CN101576412B - 星载超光谱干涉条纹图像准无损实时压缩方法 - Google Patents
星载超光谱干涉条纹图像准无损实时压缩方法 Download PDFInfo
- Publication number
- CN101576412B CN101576412B CN 200910085969 CN200910085969A CN101576412B CN 101576412 B CN101576412 B CN 101576412B CN 200910085969 CN200910085969 CN 200910085969 CN 200910085969 A CN200910085969 A CN 200910085969A CN 101576412 B CN101576412 B CN 101576412B
- Authority
- CN
- China
- Prior art keywords
- interference fringe
- image
- fringe image
- compression
- spectral
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Compression Or Coding Systems Of Tv Signals (AREA)
- Image Processing (AREA)
Abstract
星载超光谱干涉条纹图像准无损实时压缩方法,本发明利用谱间去相关和熵编码方法求出干涉条纹图像的相关性特征,根据该类图像的相关性特征,对光程差大的干涉条纹图像进行谱间去相关处理,得到谱间去相关处理差值图像,然后根据差值图像的数据分布概率设计一个适合此类图像的量化编码表,对于出现概率大于等于60%的数值进行无损量化,对于出现概率小于60%的数值进行有损非均匀量化,最后采用低压缩比的DPCM压缩。本发明压缩解压缩后的干涉条纹图像失真度小,压缩解压缩处理速度快,实时性好。
Description
技术领域
本发明涉及一种星载超光谱干涉条纹图像准无损实时压缩方法。
背景技术
目前,我国卫星上搭载了一种新型遥感器——超光谱成像仪,该遥感器有L(L>100)个光谱谱段,对于地面每个像素点能够产生N(N>L)个光谱数值,由此产生的干涉条纹图像数据量较大,只有对其进行实时、可靠小压缩比压缩,才能满足信道传输的要求。由于此类图像与一般遥感图像不同,不能用常规的压缩方法对其进行压缩。
现在星载超光谱成像仪的数据压缩技术,有法国人提出的基于自回归AR模型的方法,该方法属于有损压缩,其首先建立干涉图的参量模型,解算出一组表征干涉图的参量。模型化只是表示干涉图的一种方法,用这种方法相比用未经处理的样本直接表示的方法更为简洁,但在压缩的同时会产生失真。采用AR模型方法的缺点是运算过程复杂,运算速度慢,尤其作为星上产品,用硬件实现的难度很大,可靠性差。而由中国科学院西安光学精密机械研究所申请的《干涉型超光谱成像仪数据压缩方法》,其申请号为03134516.6,该方法首先对干涉图进行分割,分割为零光程差附近信息较大的干涉图信号和光程差大的干涉图信号,然后将零光程差附近信息较大的干涉图信号分离出来保持不动直接下传,而对光程差大的干涉信号进行压缩后下传,最后对压缩后的干涉图信号进行解压缩,将其与直接下传的干涉图信号重构,实现数据压缩传输。该方法相比AR模型方法提高了运算速度,降低了硬件实现的难度,压缩解压缩后的失真度小,但该方法只给出了原理性的介绍,未提出具体的压缩手段。
发明内容
本发明的技术解决问题是:克服现有技术的不足,提供一种星载超光谱干涉条纹图像准无损实时压缩方法,本发明根据干涉条纹图像的相关性特征,对光程差较大的干涉条纹图像进行谱间去相关处理得到去相关差值图像,然后根据差值图像的数据分布概率设计量化编码表实现对干涉条纹图像的准无损压缩,本发明压缩解压缩后的干涉条纹图像失真度小,压缩解压缩处理速度快,实时性好。
本发明的技术解决方案是:星载超光谱干涉条纹图像准无损实时压缩方法,包括以下步骤:
(1)对超光谱成像仪产生的干涉条纹图像进行分割,分割为零光程差附近信息量较大的干涉条纹图像和光程差大的干涉条纹图像;
(2)将零光程差附近信息量较大的干涉条纹图像分离出来,保持不变,直接下传;对光程差大的干涉条纹图像进行谱间去相关处理,得到谱间去相关处理差值图像;
(3)对步骤(2)得到差值图像进行压缩比小于等于2的准无损压缩,然后下传,准无损压缩的过程为:对差值图像进行概率分布统计得到差值图像的概率分布数据,对出现概率大于等于60%的光谱数据,采用无损量化编码压缩,对于出现概率小于60%的光谱数据,采用非均匀量化编码压缩;
(4)对步骤(3)压缩后的干涉条纹图像进行解压缩,将解压缩后的干涉条纹图像与步骤(2)直接下传的干涉条纹图像重新合并,重构成完整的干涉条纹图像。
