shì)在必行。高光譜圖像壓縮技術(shù)可分為無(wú)損壓縮、近無(wú)損壓縮和有損壓縮,由于高光譜圖像作為最有價(jià)值的遙感觀(guān)測(cè)數(shù)據(jù),絕大多數(shù)用來(lái)對(duì)地物進(jìn)行精確分析,在壓縮時(shí)引起的任何圖像失真都是不能接受的,因此,高光譜圖像的無(wú)損壓縮技術(shù)是近年來(lái)遙感領(lǐng)域熱門(mén)的研究問(wèn)題,受到國(guó)內(nèi)外學(xué)者的廣泛關(guān)注。當(dāng)前,在高光譜圖像壓縮領(lǐng)域并未形成統(tǒng)一的無(wú)損壓縮標(biāo)準(zhǔn),為了推動(dòng)我國(guó)高光譜遙感事業(yè)的發(fā)展,需要更多高性能的高光譜圖像無(wú)損壓縮算法的提出。本文以高光譜圖像的無(wú)損壓縮技術(shù)為主線(xiàn),針對(duì)高光譜圖像的圖像特性,設(shè)計(jì)了基于遞歸最小二乘法、光譜聚類(lèi)和波段排序以及反向搜索的有效壓縮算法。首先,本文對(duì)高光譜圖像的圖像特性進(jìn)行分析,通過(guò)空間相關(guān)系數(shù)和光譜相關(guān)系數(shù)的計(jì)算,總結(jié)出在高光譜圖像中同時(shí)存在空間相關(guān)性和光譜相關(guān)性、且光譜相關(guān)性大于空間相關(guān)性的規(guī)律,為后續(xù)壓縮算法的設(shè)計(jì)提供了理論依據(jù)。其次,以高光譜圖像的多波段特性為基礎(chǔ),設(shè)計(jì)了基于遞歸最小二乘法的高光譜圖像無(wú)損壓縮算法,將光譜預(yù)測(cè)的過(guò)程轉(zhuǎn)化為遞歸最小二乘濾波器的求解過(guò)程,根據(jù)不同波段光譜相關(guān)性強(qiáng)弱不同的特點(diǎn),使用不同數(shù)量的已知波段預(yù)測(cè)待測(cè)波段,將壓縮算法的壓縮性能逐波段的最大化,并提出自適應(yīng)最優(yōu)預(yù)測(cè)波段選取模塊以縮短了壓縮算法在預(yù)測(cè)波段數(shù)目確定階段的大量運(yùn)算時(shí)間。仿真實(shí)驗(yàn)表明,與代表高光譜圖像無(wú)損壓縮領(lǐng)域最高水平的C-DPCM-APL算法相比,該算法可以獲得與C-DPCM-APL算法幾乎相同的平均輸出碼流比特率,而在算法時(shí)間上僅需C-DPCM-APL算法的五分之一。然后,針對(duì)高光譜圖像的空間紋理密集和不同波段之間光譜相似度不同的問(wèn)題,設(shè)計(jì)了基于光譜聚類(lèi)和波段排序的高光譜圖像無(wú)損壓縮算法。一方面,該算法利用K-均值聚類(lèi)算法對(duì)高光譜數(shù)據(jù)中各光譜矢量進(jìn)行聚類(lèi),將同一地物的成像像素歸為一類(lèi),避免了使用已知像素對(duì)不同類(lèi)別的待測(cè)像素進(jìn)行預(yù)測(cè)時(shí)預(yù)測(cè)準(zhǔn)確度過(guò)低的問(wèn)題,去除了高光譜圖像的部分空間冗余;另一方面,該算法通過(guò)最優(yōu)波段排序的方法對(duì)高光譜圖像中各波段的排列順序重新進(jìn)行定義,盡可能地提高排列后各相鄰波段之間的光譜相關(guān)性,去除了高光譜圖像的部分光譜冗余。仿真實(shí)驗(yàn)表明,所提預(yù)處理方法可將預(yù)測(cè)壓縮算法對(duì)16位高光譜圖像壓縮后得到的平均碼流比特率降低約0.05(比特/像素),為高光譜圖像的無(wú)損壓縮提供了一種很好的解決方案。最后,通過(guò)對(duì)機(jī)載可見(jiàn)光/紅外成像光譜儀(AVIRIS)的校正過(guò)程進(jìn)行學(xué)習(xí),總結(jié)出AVIRIS 1997高光譜圖像所包含的人工校正規(guī)律,并以此為理論基礎(chǔ),設(shè)計(jì)了基于反向搜索的高光譜圖像無(wú)損壓縮算法。該算法將經(jīng)典預(yù)測(cè)器對(duì)待測(cè)像素的預(yù)測(cè)結(jié)果作為參考值,通過(guò)反向搜索方法,在待測(cè)像素所在像素行的已知像素中搜索出近似度高的像素,將其灰度值作為候選預(yù)測(cè)值,并選取最接近參考值的候選預(yù)測(cè)值作為待測(cè)像素的預(yù)測(cè)結(jié)果。仿真實(shí)驗(yàn)表明,該算法通過(guò)選取待測(cè)像素周?chē)m合的已知像素灰度值作為預(yù)測(cè)結(jié)果的操作,合理的利用了校正過(guò)程對(duì)AVIRIS 1997高光譜圖像所生成的校正相關(guān)性,使該算法獲得了所有對(duì)比算法中最低的3.90(比特/像素)的平均輸出碼流比特率,證明了所提出的反向搜索方法為經(jīng)典預(yù)測(cè)壓縮算法無(wú)法對(duì)AVIRIS 1997高光譜圖像取得高壓縮性能的問(wèn)題提供了一種合理的解決途徑。
【學(xué)位授予單位】：吉林大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2016
【分類(lèi)號(hào)】：TP391.41

