基于CCSDS的高光谱压缩空谱联合FPGA设计与实现

分析了CCSDS-123.0-B压缩规范,对空域和谱间联合预测模型进行模块划分,提出了一种现场可编程逻辑阵列(FPGA)设计与实现方法。对局部和与局部差的计算方法进行改进,简化了原计算方法的实现过程。对权重更新过程进行了优化,用DSP48E进行乘法计算,缩短了更新过程内部延时。给出了空谱联合预测器的逻辑结构,实现过程采用流水线设计。实验结果表明:无损压缩平均码率5.14b/p,与二维JPEG-LS相比码率减少2.38b/p,工作时钟80 MHz,预测器平均吞吐率1.69Gb/s。

基于独立成分分析的高光谱图像数据降维及压缩

该文提出了一种以高光谱图像分析为目标的基于独立成分分析的高光谱图像降维和压缩方法。该方法首先通过独立成分分析提取高光谱数据的光谱特征实现高光谱图像降维,再对降维后的图像采用预测和自适应算术编码的方法进行压缩。对220波段和64波段高光谱数据的实验结果表明,该方法与基于主成分分析的降维相比,压缩比有所提高,特别是更有利于后续的分析处理,但峰值信噪比有所降低。

基于谱间预测和码流预分配的高光谱图像压缩算法

在高光谱图像压缩中，由于波段预测后各波段残差图像分配的码流长度关系到该波段的清晰度，同时该波段作为预测波段对后面波段的预测编码会产生影响，因此设计一种合理的分配各波段码流长度的算法很有必要。本文提出了一种波段预测去除谱间冗余和码流预分配的高光谱图像压缩算法。用DPCM预测求出各波段的预测残差图像的标准差，然后根据标准差的大小对该波段进行SPIHT编码所需要分配的码流长度进行预测，最后基于均方差最小的线性预测器对图像各波段进行预测，根据事先分配的码流长度对各波段预测残差图像进行SPIHT编码。该算法在波段间采用最佳线性预测，有效地去除了高光谱图像的谱间相关性，同时，设计的分配码流长度的算法能够根据各波段信息量大小，以及与相邻波段的相关性来分配码流长度。实验表明，重建图像的平均PSNR比3D-SPIHT算法的高0．9～2．5dB，因此该算法对高光谱图像有损压缩非常适用。

离散小波变换域非负张量分解的高光谱遥感图像压缩

该文提出一种基于非负张量分解的高光谱图像压缩算法。首先将高光谱图像的每个谱段进行2维离散5／3小波变换，消除高光谱图像的空间冗余。然后将所有谱段的每级小波变换的4个小波子带看作为4个张量。对每个小波子带张量采用改进HALS（Hierarchical Alternating Least Squares）算法进行非负分解，来消除光谱冗余和空间残余冗余，同时保护了光谱信息。最后，将分解的因子矩阵进行熵编码。实验结果表明，该文提出的压缩算法具有良好压缩性能，在压缩比32：1-4：1范围内，平均信噪比高于40dB，与传统高光谱图像压缩算法比较，平均峰值信噪比提高了1．499dB。有效地提高了高光谱图像压缩算法的压缩性能和保护了光谱信息。

一种基于Contourlet变换的高光谱图像压缩算法

提出了一种基于Contourlet变换的高光谱图像压缩算法,其将多尺度几何分析用于高光谱图像的空间去相关,在进行有损压缩时有效地保存了高光谱图像丰富的纹理信息。该算法首先对高光谱图像的每一个波段图像进行基于小波的Contourlet变换,然后用前一波段的变换系数预测当前波段,最后对预测误差进行SPIHT编码,形成嵌入式码流。实验结果表明,提出的基于Contourlet变换的高光谱图像压缩算法其压缩效果优于对比算法,且能较好地保留高光谱图像的纹理信息。

混合PCA/ICA与JPEG2000结合的高光谱图像压缩

主成分分析(PCA)常常结合JPEG2000压缩标准用来对高光谱图像进行压缩。然而,由PCA得到的主成分仅利用了二阶统计信息。对于高光谱图像应用来说,只采用二阶统计信息是远远不够的,如异常像素的处理常常需要用到更高阶的统计信息。研究了一种混合PCA/ICA与JPEG2000相结合的高光谱图像压缩算法。首先,对原始高光谱图像进行PCA变换,提取出前m个主成分对应的特征向量矩阵WPCA;然后,对其余的特征向量进行ICA变换,得到n个特征向量矩阵WICA;最后,将得到的混合投影矩阵、原始高光谱图像及其均值向量共同嵌入JPEG2000比特流,从而完成对高光谱图像的压缩。在不同码率的情况下,通过空间相关系数(ρ)、信噪比(SNR)、光谱角填图(SAM)等技术指标对混合PCA/ICA+JPEG2000算法的压缩性能进行评估。实验结果表明,混合PCA/ICA+JPEG2000算法不但能有效去除高光谱图像的谱间相关性,而且能够有效提高光谱保真度,保护异常像素信息。