所述步骤(3)中的准无损压缩方法采用DPCM法。
所述步骤(3)中准无损压缩算法的编码阶层为2K/2,K为干涉条纹图像的输入比特。
本发明与现有技术相比的优点在于:本发明提出一种利用谱间去相关和熵编码方法求出干涉条纹图像的相关性特征,根据该类图像的相关性特征,对光程差大的干涉条纹图像进行谱间去相关处理,得到谱间去相关处理差值图像,目的在于减小图像信息熵,利于量化编码,然后根据差值图像的数据分布概率设计一个适合此类图像的量化编码表,对于出现概率大于等于60%的数值进行无损量化,对于出现概率小于60%的数值进行有损非均匀量化,这样既能保证压缩比,又能保证图像的失真率趋向最小,然后采用低压缩比的DPCM压缩,从而减小了干涉条纹压缩图像的失真度,提高了干涉条纹压缩解压缩处理的速度,提高了实时性。
附图说明
图1为超光谱干涉条纹图像RQE指标评价框图;
图2为超光谱干涉条纹图像直方图,其中图2(a)为超光谱干涉条纹图像原图平均直方图,图2(b)为超光谱干涉条纹图像谱间去相关差值图象直方图,图2(c)为超光谱干涉条纹图像空间去相关差值图象直方图,图2(d)为超光谱干涉条纹图像谱空间去相关差值图象直方图。
具体实施方式
超光谱干涉图像压缩算法性能的评价可以由光谱相对均方误差RQE来衡量,RQE即原始光谱和恢复光谱经过特定的数学运算得到的数值,RQE值越小,恢复光谱越真实。超光谱图像指标评价框图如图1所示,原始光谱是由干涉条纹图像产生,而恢复光谱是由解压缩后的干涉条纹图像产生;另一指标峰值信噪比PSNR是由原始的干涉条纹图像和解压缩后的干涉条纹图像经过运算得到的。
光谱相对均方误差RQE的定义为:
峰值信噪比的定义:PSNR
式中:A为峰值,即如果采用12bit量化,峰值为4095,N1、N2分别为干涉条纹图像的行数、列数,x为原始图像,y为压缩解压缩后的图像。
通过对超光谱干涉图像进行仿真,仿真结果表明:某些干涉条纹图像经过压缩解压缩后的峰值信噪比PSNR非常高,但是恢复谱图的RQE指标却很不好;相反,某些干涉条纹图像的PSNR较差,但是恢复谱图的RQE指标却很好。干涉图像压缩带来的失真对恢复谱图失真的影响不是线性的,经过大量图像和压缩方法分析,N个光谱数值的前u个光谱值的失真度对指标有最大的影响,也就是前u个光谱值对应的干涉信号分布在零光程差附近,而后N-u个光谱值对指标有较小的影响,后N-u个光谱值对应的干涉信号具有较大的光程差。因此压缩时,对前u个光谱值不进行压缩,后N-u个光谱值进行有损压缩。对于该类超光谱干涉条纹图像,对于谱段方向,如果把前u个光谱数值中任意一个加1或减1,恢复光谱后计算RQE指标,发现指标较差,而把后N-u个光谱值加或减一个大于或远大于1的数,恢复光谱后RQE指标基本没有多大变化。
下面结合附图对后N-u个光谱值对应的干涉图像的压缩方法进行描述。
(1)利用谱间去相关对光程差大的超光谱干涉条纹图像进行去相关处理。
一般的多光谱或超光谱图像,是地面景物在各个不同谱段产生的反射值。超光谱干涉图像产生的原理是面阵CCD光敏感器件通过卫星推扫产生的,地面上的每一个像素点在L个谱段上经过采样得到N个数值,因而地面上一行像素(每行像素有M个点)对应于星上的一幅干涉条纹图像(N×M),一般图像采用相关系数公式求得谱段间的平均相关性大小,而超光谱干涉图像却不适合用此公式。超光谱干涉条纹图像具有二维相关性,即空间像素相关和谱间数值相关,但是相关性大小不同。本发明对每幅干涉条纹图像做3种不同的差值图像然后进行比较,分别为:谱间去相关差值图像(即两个相邻的光谱数值相减),空间去相关差值图像(即空间两个相邻的像素相减),谱空间去相关差值图像(即谱空间二维相邻像素相减)。首先对3组(每组340幅,对应340行地面像素)图像,按照上述三种差值图像去相关方法得到相应残差图像,得到各种去相关的直方图分布情况,如图2所示。其中图2(a)为3组超光谱干涉条纹图像原图直方图,从图中可以看出,像素数值为0时出现的次数为6.9825e+004,其它数值分布在1-4095之间,分布较分散。图2(b)为3组超光谱干涉条纹图像谱间去相关直方图,差值图像像素数值为0时出现的次数为9.8860e+004,其它数值分布在正负300之间,分布比较集中。图2(c)为3组超光谱干涉条纹图像空间去相关直方图,差值图像像素数值为0时出现的次数为9.0248e+004,其它数值分布在正负300之间,分布比较集中。图2(d)为3组超光谱干涉条纹图像谱空间二维去相关直方图,差值图像像素数值为0时出现的次数为8.9486e+004,其它数值分布在正负300之间,分布比较集中。具体分析三种去相关后的直方图可以看出,谱间去相关后残差图像直方图分布最为集中,其它次之,原图分布最为分散。