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 諶德榮;宮久路;陳乾;曹旭平;;基于樣本分割的快速高光譜圖像異常檢測(cè)支持向量數(shù)據(jù)描述方法[J];兵工學(xué)報(bào);2008年09期

2 王雷;喬曉艷;董有爾;張姝;尚艷飛;;高光譜圖像技術(shù)在農(nóng)產(chǎn)品檢測(cè)中的應(yīng)用進(jìn)展[J];應(yīng)用光學(xué);2009年04期

3 蒲曉豐;雷武虎;張林虎;蔣奇材;;基于Fukunaga-Koontz變換的高光譜圖像異常檢測(cè)[J];紅外技術(shù);2010年04期

4 成寶芝;郭宗光;;高光譜圖像波段間相關(guān)特性研究[J];大慶師范學(xué)院學(xué)報(bào);2013年06期

5 王慶國(guó);黃敏;朱啟兵;孫群;;基于高光譜圖像的玉米種子產(chǎn)地與年份鑒別[J];食品與生物技術(shù)學(xué)報(bào);2014年02期

6 楊龍;易宏杰;李因彥;;遙感高光譜圖像赤潮識(shí)別[J];傳感器世界;2007年05期

7 汪倩;陶鵬;;結(jié)合空間信息的高光譜圖像快速分類(lèi)方法[J];微計(jì)算機(jī)信息;2010年21期

8 王立國(guó);孫杰;肖倩;;結(jié)合空-譜信息的高光譜圖像分類(lèi)方法[J];黑龍江大學(xué)自然科學(xué)學(xué)報(bào);2010年06期

9 馮朝麗;朱啟兵;朱曉;黃敏;;基于光譜特征的玉米品種高光譜圖像識(shí)別[J];江南大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年02期

10 徐爽;何建國(guó);馬瑜;梁慧琳;劉貴珊;賀曉光;;高光譜圖像技術(shù)在水果品質(zhì)檢測(cè)中的研究進(jìn)展[J];食品研究與開(kāi)發(fā);2013年10期

中國(guó)重要會(huì)議論文全文數(shù)據(jù)庫(kù) 前10條

1 張兵;王向偉;鄭蘭芬;童慶禧;;高光譜圖像地物分類(lèi)與識(shí)別研究[A];成像光譜技術(shù)與應(yīng)用研討會(huì)論文集[C];2004年

2 高連如;張兵;孫旭;李山山;張文娟;;高光譜數(shù)據(jù)降維與分類(lèi)技術(shù)研究[A];第八屆成像光譜技術(shù)與應(yīng)用研討會(huì)暨交叉學(xué)科論壇文集[C];2010年

3 王成;何偉基;陳錢(qián);;基于波段重組和小波變換的高光譜圖像嵌入式壓縮方法[A];黑龍江、江蘇、山東、河南、江西 五省光學(xué)（激光）聯(lián)合學(xué)術(shù)‘13年會(huì)論文（摘要）集[C];2013年

4 孫蕾;羅建書(shū);;基于分類(lèi)預(yù)測(cè)的高光譜遙感圖像無(wú)損壓縮[A];第一屆建立和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會(huì)議（HHME2005）論文集[C];2005年

5 楊勇;劉木華;鄒小蓮;苗蓬勃;趙珍珍;;基于高光譜圖像技術(shù)的獼猴桃硬度品質(zhì)檢測(cè)[A];走中國(guó)特色農(nóng)業(yè)機(jī)械化道路——中國(guó)農(nóng)業(yè)機(jī)械學(xué)會(huì)2008年學(xué)術(shù)年會(huì)論文集（下冊(cè)）[C];2008年