采用自适应波段分组的高光谱图像压缩算法

针对高光谱成像中海量数据对存储与传输造成的困难,提出一种结合自适应波段分组与码率预分配的高光谱图像压缩算法。算法采用基于吸引力传播聚类的方法进行自适应波段分组预处理,通过波段分组与预测参考帧的选取来提高压缩算法的编码性能。对不同分组内的高光谱图像采用分段预测算法去除谱间冗余,同时根据预测残差信息量的大小对空间压缩算法进行自适应码率分配。实验结果表明,在保证图像质量与较低计算复杂度的前提下,其重建图像的峰值信噪比较对比算法有所提高。

基于自适应波段聚类PCA的高光谱图像压缩

对高光谱图像进行有效压缩已经成为高光谱遥感领域的研究热点。针对现有高光谱图像压缩算法谱间特性利用不够充分的问题,提出了一种自适应波段聚类PCA(principal component analysis)与JPEG2000相结合的高光谱图像压缩算法。算法采用基于吸引力传播聚类的方法进行自适应波段聚类,对聚类后的各个波段组分别进行PCA运算,最后利用JPEG2000标准对所有主成分进行编码压缩。对高光谱图像进行波段聚类,不仅能更有效地利用谱间相关性,提高压缩性能;还可以降低PCA的运算量。实验结果表明,该算法在相同压缩比下,其信噪比、异常检测、光谱角性能相比对比算法均有所改善。

LASIS高光谱图像的3D-SPECK压缩算法

将三维集合分裂嵌入块编码算法结合感兴趣区域的压缩方案用于大孔径静态干涉成像光谱仪图像压缩.首先,对高光谱干涉图像序列进行三维非对称离散小波变换.其次,定义零块树作为编码单位.采用感兴趣区域方法对不同的编码单位赋予不同的比特率,以保护光谱信息.最后,采用改进的三维集合分裂嵌入块编码算法分别对每个编码单位进行编码.实验结果表明,该方案在8:1压缩比下,获得大于40dB的峰值信噪比,同时有效地保护了光谱信息.该算法复杂度低,实时性好,满足大孔径静态干涉成像光谱仪系统图像压缩要求.

基于自适应波段聚类主成分分析和反向传播神经网络的高光谱图像压缩

高光谱遥感图像具有丰富的光谱信息,数据量大。为了能够有效地利用高光谱图像数据,促进高光谱遥感技术的发展,该文提出一种基于自适应波段聚类主成分分析(PCA)与反向传播(BP)神经网络相结合的高光谱图像压缩算法。算法利用近邻传播(AP)聚类算法对波段进行自适应聚类,对聚类后的各个分组分别进行PCA运算,最后利用BP神经网络对所有主成分进行编码压缩。该文的创新点在于BP神经网络压缩图像时,在训练步骤过程中,误差反向传播是用原图与输出作差值,再反向调整各层的权值、阈值。对高光谱图像进行波段聚类,不仅能够有效地利用谱间相关性,提高压缩性能,还可以降低PCA的运算量。实验结果表明,该文算法与其它现有算法比较,在相同压缩比下,其光谱角更小,信噪比更高。

一种干涉高光谱图像的3DSPIHT结合ROI压缩算法

针对大孔径静态干涉成像光谱仪的成像特点,提出了一种基于三维小波变换的3DSPIHT算法结合ROI的图像压缩方案.对干涉高光谱图像序列进行了三维非对称离散小波变换.采用ROI方法对主要的光谱系数进行提升,以保护光谱信息.最后,对3DSPIHT算法进行改进,以有效编码干涉高光谱图像的小波变换系数.实验结果表明,该方法在8:1压缩比下可获得大于40dB的峰值信噪比,同时有效地保护了光谱信息.

一种改进的无链表3DSPITH算法用于高光谱图像压缩

针对大孔径静态干涉成像光谱仪(LASIS)的成像特点,提出了一种基于三维非对称等长树小波变换的无链表SPITH算法结合ROI的图像压缩方案。首先,对干涉高光谱图像进行三维非对称等长树离散小波变换。其次,采用ROI方法对主要的光谱系数进行保护。最后,采用改进的三维无链表SPITH算法,编码干涉高光谱图像的小波变换域。实验结果表明,该方法在8∶1压缩比下,获得大于40 dB的平均峰值信噪比,同时有效地保护了光谱信息。

基于最佳线性预测器的高光谱图像无损压缩算法

针对高光谱遥感图像细节丰富纹理复杂,空间相关性弱,难于压缩的特点,本文充分利用了高光谱遥感图像的谱间相关性,设计出对相邻谱段进行预测并将预测残差均方降为最小的一种最佳线性预测器。最后利用整数小波变换,并结合SPIHT算法,有效的去除空间相关性。实验表明该算法可以收到良好的效果,优于3D-SPIHT算法和WINRAR压缩软件。