由于图像概率分布越集中,说明信息熵越小,越易于压缩,越容易进行量化编码。对其中3组图像(340幅/组)经过空间去相关、谱间去相关、谱空间二维去相关分别得到差值图像,然后做HUFFMAN编码即熵编码,得到平均的无损压缩比,具体压缩比大小如表1所示,可以看出,谱间去相关后的差值图像无损压缩比较大,其他两种去相关后的差值图像无损压缩比较小。从三类差值图像的直方图分布和熵编码压缩比可以得出这样的结论,超光谱干涉条纹图像谱间相关性,要大于空间相关性和谱空间二维的相关性。所以本发明对光程差大的超光谱干涉条纹图像做压缩,先采用谱间去相关进行图像处理得到差值图像。
表1、三类去相关差值图象Huffman编码压缩比
(2)对经过去相关处理的差值图像做准无损压缩。
图像压缩比总体要求小于等于2,根据此类图像特点及星载可靠性和实时性的要求,压缩算法采用DPCM算法。干涉条纹图像的输入为K比特,每个像素的光谱数值共N个,对后N-u个数值进行2:1压缩后,量化编码后应为K/2比特,即量化阶层共有2K/2个。
对经去相关处理的差值图像进行概率分布统计得到差值图像的概率分布数据,对出现概率大于等于60%的数据需要采用无损量化编码,无损量化编码采用均匀量化,对于出现概率小于60%的数据,采用有损编码,有损编码的量化阶层如果足够,则对差值数据尽可能的分小段量化,否则采用13折线式非均匀量化编码方法,对于出现概率接近为0的差值,则不予考虑特殊的量化阶层。
超光谱干涉条纹图像经过基于用上述方法制作的量化表的DPCM算法进行压缩解压缩,压缩解压缩后的PSNR值很高,均超过70dB,RQE指标满足要求,光谱恢复效果好。
超光谱干涉图像数据压缩的过程为:接口器件接收来自超光谱成像仪多路并行数据及时钟和门控信号,由LVDS差分电平转换为TTL电平信号,信号和路后送给TTL驱动芯片,然后由TTL驱动芯片送给主备份DPCM压缩和格式变换模块,DPCM模块在时序控制下对干涉图像数据进行DPCM压缩,压缩后的数据进行格式编排后输出。超光谱压缩编码器通过连接器直接与遥感器接口,两种信号经过接收并交叉后分别送入超光谱压缩编码器B和超光谱压缩编码器A。超光谱压缩编码器B和超光谱压缩编码器A功能完全一样,互为冷备份,备份切换受配电控制。选用FPGA(XCV100-4CB228)器件,来实现DPCM压缩和格式变换,在实现时一个时钟周期内必须完成预测、量化、反量化环路,才能保证压缩算法的正确性;在XILINX软件下仿真,占用容量为3.5万门,速度达到600Mbps;可见选用此器件满足容量和速度要求。
实施例:
下面用一幅图像举例说明本发明的实现过程,如果是多幅图像则求其统计平均。例如,目前我国卫星上搭载的超光谱成像仪有128个光谱谱段,对于地面每个像素点能够产生256个光谱数值,图像大小为M(行)*N(列)*K,其中,M对应地面像素点数,N对应某像素点在128个谱段上的光谱数值,为256,K为像素位宽。假定行用i表示,列用j表示,Xi,j表示第i行第j列的像素值,其中对于256个光谱数值的前56个光谱值,不进行压缩,而对后200个光谱值进行有损压缩,压缩比为2∶1,压缩过程为:
首先求差值图像:
①谱间去相关差值图像在列间进行,每列第一个像素不变,后面像素减去前一个相邻像素值产生差值,就形成了谱间去相关差值图像。
err_pui,j=xi,j-xi-1,j,err_pui,0=xi,0;
②空间去相关差值图像在行间进行,每行第一个像素不变,后面像素减去本行前一个相邻像素值产生差值,就形成了空间去相关差值图像。
err_kongi,j=xi,j-xi,j-1,err_pu0,j=x0,j;
③谱空间二维去相关差值图像在行列之间进行,首先产生谱间去相关差值图像,然后产生空间去相关差值图像;最后对普空间差值图像进行相减,就得到谱空间二维去相关差值图像;
err_pu_kongi,j=err_pui,j-err_kongi,j;
三类差值图像求出后,分别求其直方图分布情况、并做无损熵编码,按谱间去相关、空间去相关及谱空间去相关这种顺序得到的差值图像,0点直方图分布数值分别为:9.8932e+004,9.1560e+004,8.8340e+004;而无损熵压缩比分别为:2.5046,2.4315,2.4955,根据这两个结果可以得到图像的相关性特点即该干涉条纹图像谱间相关性大于空间相关性和谱空间二维的相关性,所以对后200个光谱值对应的超光谱干涉条纹图像采用谱间去相关进行图像处理得到差值图像。