6 張曉紅;張立福;王晉年;童慶禧;;HJ-1A衛(wèi)星高光譜遙感圖像質(zhì)量綜合評(píng)價(jià)[A];第八屆成像光譜技術(shù)與應(yīng)用研討會(huì)暨交叉學(xué)科論壇文集[C];2010年

7 高東生;高連知;;基于獨(dú)立分量分析的高光譜圖像目標(biāo)盲探測(cè)方法研究[A];國(guó)家安全地球物理叢書(shū)（八）——遙感地球物理與國(guó)家安全[C];2012年

8 馮維一;陳錢(qián);何偉基;;基于小波稀疏的高光譜目標(biāo)探測(cè)算法[A];黑龍江、江蘇、山東、河南、江西 五省光學(xué)（激光）聯(lián)合學(xué)術(shù)‘13年會(huì)論文（摘要）集[C];2013年

9 彭妮娜;易維寧;方勇華;;基于核函數(shù)的高光譜圖像信息提取研究[A];光子科技創(chuàng)新與產(chǎn)業(yè)化——長(zhǎng)三角光子科技創(chuàng)新論壇暨2006年安徽博士科技論壇論文集[C];2006年

10 蒲曉豐;雷武虎;黃濤;王迪;;基于穩(wěn)健背景子空間的高光譜圖像異常檢測(cè)[A];中國(guó)光學(xué)學(xué)會(huì)2010年光學(xué)大會(huì)論文集[C];2010年

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前10條

1 普晗曄;高光譜遙感圖像的解混理論和方法研究[D];復(fù)旦大學(xué);2014年

2 王亮亮;非線(xiàn)性流形結(jié)構(gòu)在高光譜圖像異常檢測(cè)中的應(yīng)用研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2014年

3 賀智;改進(jìn)的經(jīng)驗(yàn)?zāi)B(tài)分解算法及其在高光譜圖像分類(lèi)中的應(yīng)用[D];哈爾濱工業(yè)大學(xué);2014年

4 魏然;基于成像機(jī)理分析的高光譜圖像信息恢復(fù)研究[D];哈爾濱工業(yè)大學(xué);2015年

5 葉珍;高光譜圖像特征提取與分類(lèi)算法研究[D];西北工業(yè)大學(xué);2015年

6 馮婕;基于軟計(jì)算和互信息理論的遙感圖像地物分類(lèi)[D];西安電子科技大學(xué);2014年

7 孫濤;快速多核學(xué)習(xí)分類(lèi)研究及應(yīng)用[D];西安電子科技大學(xué);2015年

8 李昌國(guó);基于譜間和校正相關(guān)性的高光譜圖像壓縮方法研究及GPU并行實(shí)現(xiàn)[D];成都理工大學(xué);2015年

9 徐速;基于壓縮感知的高光譜圖像稀疏解混方法研究[D];重慶大學(xué);2015年

10 南一冰;星載推掃型高光譜運(yùn)動(dòng)成像誤差建模與高精度校正技術(shù)研究[D];北京理工大學(xué);2015年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前10條

1 豐爍;高光譜圖像波段選取問(wèn)題的改進(jìn)算法研究[D];昆明理工大學(xué);2015年

2 趙偉彥;果蔬干燥過(guò)程中的品質(zhì)無(wú)損檢測(cè)技術(shù)研究[D];江南大學(xué);2015年

3 馬亞楠;果蔬中內(nèi)部害蟲(chóng)的高光譜圖像檢測(cè)技術(shù)研究[D];江南大學(xué);2015年

4 劉大洋;基于近紅外光譜和高光譜圖像技術(shù)無(wú)損識(shí)別獼猴桃膨大果[D];西北農(nóng)林科技大學(xué);2015年

5 王坤;高光譜圖像異常目標(biāo)檢測(cè)及光譜成像在偽裝評(píng)估方面的應(yīng)用研究[D];南京理工大學(xué);2015年

6 王啟聰;高光譜圖像分類(lèi)的GPU并行優(yōu)化研究[D];南京理工大學(xué);2015年

7 程凱;無(wú)先驗(yàn)信息的高光譜圖像小目標(biāo)檢測(cè)算法研究[D];蘇州大學(xué);2015年

8 李秩期;基于高光譜及多信息融合的馬鈴薯外部缺陷無(wú)損檢測(cè)研究[D];寧夏大學(xué);2015年

9 王健;基于高光譜圖像的馬鈴薯形狀及重量分類(lèi)識(shí)別建模研究[D];寧夏大學(xué);2015年

10 吳蓓芬;偏振高光譜圖像場(chǎng)景仿真及分類(lèi)方法研究[D];哈爾濱工業(yè)大學(xué);2015年

，

本文編號(hào)：1287240