基于独立成分分析的高光谱图像有损压缩方法

提出一种结合小波变换和独立成分分析(ICA)的高光谱图像有损压缩方法。采用最大似然估计与最大噪声分离相结合的方法对原始高光谱数据进行维数估计。依据维数估计的结果在光谱方向上采用ICA,在空间上运用离散小波变换。对于变换后的系数,使用多级树集合分裂算法和算术编码分别进行量化编码和熵编码。在机载可见光/红外成像光谱仪220波段高光谱数据上的实验结果表明,该算法可以在获得较高压缩率的同时,保留高光谱图像的光谱特性。

基于感兴趣谱段的LASIS高光谱图像3DSPIHT压缩算法

针对大孔径静态干涉成像光谱仪LASIS的成像特点,提出了一种基于三维小波变换的无链表SPITH算法结合感兴趣谱段保护的图像压缩方案。首先,对高光谱干涉图像序列进行三维非对称等长树离散小波变换。其次,采用感兴趣谱段方法保护重要光谱信息。最后,对无链表三维SPITH算法进行改进,以有效编码高光谱干涉图像的小波变换域。实验结果表明,该方法在8:1压缩比下,获得大于40dB的峰值信噪比,同时有效的保护了光谱信息。

基于稀疏张量分解的高光谱图像压缩

针对高光谱图像带来的大量数据存储和传输的问题,本文提出了一种基于稀疏张量分解的高光谱图像压缩方法。首先,将高光谱图像作为三阶张量进行分析。其次,通过核心张量和压缩比的关系进行张量分解。最后,对数据进行稀疏编码处理。实验结果证明本文方法相对于现有方法来说,重构图像可以获得更高的信噪比,压缩时间更短,具有更好的压缩效果。

一种适于高光谱图像压缩的相关系数矩阵近似计算算法

为充分利用高光谱图像的强谱间相关性,许多学者提出了基于相关系数矩阵的波段预处理的图像压缩算法,得到很好的压缩性能。但是由于相关系数矩阵计算量过大,严重制约了波段预处理方法的实时性。文中提出一种相关系数矩阵近似计算算法,通过对高光谱图像进行空间域采样,以很小的计算量求得近似的相关系数矩阵。用真实高光谱图像数据的实验结果表明,该算法在几乎不影响压缩性能的前提下,能大幅降低计算量,使得波段预处理方法的实时实现成为可能。

快照马赛克高光谱图像CCSDS压缩器的FPGA实现

准确的云分类模型对气象监测有重要的意义,传统机器学习云分类模型依赖手工特征提取,容易受噪声数据影响,模型泛化能力较差。深度网络分类模型能自动学习图像深度特征,但是对于图像边缘与细节分类效果不佳。本文针对上述问题进行研究。首先提取Himawari-8卫星云图光谱特征、纹理特征用以训练模糊支持向量机(Fuzzy Support Vector Machine,FSVM)模型;同时利用不同通道云图训练深度网络,学习云图深度特征;最后,根据不同模型特性,训练元分类器对各模型输出进行融合,设计了一种基于深度网络与FSVM集成学习的云分类方法,该方法综合不同模型优势,利用不同模型间的互补性提高云分类结果的鲁棒性和可信度。相比单独使用FSVM或深度网络的分类模型,本文集成学习方法在众多评价指标中有更好的表现,平均命中率、平均误报率和平均临界成功指数分别达到0.9245、0.0796、0.8581;与其它云分类模型相比,本文方法也有更好的分类效果;在具体案例测试中也发现,该方法对于不同云类混合区有更高的识别精度,而且能更加准确的识别云团边缘及细节。本文模型能够满足云分类模型稳定可靠、高精度、泛化性能强的要求。

一种大孔径静态干涉成像光谱仪高光谱图像的AT-3DSPIHT压缩算法

针对大孔径静态干涉成像光谱仪(LASIS)的成像特点,提出了一种支持感兴趣区域(ROI)的非对称三维分层树集划分(AT-3DSPI HT)压缩算法。首先,对高光谱干涉图像进行非对称三维离散小波变换。然后,根据光谱信息的分布特点,采用ROI方法对不同区域的变换系数赋予不同的编码精度,以保护光谱信息。最后,采用改进的三维分层树集划分(3DSPI HT)算法编码高光谱干涉图像的小波变换系数。实验结果表明,该方法在8:1压缩比下,获得大于40 dB的峰值信噪比,同时有效地保护了光谱信息。

基于块稀疏表达模式的高光谱图像压缩

针对高光谱图像压缩算法存在的解码端计算复杂度高,且没有充分考虑高光谱图像结构特征信息等问题,提出了一种基于块稀疏表达模式的高光谱图像压缩方法.主要通过在编码端利用结构字典对稀疏系数进行结构化压缩编码,避免解码端非线性重构,以达到缩短高光谱图像重构时间的目的.实验证明该方法在压缩比较低(0.015 9)时依然能获得较高的重构精度(峰值信噪比为22.240 3,结构相似度为0.511 4).