然后,对经谱间去相关处理的差值图像做概率分布统计,制作量化编码表,本实施例的输入数据为12比特位宽,压缩比为2∶1,即6比特编码,共有64个编码数值,具体量化表的制作方法为:谱间去相关残差图像数值有90%都落在-16到+15范围内,对这部分数据,必须进行无损量化,共占据32个量化编码值;另外32个量化编码值对应残差数值范围为(-4095,-17)和(16,4095)字段,即正负数据范围各占有16个量化编码阶层。这16个阶层的划分原理是:分五段进行非均匀量化,第一段量化值与真实值差别最大为1,第二段量化值与真实值差别最大为2,第三段量化值与真实值差别最大为7,第四段量化值与真实值差别最大为13,第五段量化值与真实值差别最大大于13,到底大多少,就要看图像的特殊性及奇异值得多少,但这部分在整个图像里面,百分比几乎为0。
对于谱段方向,如果把钱56个光谱数值中任意一个加1或减1,恢复光谱后计算RQE指标,发现指标较差,而把后200个光谱值加或减一个大于或远大于1的数,恢复光谱后RQE指标基本没有多大变化。也即说明前56个光谱值的失真对RQE指标影响很大,而后200个光谱值得失真对指标影响较小,因此对前面56个光谱值进行无损压缩,后200个进行2∶1压缩。经过上述编码处理后通过DPCM压缩解压缩得到的图像失真度大大减小,而且处理速度比较快,实时性也较好。
本发明未详细描述内容为本领域技术人员公知技术。
Claims (2)
1.星载超光谱干涉条纹图像准无损实时压缩方法,其特征在于包括以下步骤:
(1)对超光谱成像仪产生的干涉条纹图像进行分割,分割为零光程差附近信息量较大的干涉条纹图像和光程差大的干涉条纹图像;
(2)将零光程差附近信息量较大的干涉条纹图像分离出来,保持不变,直接下传;对光程差大的干涉条纹图像进行谱间去相关处理,得到谱间去相关处理差值图像;
(3)对步骤(2)得到差值图像进行压缩比小于等于2的准无损压缩,然后下传,准无损压缩的过程为:对差值图像进行概率分布统计得到差值图像的概率分布数据,对出现概率大于等于60%的光谱数据,采用无损量化编码压缩,所述无损量化编码采用均匀量化编码,对于出现概率小于60%的光谱数据,采用有损编码,有损编码的量化阶层如果足够,则对差值光谱数据尽可能的分小段量化,否则采用13折线式非均匀量化编码方法,对于出现概率接近为0的差值,则不予考虑特殊的量化阶层,所述准无损压缩算法的编码阶层为2K/2,K为干涉条纹图像的输入比特;
(4)对步骤(3)压缩后的干涉条纹图像进行解压缩,将解压缩后的干涉条纹图像与步骤(2)直接下传的干涉条纹图像重新合并,重构成完整的干涉条纹图像。
2.根据权利要求1所述的星载超光谱干涉条纹图像准无损实时压缩方法,其特征在于:所述步骤(3)中的准无损压缩方法采用DPCM法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 200910085969 CN101576412B (zh) | 2009-06-05 | 2009-06-05 | 星载超光谱干涉条纹图像准无损实时压缩方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 200910085969 CN101576412B (zh) | 2009-06-05 | 2009-06-05 | 星载超光谱干涉条纹图像准无损实时压缩方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101576412A CN101576412A (zh) | 2009-11-11 |
CN101576412B true CN101576412B (zh) | 2011-02-09 |
Family
ID=41271406
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 200910085969 Active CN101576412B (zh) | 2009-06-05 | 2009-06-05 | 星载超光谱干涉条纹图像准无损实时压缩方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101576412B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108200436B (zh) * | 2017-12-29 | 2019-06-18 | 华中科技大学 | 一种面向线列扫描红外成像非均匀性残差的无损压缩方法 |
CN108235024B (zh) * | 2018-02-05 | 2020-02-07 | 杭州视为科技有限公司 | 一种压缩图像的方法和装置 |
CN110962887B (zh) * | 2018-09-28 | 2021-09-03 | 比亚迪股份有限公司 | 列车控制系统、方法及列车 |
