基于光谱特征的超光谱遥感图像压缩算法研究

超光谱遥感技术近些年发展迅速并得到广泛应用。但随着超光谱图像光谱和空间分辨率的增加造成的海量数据给传输和存储带来了巨大的困难。所以研究出有效的超光谱图像采样和压缩方法具有重要的理论意义和实用价值。因此,本文结合超光谱图像自身的光谱特点,提出了超光谱图像压缩的一些新方法。 首先,论文从谱间的结构相关和统计相关角度出发,结合数据分析了超光谱图像具有强烈的谱间相关性,并远大于空间相关性。同时,发现超光谱图像的空间相关性也低于普通图像的空间相关性。发掘了它与多光谱图像的不同的局部非平稳特征。确定了压缩重点在于利用超光谱图像的谱间相关性以及局部不平稳特性。超光谱图像还具有高数据维的特点,通过计算得到高维谱空间大部分为空的结论,为选择向低维投影采样压缩方法提供了理论依据。 本文将嵌入式编码应用于超光谱图像压缩,对SPIHT算法进行改进,在经典SPIHT算法中利用小波系数兄弟节点相关性,修改了零树结构,引入LZC算法的标志位图思想,图像恢复质量明显改善。 基于超光谱图像特性,本文首先将基于侧四邻域定义的误差补偿预测树算法应用到超光谱图像无损压缩,建立了自适应双向波段预测的误差补偿预测树模型。针对模型预测器系数计算复杂度高的情况,设计了基于“权重”思想,利用已编码像素对系数完成自适应驱动估计。最后结合改进的SPIHT算法进行编码。实验表明,该算法在较低的计算复杂度下,压缩比优于目前流行的无损压缩算法。 最后,将最近出现信号处理领域的新理论“压缩传感理论”应用于超光谱图像压缩。本文针对压缩传感理论中稀疏分解的计算量巨大,提出了对传统匹配跟踪算法的改进,使用改进的遗传算法来寻找基函数库最优原子,同时对图像进行分块匹配搜索,减小最优匹配搜索范围,并自适应决定稀疏分解结束。在实现了图像信号准确重构的基础上,以较低的计算复杂度完成了直接信息采样。 本文围绕着超光谱图像所特有的光谱图像特性,提出并改进不同的压缩算法,并分别进行了性能分析和实验评价。