CN113092382A (zh) * | 2021-03-16 | 2021-07-09 | 上海卫星工程研究所 | 傅里叶变换光谱仪星上数据无损压缩方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1598506A (zh) * | 2003-09-18 | 2005-03-23 | 中国科学院西安光学精密机械研究所 | 干涉型超光谱成像仪数据压缩方法 |
-
2009
- 2009-06-05 CN CN 200910085969 patent/CN101576412B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1598506A (zh) * | 2003-09-18 | 2005-03-23 | 中国科学院西安光学精密机械研究所 | 干涉型超光谱成像仪数据压缩方法 |
Non-Patent Citations (1)
Title |
---|
王菊花等.超光谱干涉条纹图像压缩算法的研究.《空间电子技术》.2003,(4),9-12,23. * |
Also Published As
Publication number | Publication date |
---|---|
CN101576412A (zh) | 2009-11-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN100392982C (zh) | 变换及后续量化的实现 | |
CN102706450B (zh) | 基于压缩感知的双通道多光谱视频成像仪及成像方法 | |
CN108960333B (zh) | 基于深度学习的高光谱图像无损压缩方法 | |
CN102186076B (zh) | 一种实时码率预分配的图像压缩方法及图像压缩装置 | |
CN101576412B (zh) | 星载超光谱干涉条纹图像准无损实时压缩方法 | |
EP0740269A2 (en) | Scaling compressed images | |
CN104331913A (zh) | 基于稀疏k-svd的极化sar图像压缩方法 | |
CN112134567A (zh) | 一种吸收光谱数据的自适应实时压缩方法与系统 | |
CN115561182A (zh) | 一种基于先验图像引导的快照式光谱成像系统重构方法 | |
CN116228912B (zh) | 基于U-Net多尺度神经网络的图像压缩感知重建方法 | |
Zhou et al. | Remote sensing image compression: A review | |
CN116665063B (zh) | 基于自注意力和深度卷积并行的高光谱重建方法 | |
CN102695055B (zh) | 高码率下jpeg_ls码率控制方法 | |
CN104683818A (zh) | 基于双正交不变集多小波的图像压缩方法 | |
CN102982563A (zh) | 一种基于光学轮廓波变换的图像压缩方法 | |
CN101720043B (zh) | 基于多模式预测的成像光谱图像压缩方法 | |
CN111479286A (zh) | 一种边缘计算系统减少通信流量的数据处理方法 | |
CN104869426A (zh) | 在低压缩码率下降低图像方块效应的jpeg编码方法 | |
CN100395526C (zh) | 干涉型超光谱成像仪数据压缩方法 | |
Li et al. | Efficient multi-bands image compression method for remote cameras | |
CN103400341B (zh) | 基于压缩感知的空谱域联合恢复高光谱数据的方法 | |
Li et al. | An efficient onboard compression method for multispectral images using distributed post-transform in the wavelet domain in conjunction with a fast spectral decorrelator | |
Sendamarai et al. | FPGA implementation of combined compression & denoising scheme for remote sensing images | |
CN101777191B (zh) | 一种基于信噪分离的成像光谱图像快速矢量量化编码方法 | |
Habibi et al. | Bandwidth compression of multispectral data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |