CN101640803A - 一种用于多光谱图像的渐进的分布式编解码方法及装置 - Google Patents
一种用于多光谱图像的渐进的分布式编解码方法及装置 Download PDFInfo
- Publication number
- CN101640803A CN101640803A CN 200910170220 CN200910170220A CN101640803A CN 101640803 A CN101640803 A CN 101640803A CN 200910170220 CN200910170220 CN 200910170220 CN 200910170220 A CN200910170220 A CN 200910170220A CN 101640803 A CN101640803 A CN 101640803A
- Authority
- CN
- China
- Prior art keywords
- image
- coding
- decoding
- band image
- distributed
- 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.)
- Granted
Links
Images
Abstract
本发明公开了一种用于多光谱图像的渐进的分布式编解码方法,该方法在编码端对各波段图像直接独立编码,而在解码端才挖掘数据相关性,因此可以把数据计算的复杂度从资源受限的编码端转移到拥有丰富资源的解码端,从而优化利用了系统的资源,非常适合用于遥感卫星上。与此对应,本发明还公开了一种多光谱图像的分布式编解码装置,该装置将挖掘数据相关性的模块设置在解码端,从而最大程度地简化了编码端,使得系统配置更加合理。本发明具有编码复杂度低、压缩效率高、抗误码能力强以及渐进传输特性的优点,适合于多光谱图像的无损压缩或者近无损压缩,尤其适合于卫星上的图像压缩应用。
Description
技术领域
本发明涉及一种图像处理方法及装置,更具体地是一种用于多光谱图像的渐进的分布式编解码方法及装置。
背景技术
随着遥感技术的不断发展,所获取图像的空间分辨率和谱间分辨率越来越高,导致数据量的激增,在从遥感卫星传输到地面接收站的过程中巨大的数据量和有限的带宽之间就会产生矛盾,因此既能节省数据量又能保证图像质量的无损压缩方法就被广泛地应用到遥感图像处理领域中。
目前,基于Shannon定理的无损压缩编码方案主要分为两步,首先进行预测或变换以挖掘数据相关性去除冗余,然后再采用Huffman编码或者算术编码进行熵编码。最典型的2-D(二维)编码方案是国际标准化组织制定的图像压缩标准JPEG和JPEG2000。然而,遥感卫星获取的多光谱图像是由不同光谱波段对同一区域进行观测捕获而成的图像,存在空间数据冗余和谱间数据冗余,而传统的2-D编码方案仅能去除其中的空间数据冗余,图像压缩效果不够理想,从而促使了能够有效去除空间数据冗余和谱间数据冗余的3-D(三维)编码方案的提出。
当前的3-D编码方案包括基于3-D预测的方案和基于3-D变换的方案,其典型的代表分别为分类3-D DPCM和3-D DWT。其中,分类3-D DPCM将图像预先分为几类,每类采用一个预测器进行预测,预测误差则采用熵编码进行压缩。而3-D DWT方案采用3-D DWT以去除多光谱图像的谱间相关性和空间相关性,然后对变换系数进行熵编码。实验表明,基于3-DDWT的方案的无损编码效率不如基于3-D预测的方案。上述的3-D方案充分挖掘多光谱图像的空间相关性和谱间相关性,采用复杂有效的去冗余技术和熵编码技术,大大提高了压缩效率。然而,卫星上处理器的计算能力十分有限,而这些3-D方案的编码复杂度很高,不适合卫星应用。
另外,当前分布式编码应用于多光谱图像压缩的相关研究甚少,一个性能比较好的方案为DSC(Distributed Source Coding,分布式信源编码)-CALIC(Context-based Adaptive Lossless Image Codec,基于上下文的自适应无损图像编码)多光谱图像无损编码方案。这种方案采用2-D CALIC梯度自适应的非线性预测技术去除空间冗余,然后对预测误差分比特面编码。该方法在编码端进行空间预测、计算参数、选择编码模式等操作,增加了编码的复杂度;而且其谱间预测过程比较简单,无法获取多光谱图像的谱间相关性的空变特性,而且信源与边信息之间的统计相关模型也比较简单,将会降低图像压缩效率。
在某些应用场合中,比如在数据浏览时,用户可能希望先浏览低分辨率的图像,了解图像的大致内容,然后再观察感兴趣的图像中具有高分辨率的细节,这就要求重建图像的质量有一个从低到高逐渐变化的过程,也就是说要求图像的压缩码流具有渐进传输特性。
新一代图像压缩标准——JPEG2000虽然提供了图像的渐进传输特性,但不能有效压缩多光谱图像。而3-D DWT方案作为JPEG2000的扩展,不仅提高了压缩效率,而且继承了JPEG2000的渐进传输特性,但是,3-D DWT对编码器的内存和计算能力提出了很高的要求,超出了卫星的承载能力。因此,上述方法均不适合卫星应用。
发明内容
针对现有技术的不足,本发明的目的是要提供一种用于多光谱图像的渐进的分布式编解码方法及装置,能够实现低编码复杂度、高压缩效率、无损或近无损、强抗差错性能及渐进传输的特性以满足星上压缩需求。
为了实现上述目的,本发明提供了一种用于多光谱图像的渐进的分布式编解码方法,该方法的主要步骤包括:对多个波段图像分别进行编码以形成编码码流;传输编码码流;对已解码图像进行挖掘数据相关性;利用数据相关性和对应的编码码流对当前波段图像进行解码,其中,挖掘数据相关性包括对已解码图像采用预测技术来生成当前波段图像的边信息。。此外,该方法对多光谱图像的第一个波段图像采用独立编码、独立解码方式,而对除第一个波段以外的每一个波段图像采用独立编码、联合解码方式。
与此对应,本发明还提供了一种用于多光谱图像的渐进的分布式编解码装置,该装置包括编码端和解码端,解码端设置有挖掘数据相关性部分。
本发明的有益效果是,该分布式编解码方法在编码端仅直接对各波段图像的像素进行独立编码,且不挖掘任何数据相关性,而是将挖掘数据相关性去除冗余的任务转移到解码端,从而使得系统的计算复杂度从资源受限的编码端转移到拥有丰富资源的解码端,有效地优化利用了系统的资源,非常适合应用于遥感卫星上。同时,该方法能够通过分组、分比特面顺序编码实现渐进传输特性,适合于图像浏览的应用。此外,由于该方法中各波段独立编码,不存在编解码预测匹配问题,因此能够有效地提高容错性能。采用该方法的分布式编解码装置具有低编码复杂度、高压缩效率、强抗差错性能且能够渐进传输图像等优点。
附图说明
图1是根据本发明一个优选实施例的分布式编解码装置的系统原理图;
图2是根据本发明一个优选实施例的分布式编解码方法中将图像分块后进行标号的原理示意图;
图3(a)和图3(b)是在本发明一个优选实施例中用作检测数据的专题绘图仪图像;
图4(a)和图4(b)是本发明的分布式编解码方法、现有技术中的JPEG2000方法和3-D DPCM方法的实验结果对比图。
具体实施方式
下面将结合附图和具体实施例对本发明作进一步详细说明。
分布式编码的理论基础是Slepian-Wolf理论和Wyner-Ziv理论,这两个理论证明了相关信源采用独立编码、联合解码的方式,可以获得与采用联合编码、联合解码的方式相同的压缩效率。分布式编码具有编码简单、高效且具有抗差错性能等优点,适合于资源受限的遥感卫星。
根据本发明的分布式编码方法,把多光谱图像的各个波段B1B2…BN看作相关信源,第一个波段图像采用传统的独立编码、独立解码方式,其余波段图像采用分布式编码技术,即独立编码,依次联合解码,也就是Bk以B1B2…Bk-1为边信息,则各波段图像的码率为:
R1≥H(B1)
R2≥H(B2|B1)
R3≥H(B3|B1B2) (1)
·
·
·
RN≥H(BN|B1B2…BN-1)
其中,分布式编码的码率与联合编码、联合解码的码率在理论上是一致的。
为了最大限度地简化编码端,该方法对各波段的图像独立进行编码,且在编码端不挖掘任何数据相关性(预测或者变换),而是直接对像素进行分布式编码,优选采用二进制LDPC码。为了提高压缩效率,该方法选择在解码端去除多光谱图像的数据冗余。该方法通过把去除数据冗余的任务移至解码端,使得系统的复杂度从资源受限的编码端(卫星)转移到拥有丰富资源的解码端(地面接收站),从而优化利用系统的资源。
根据本发明的分布式编码方法,对于第一个波段的图像采用独立编码、独立解码的方式;对于除了第一个波段之外的其他波段,首先在编码端通过采样将多光谱图像分组,然后各组图像独立编码,接着按组依次传输图像,解码端接收到数据后,首先利用已解码的波段图像的谱间相关性和空间相关性生成当前波段图像的边信息,然后结合边信息进行联合解码。
该方法在生成边信息时,首先利用已解码波段图像的谱间相关性和空间相关性对将要处理的图像进行分割,使得每个区域中的像素具有相似的谱间相关性,然后对每组数据的各个像素点分别估计其局部的谱间相关性,最后采用线性预测技术生成边信息。
另外,考虑实际信道传输的情况,由于存在噪声的干扰,码流在传输过程中可能发生错误,必须采用信道码加以保护。而分布式编码采用的正是信道码,在解码过程中,对接收到的校验位和边信息同时纠错,进行联合信源-信道解码。如果信道错误超出了信道码的纠错能力,使得某个波段的解码信息有误。对于传统的预测编码方案来说,错误的信息导致编码端和解码端的预测失配,从而对后续波段的解码重建产生错误传播。而在本发明的分布式编码方法中各波段独立编码,不存在编解码预测匹配问题,而且可以在生成边信息时丢弃出错的波段,从而抑制错误传播。因此,本方法能够对多光谱图像的压缩具有较强的error resilience(错误弹性)。
本发明中提供的分布式编码方法充分利用多光谱图像的数据统计特性,具有编码复杂度低、压缩效率高、抗误码能力强以及渐进传输特性的优点,适合于多光谱图像的无损压缩或者近无损压缩,尤其适合于卫星上的图像压缩应用。
实施例一:
图1示出了采用本发明的分布式编码方法的装置的结构,该套装置包括编码端和解码端,其中编码端包括采样单元、比特面抽取单元、二进制LDPC编码单元和统计量计算单元,解码端包括采样单元、线性预测单元、预测估计单元、LDPC解码单元和图像重建单元以及由图像分割单元、基于区域的自适应预测单元和相关噪声统计量估计单元串联组成的挖掘数据相关性部分,其中的挖掘数据相关性部分的主要作用是由已解码的图像信息来生成当前波段图像的边信息。
根据本发明的分布式编码理论,第一个波段采用传统的intra(帧内预测)模式的编码方案,优选采用JPEG2000,其余波段采用分布式编码方案,即独立编码、联合解码。第k(k>1)个波段图像Bk采用如图1所示的编解码框架,编码端对Bk编码时不考虑其它波段图像的信息,解码端利用先前解码的m个波段图像Bk-1Bk-2…Bk-m(m<k)生成边信息,进行联合解码。
编码端首先把图像Bk分成16组,即将图像分成若干个大小为4×4像素的不重叠的块,每块的像素都按图2所示的顺序标号。将所有标号为l的像素(每块有且仅有1个)组合起来形成第l组数据Bk l(l=1,2,…,16)。这样,前l组数据Bk 1Bk 2…Bk l正好是原图像的l/16的下采样图像,所有像素均匀地分散在原图像对应的空间位置上,能够比较好地表征原图像的谱间特性。解码端每解出l组数据,就可以获得空间分辨率为原图像的l/16的重建图像,各组数据依次解码,从而可以实现图像的渐进重建。
所有组数据均采用相同的编码方式,即每组像素都被分解成比特面的形式,各比特面分别进入LDPC编码器独立编码,生成的累加伴随式存储在缓冲器中,根据反馈的信息每次传送一部分,由解码器结合反馈信道为每个比特面分配合适的码率。传输从第一组开始,按图2所示的顺序依次传输各组,对于每组来说,从最高位比特面到最低位比特面的顺序传输。因为解码端必须知道当前波段图像的一些基本信息才能估计该图像的谱间相关性,所以编码端还需计算Bk l的一些统计量并传送到解码端。
编码器由采样、比特面抽取、二进制LDPC编码和统计量计算等四个单元组成。采样单元和比特面抽取单元只需进行查找操作,而无需计算;这里的LDPC编码是一种改进的信道码,故LDPC编码单元只需计算伴随式(syndrome bits),即s=Hx,H为稀疏矩阵,x为信源的比特面,该计算过程可以由模二加法器来实现,且其具有线性复杂度;统计量计算单元需计算统计量E[Bk 1],E[Bk 1Bk-1 1](E[*]表示数学期望,即均值),只与相邻两波段的一组数据(原图像的1/16)有关,对计算和内存的要求不高,所以不会给编码端增加非常大的负担。因而,本方案的编码器只需要进行简单的操作,易于硬件实现。
解码端接收到E[Bk 1],E[Bk 1Bk-1 1]后,采用最小二乘法计算预测系数:
然后采用一阶线性预测器生成Bk 1的边信息SIk 1(Side Information):
假设SIk 1与Bk 1的相关噪声服从Laplace分布,解码端把SIk 1与接收到的累加伴随式相结合进行LDPC解码,重建可以得到Bk 1。
SIk 1的生成只采用了一个预测器(即假设Bk 1是平稳信号)和一个相邻波段图像(m=1),这是为了最大限度地减少编码端的计算量和所需传输的头信息。然而,一个预测器难以充分挖掘多光谱图像的空变特性,将会使得Bk 1的编码效率较低。与Bk 1的解码不同,Bk l(l>1)的解码则可利用已解码的Bk 1Bk 2…Bk l-1来挖掘多光谱图像的非平稳特性和多个谱之间的相关性,以获取高质量的边信息,提高压缩效率。Bk l(l>1)的解码过程大致如下:假设空间相邻的像素具有相同的谱间相关性,则Bk l的象素可以学习邻近的属于同一区域的已解码像素的谱间相关性,然后采用预测技术生成边信息SIk l,再进行分布式解码。由于各波段图像具有相似的物理结构,所以可对先前解码的波段图像进行分割,得到当前波段的结构信息以划分区域。把Bk 1Bk 2…Bk l看作是原图像的l/16的下采样图像,记作Bk s(l)。随着解码的组数增多,解码端得到的Bk s(l-1)的空间分辨率逐渐增大,分析当前波段以及m个已解码波段的Bk s(l-1)的局部谱间相关性变得更加精细,生成的Bk l的边信息越来越准确,解码Bk l所需的码率就逐渐降低。
尽管Bk l与Bk l(l>1)的边信息生成方法和相关噪声模型有所不同,但解码方式则完全相同,均是从最高位比特面到最低位比特面依次进行LDPC解码。
本发明的分布式编解码方法包含分辨率模式和像素精度模式两种渐进解码模式。随着解码的组数增多,重建图像的空间分辨率逐渐提高。对于每组数据来说,解码的比特面越多,重建图像的像素精度就越高。分辨率模式比像素精度模式的结构级别高,也就是说,Bk l的所有比特面都解码后,才开始传输Bk l+1的最高位比特面。
Bk l(l>1)边信息生成的主要关键技术包括图像分割技术、基于区域的预测技术和相关噪声模型估计技术。采用基于区域的预测技术,能更好地适应谱间相关性的空变特性,生成更加准确的边信息,从而更有效地去除数据冗余。
因为多光谱图像是在不同光谱波段对同一区域进行观测捕获的图像,同一地物对某个波段的响应是一致的,而不同地物的响应则有差异,所以同一地物的像素显现出相同的谱间相关性,而属于不同地物的像素则很可能显现不同的谱间相关性。因而,若要准确获取当前波段图像与已解码波段图像间的相关性,应该首先采用图像分割技术区分各地物,然后分别对每个地物的像素分析谱间相关性。
由于各波段图像具有相似的物理结构,所以可对先前解码的m个波段图像Bk-1Bk-2…Bk-m(m<k)进行分割,得到的分割图把当前波段图像Bk划分成区域。分割的目标是把具有相同谱间相关性的像素划分在同一个区域,具有不同谱间相关性的像素划分在不同区域。因而,与单一图像的分割不同,区域的相似性度量不仅与图像的空间相关性有关,还依赖于图像的谱间特性。
本方法采用基于MRF(Markov random field,马尔可夫随机场)和RAG(Region Adjacent Graph,区域邻接图)的分割算法。首先考虑谱间相关性,把光谱维矢量vn=[Bk-1,n,Bk-2,n,…,Bk-m,n]作为第n个像素点的特征,采用k-means聚类算法将像素分类,得到图像的初始分割图。由于k-means聚类算法没有考虑图像的空间相关性,导致了图像的过分割(over segmentation),特别是纹理区域被分割成很多小区域和孤立点,因此需要考虑空间相关性,对这些初始分割区域建立RAG,采用MRF模型为RAG的节点标号,将某些相似区域进行适当地合并。
在基于区域的熵编码方案中,为了减小传输分割图的头信息量,把较小区域与邻近区域合并以简化分割图。然而,由于多光谱图像空间分辨率较低,某些很小的区域就可能代表了一种地物,若将其与代表其它地物的邻近区域合并,则合并后的区域就可能包含了多种地物,从而具有不同的谱间相关性。而在本发明的方法中,图像分割的步骤是在解码端进行的,编码端无需传输分割图,因而,可以采用更为精细地分割技术,把图像分割成相对较小的区域,使得每个区域代表一种地物。
在本发明的方法中还采用基于区域的自适应预测技术来生成第l组Bk l(l>1)的边信息。解码端充分利用已经获得的当前波段(l-1)/16的下采样图像Bk s(l-1)和先前的m个波段图像Bm-1Bm-2…Bm-k(m<k)以及分割图信息,为Bk l的每个像素估计该空间位置处的局部谱间相关性,以适应多光谱图像的非平稳特性。记Bk,n l为Bk l的第n个像素,(vn,hn)为相应的空间坐标。定义一个2-Dw阶方形邻域结构为:Lw={(h,v)||h-hn|≤w,|v-vn|≤w}。在该邻域范围内,为Bk,n l选择c个已解码的像素点,用来估计谱间相关性。c个已解码的像素点的选择过程如下:
1)优先考虑与Bk,n l属于同一区域的像素点。记Sk,n l为已选择的像素点集合,c’为已选择的像素点个数。按与Bk,n l空间距离大小从近到远的顺序把符合条件的像素点收入集合Гk,n l中,直到c’=c。对于一些较小区域,已解码的像素点很少甚至没有,当符合条件的所有像素点都访问后,仍存在c’<c,这样,Гk,n l中的样本数过少,难以准确表征Bk,n l的谱间相关性,则需增加其它像素,转向2)。
2)考虑邻域中与Bk,n l具有不同标号的像素点。按与Bk,n l的空间距离从近到远的顺序访问这些像素点,计算它与Bk,n l的灰度值差:
其中,(h,v)∈Lw。如果d小于一个预先指定的阈值,则把Bk-i,h,v收入集合Гk,n l中。当Lw中的所有像素点都访问后,仍有c’<c,则转向3)。
3)Lw中的像素点按与Bk,n l的空间距离从近到远的顺序,无需任何条件依次收入集合Гk,n l中,直到c’=c。
为了保证集合Гk,n l中的像素都具有相同的谱间相关性,比较合理的做法是把c设为一个较小的值。然而,Гk,n l中的样本数太少,用于估计m阶预测器系数,显然不充分。因而,本发明采用m个一阶预测器:
其中,αk-i,n,βk-i,n表征了Bk与Bk-i(i=1,2,...,m)在空间位置(vn,hn)处的局部谱间相关性,采用最小二乘法估计,以最小化Гk,n l中的像素的均方预测误差mspek-i,n l。Bk,n l的边信息等于m个预测器输出值的加权和:
其中,
基于区域的自适应预测技术巧妙地利用了多光谱图像的谱间和空间特性,包括空间相关性、谱间结构相关性和谱间统计相关性,因而,对于多光谱图像的挖掘数据相关性十分有效。
上述基于区域的自适应预测技术能有效地估计多光谱图像的局部谱间相关性,但生成的预测误差(也称为相关噪声)仍然具有残留的空间冗余。本发明的分布式编解码方法通过计算相关噪声的上下文(context),将相关噪声分解成方差不同的几个子信号,每个子信号都近似服从Laplace分布。Bk,n l的context为所选像素集合Гk,n l的MSPE(Mean-Square Prediction Error,均方预测误差):
根据context的直方图,将context的范围分为几个区间,从而把相关噪声分成几个子信号,每个子信号的所有context都在某一个区间内。每个子信号都服从Laplace分布,但具有不同的方差。采用多个模型可以更准确地拟合相关噪声的统计特性,进而提高LDPC码的解码性能。
为了验证本发明提供的分布式编解码方法及其装置的性能,对进行仿真实验,测试数据为Landsat卫星系统的TM(Thematic Mapper,专题绘图仪)图像的其中6个波段数据,由于其中的第6个波段的分辨率和谱间相关性均很低而不考虑该波段。在仿真实验中,第一个波段图像采用传统的intra模式编码方案,优选为JPEG2000,可根据实际系统中对编码复杂度和带宽的限制折中选择一个合适的编码器,其余波段图像采用本发明提出的分布式编解码方案。各波段图像的解码顺序依次为1→2→3→7→5→4,以达到最优化数据的谱间预测性能。测试数据的第5个波段图像如图3所示,其中图3(a)是葡萄牙里斯本附近的某个区域(TM-Lisbon),图3(b)是中国境内江苏西南部与安徽交界的某个飞机场附近区域(TM-Jiangsu)。这两组数据都具有丰富的地物信息,但统计特性却有所不同,具体来说,TM-Lisbon具有较高的空间冗余,TM-Jiangsu具有较强的平稳性。实验的主要参数如下:
1)图像大小为256×256像素;
2)每个像素为8-bit;
3)利用m=k-1个先前解码的波段来预测当前波段;
4)LDPC码采用度为3的规则码,长度为4096,使得每组数据正好作为一个码组进行编解码。
实验结果如表1、表2、表3和图4所示,其中,表1示出了本方法对TM-Lisbon的预测误差方差,表2示出了本发明对TM-Jiangsu的预测误差的方差,表3示出了本方法及JPEG2000和分类3-D DPCM两种传统的无损编码方案针对同样图像的平均编码时间,而图4示出了上述三种方法的码率。
表1TM-Lisbon的预测误差的方差
c | B2 | B3 | B7 | B5 | B4 | |
σ1 2 | 5.38 | 39.62 | 108.34 | 209.98 | 252.28 | |
σ2 2 | 4 | 1.07 | 8.03 | 17.12 | 34.55 | 59.15 |
σ3 2 | 4 | 1.67 | 6.92 | 11.94 | 25.43 | 36.74 |
σ4 2 | 4 | 1.44 | 6.11 | 11.86 | 21.76 | 33.11 |
σ5 2 | 4 | 0.59 | 2.96 | 4.33 | 7.26 | 12.10 |
σ6 2 | 4 | 0.55 | 2.10 | 3.17 | 5.93 | 11.71 |
σ7 2 | 4 | 0.52 | 1.67 | 3.17 | 5.76 | 10.92 |
σ8 2 | 4 | 0.54 | 1.71 | 2.63 | 5.65 | 8.56 |
σ9 2 | 4 | 0.44 | 1.86 | 2.65 | 4.41 | 6.67 |
σ10 2 | 5 | 0.42 | 1.32 | 1.86 | 3.90 | 6.05 |
σ11 2 | 5 | 0.44 | 1.25 | 2.08 | 4.17 | 6.36 |
σ12 2 | 6 | 0.40 | 1.23 | 2.14 | 4.20 | 6.08 |
σ13 2 | 6 | 0.42 | 1.43 | 2.17 | 3.74 | 5.91 |
σ14 2 | 7 | 0.39 | 1.09 | 2.10 | 3.91 | 5.79 |
σ15 2 | 7 | 0.42 | 1.14 | 2.05 | 4.02 | 5.56 |
σ16 2 | 8 | 0.39 | 1.17 | 1.97 | 3.86 | 5.52 |
σ2 | 0.72 | 2.13 | 4.91 | 9.40 | 11.17 |
表2TM-Jiangsu的预测误差的方差
c | B2 | B3 | B7 | B5 | B4 | |
σ1 2 | 1.90 | 7.92 | 35.54 | 34.83 | 18.28 | |
σ2 2 | 4 | 1.89 | 6.10 | 19.29 | 18.31 | 12.24 |
σ3 2 | 4 | 1.72 | 5.52 | 16.97 | 16.51 | 10.12 |
σ4 2 | 4 | 1.64 | 5.44 | 16.12 | 16.49 | 11.62 |
σ5 2 | 4 | 1.31 | 4.08 | 11.53 | 12.55 | 8.05 |
σ6 2 | 4 | 1.32 | 4.12 | 11.32 | 12.79 | 8.04 |
σ7 2 | 4 | 1.36 | 4.19 | 10.93 | 12.23 | 7.98 |
σ8 2 | 4 | 1.35 | 4.05 | 10.59 | 11.86 | 7.16 |
σ9 2 | 4 | 0.91 | 2.44 | 6.23 | 8.27 | 4.41 |
σ10 2 | 5 | 0.89 | 2.32 | 6.15 | 8.13 | 4.35 |
σ11 2 | 5 | 0.83 | 2.27 | 6.12 | 8.08 | 4.16 |
σ12 2 | 6 | 0.87 | 2.25 | 6.13 | 8.10 | 4.25 |
σ13 2 | 6 | 0.84 | 2.18 | 6.20 | 8.13 | 4.04 |
σ14 2 | 7 | 0.86 | 2.21 | 6.14 | 8.04 | 4.11 |
σ15 2 | 7 | 0.81 | 2.12 | 6.12 | 7.92 | 4.14 |
σ16 2 | 8 | 0.83 | 2.08 | 6.07 | 7.83 | 4.07 |
σ2 | 0.95 | 2.44 | 6.51 | 8.34 | 4.53 |
表3平均编码时间(ms)
Encoder | JPEG2000 | DSC | 3-DDPCM |
Time | 30.1 | 13.6 | 10336.6 |
JPEG2000是具有渐进传输特性的2-D无损图像压缩方案的代表,编码复杂度较低,实验中采用的是openjpeg提供的version1.3;分类3-D DPCM是目前多光谱无损编码压缩效率最高的方案之一,采用3-D预测,复杂度很高。由于第一个波段图像B1是采用intra模式的编码方案独立编解码的,与本发明的方法中需要重点描述的分布式编码方案无关,所以表1、表2、表3和图4没有列出B1的实验结果。
表1和表2列出了预测误差的方差,其中,σl 2表示第l个slice(组)的MSPE,σ2表示Aiazzi等人(2001)提出的分类3-D预测技术的MSPE(采用12个22阶预测器),c的取值大小为邻域Lw中所有已解码像素的个数。对于Bk l(l≤4),已解码的像素较少,需设定较大的邻域,即w=2,以确保有足够的已解码像素可用来估计局部的谱间相关性;对于Bk l(l>4),已解码的像素较多,可以设定较小的邻域,即w=1。在实际选择已解码的邻域像素时,设置w=5以保证邻域Lw中有c个属于同一区域的已解码像素的事件以较大概率发生。
从表1和表2中可以看出,σl 2的大小随着l的增大近似单调地减小,这表明已解码的slice越多,获取的谱间相关性就越准确。与分类3-D预测技术相比,前l个slice(对于TM-Lisbon来说,l=4;对于TM-Jiangsu来说,l=8)的预测性能较差,其余slice的预测性能则明显提高。这是因为,对于前l个slice,用于估计谱间相关性的样本过于稀疏,而且不包含待预测的像素,而分类3-D预测方案则有足够的样本用于估计高阶预测系数;而对于其余slice,解码端已有足够多的样本,基于区域的自适应预测技术能更好地挖掘多光谱图像的局部谱间相关性。
图4给出了压缩各波段图像的码率,单位为比特/像素(bpp)。TM-lisbon图像的空间结构比较复杂,本发明提出的DSC方案与JPEG2000相比获得了1.3bpp的编码增益,与3-D DPCM方案相比,则获得了相当甚至更低的比特率;TM-Jiangsu图像主要由纹理区域组成,高阶空间相关性较强,DSC和3-D DPCM方案在实验时只考虑了8个邻域像素的空间相关性,没有挖掘高阶空间相关性,所以没能有效去除空间冗余,而JPEG2000采用多级DWT(Discrete Wavelet Transform,离散小波变换),有效去除高阶空间冗余,获得了较好的压缩性能,因而,本发明提出的分布式编解码方法相对于JPEG2000的编码增益不高,与3-D DPCM方案相比,比特率提高0.2bpp左右。
结合表1和图4(a)并结合表2和图4(b)可以看出,预测性能对压缩效率有重要的影响。由于TM-Lisbon图像具有很强的空间非平稳性,基于区域的自适应预测技术比基于块的分类3-D DPCM预测技术能更好地挖掘图像的局部特性,获得更准确的预测值,另外,本发明的分布式编解码方法需要传输的头信息量很小,所以可以获得更高的压缩效率。而TM-Jiangsu图像具有较强的空间平稳性,基于块的分类3-D DPCM预测技术就能获得很高的预测性能。
表3列出了对两个测试图像的测试程序在P43GHz的计算机上分别运行100次的平均编码时间,结果表明本发明的运行效率不仅远远低于3-DDPCM方案,甚至比JPEG2000还低。
上述实验结果表明本发明所提出的方法具有比JEPG2000更低的编码复杂度和与3-D DPCM算法相当的压缩效率,因此非常适合卫星应用。
实施例二:
由于多光谱图像受到传感器成像噪声的影响,而且在信号采集和数字化过程中又引入了量化误差,即使采用无损编码,实际也是有损的,其次,无损编码的压缩效率一般较低,不利于信道传输。因此,实际系统有时允许有损压缩,但必须控制误差以确保信号的可信度,一般要求重建图像与原图像的MAD(maximum absolute difference,最大绝对误差)不超过某个阈值。当MAD小于背景噪声方差的二分之一时,重建图像不仅看起来和原图像无差别,而且后期处理的结果也很可能与直接对原图像进行处理的结果相同,也就是说这种有损压缩事实上并无信息损失,通常称为近无损压缩。近无损压缩在保证信号可信度的前提下能够获得比无损压缩更高的压缩效率。MAD的定义如下:
其中,xn为原图像,为解码重建图像。
编解码系统采用与实施例一类似的结构,不同的是,图像在进入编码器之前,先进行量化,然后对量化符号进行编码。假设量化步长为Δ,则重建图像的MAD=Δ/2。实际系统可根据用户要求的MAD选择合适的量化步长Δ。
与分布式无损编码方案相似,分布式近无损编码方案同样具有低编码复杂度、高压缩效率的优点。另外,对于基于预测的近无损熵编码方案来说,为了防止编码端和解码端的预测失配,编码端必须对预测波段进行解码,增加了编码器的负担,而且各波段只能顺序编码,而基于分布式编码的近无损编码方案对各波段独立编码,编码端无需进行解码操作,而且可以并行编码。
实施例三:
考虑信号在信道中传输时可能因干扰而产生错误,本发明提供的分布式编解码方法采用联合信源-信道解码方案。系统的结构与实施例一类似,不同的是LDPC编解码时均需考虑伴随式的纠错问题。LDPC编码时,与信道编码相同,码字c=xG,其中G为生成矩阵,只传送码字的校验位部分。LDPC解码时,与信道解码相似,不同的是噪声的模型需分两部分考虑:信息位对应的噪声模型由信源和边信息的统计相关性决定,校验位对应的噪声模型由实际信道决定。
如果信道错误超出了信道码的纠错能力,使得某个波段Bj没能正确解码,则在解后续波段时,不用Bj作为预测波段,公式(6)变为:
虽然这样生成的边信息质量有所下降,使得编码端不得不传送更多的校验位来纠错,从而增大了码率,但是不会影响图像的重建质量,而且当k-j>2时,对码率的影响逐渐减小,甚至可以忽略不计。
对于基于预测的3-D熵编码方案来说,错误的解码信息会导致编码端和解码端的预测失配,从而对后续波段的解码重建产生错误传播;对于基于3-D DWT的熵编码方案来说,错误解码的变换系数经逆变换后,将会影响所有波段的重建质量。而分布式编码,各波段独立编码,不存在编码端和解码端的预测匹配问题,而且可以生成边信息时丢弃出错的波段,从而抑制错误传播。因此,基于分布式编码的多光谱图像采用联合信源-信道编解码方案,不仅具有编码复杂度低的优点,而且具有较强的error Resilience(错误弹性)。
根据本发明的分布式编解码方法及装置,图像在作为编码端的卫星传输到作为解码端的地面接收站时采用的是渐进传输的方式。具体而言,编码端通过采样把图像分成几组,各组独立编码,依次传输。解码端首先解出第一组,得到最低分辨率的重建图像,然后依次解码其余组。每多解码一组数据,就可以获得更高分辨率的重建图像,当所有组都解码后,就能够恢复出原始图像。图像的分组有效地实现了图像的渐进传输,每组数据的所有像素都分解成比特面进行编码,从最高位比特面到最低位比特面依次传送。由于高位比特与低位比特相比其包含的信息更为重要,所以高位比特面比低位比特面对图像的重建质量的贡献更大。解码端按比特面的重要性顺序依次解码,重建图像的像素精度就会逐步提高。因此,比特面编码也为图像的渐进传输提供了良好的机制。
在本发明提供的分布式编解码方法中还采用了基于区域的自适应预测的边信息生成技术。解码端利用已解码的当前波段的l组数据和先前波段图像,对第l+1组的各个像素点选择属于同一区域的已解码的邻近像素,用于估计其局部的谱间相关性。由于可用于估计谱间相关性的样本数较少,所以本发明采用m个一阶线性预测器分别表征当前波段图像与m个已解码波段图像的谱间相关性,然后把m个预测器的加权和作为边信息。解码端每解出一组数据,可选的样本数增多,从而可获取更为准确的谱间相关性。这样,随着各组数据的依次解码,解码端获取的谱间相关性不断修正,生成的边信息的质量逐渐提高,从而逐渐降低各组数据解码所需的码率。
以上所披露的仅为本发明的优选实施例,当然不能以此来限定本发明的权利保护范围。可以理解,依据本发明所附权利要求中限定的实质和范围所作的等同变化,仍属于本发明所涵盖的范围。
Claims (12)
1.一种用于多光谱图像的渐进的分布式编解码方法,其特征在于,包括以下步骤:
对多个波段图像分别进行编码以形成编码码流;
传输所述编码码流;
对已解码图像进行挖掘数据相关性;
利用所述数据相关性和对应的所述编码码流对当前波段图像进行解码,
其中,所述挖掘数据相关性包括对已解码图像采用预测技术来生成当前波段图像的边信息。
2.根据权利要求1所述的分布式编解码方法,其特征在于,所述多光谱图像的第一个波段图像采用独立编码、独立解码方式,除第一个波段以外的每一个波段图像采用独立编码、联合解码方式,
其中,所述除第一个波段以外的每一个波段图像采用独立编码、联合解码方式包括以下步骤:
将当前波段图像采样后划分为若干个大小相等且互相独立的块,并将每块相同位置上的像素分入相同的组;
将每组像素分解成比特面的形式进行无损压缩编码,并生成累加伴随式;
计算所述当前波段图像的统计信息;
传输所述统计信息,并依次传输每组所述编码和所述累加伴随式;
挖掘数据相关性以生成所述当前波段图像的边信息;
由所述边信息和所述累加伴随式来对接收到的各组编码进行解码,渐进重建当前波段图像。
3.根据权利要求2所述的分布式编解码方法,其特征在于,所述挖掘数据相关性以生成所述当前波段图像的边信息的步骤包括:
对已解码的波段图像进行分割;
采用基于区域的预测技术来生成所述当前波段图像的边信息;
采用相关噪声模型估计方法来拟合相关噪声的统计特性。
4.根据权利要求3所述的分布式编解码方法,其特征在于,所述基于区域的预测技术包括利用已解码的当前波段的各组数据和先前波段图像,对当前待解码组的各个像素点,选择属于同一区域的已解码的邻近像素,用于估计其局部的谱间相关性。
5.根据权利要求2所述的分布式编解码方法,其特征在于,所述除第一个波段以外的每一个波段图像采用独立编码、联合解码方式包括采用LDPC编码。
6.根据权利要求2所述的分布式编解码方法,其特征在于,传输每组所述编码码流的步骤包括按从最高位比特面到最低位比特面的顺序进行传输。
7.根据权利要求2所述的分布式编解码方法,其特征在于,所述渐进重建当前波段图像包括按从最高位比特面到最低位比特面的顺序解码当前波段图像每个组中的像素,以及按组的顺序依次重建当前波段图像。
8.根据权利要求2所述的分布式编解码方法,其特征在于,所述除第一个波段以外的每一个波段图像采用独立编码、联合解码方式包括以下步骤:
将当前波段图像采样、量化后划分为若干个大小相等且互相独立的块,并将每块相同位置上的像素分入相同的组;
将每组像素分解成比特面的形式进行近无损压缩编码,并生成累加伴随式;
计算所述当前波段图像的统计信息;
传输所述统计信息,并依次传输每组所述编码和所述累加伴随式;
挖掘数据相关性以生成所述当前波段图像的边信息;
由所述边信息和所述累加伴随式来对接收到的各组编码进行解码,渐进重建当前波段图像。
9.根据权利要求2所述的分布式编解码方法,其特征在于,所述生成边信息的步骤还包括在生成所述边信息的计算过程中丢弃出错的波段。
10.根据权利要求2所述的分布式编解码方法,其特征在于,所述第一个波段图像采用独立编码、独立解码方式包括采用JPEG2000方法。
11.一种用于多光谱图像的渐进的分布式编解码装置,包括编码端和解码端,其特征在于,所述解码端设置有挖掘数据相关性部分。
12.根据权利要求9所述的分布式编解码装置,其特征在于,所述挖掘数据相关性部分包括串联而成的图像分割单元、基于区域的自适应预测单元和相关噪声统计量估计单元。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 200910170220 CN101640803B (zh) | 2009-09-04 | 2009-09-04 | 一种用于多光谱图像的渐进的分布式编解码方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 200910170220 CN101640803B (zh) | 2009-09-04 | 2009-09-04 | 一种用于多光谱图像的渐进的分布式编解码方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101640803A true CN101640803A (zh) | 2010-02-03 |
CN101640803B CN101640803B (zh) | 2012-05-09 |
Family
ID=41615549
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 200910170220 Expired - Fee Related CN101640803B (zh) | 2009-09-04 | 2009-09-04 | 一种用于多光谱图像的渐进的分布式编解码方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101640803B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102137263A (zh) * | 2011-05-09 | 2011-07-27 | 松日数码发展(深圳)有限公司 | 基于cnm关键帧分类的分布式视频编码及解码方法 |
CN102413104A (zh) * | 2010-09-25 | 2012-04-11 | 中国科学院遥感应用研究所 | 空间数据网络渐进传输方法及系统 |
CN102750714A (zh) * | 2012-06-28 | 2012-10-24 | 哈尔滨工业大学 | 基于快速搜寻最优核配置的张量分解截断遥感高光谱图象压缩方法 |
CN103179397A (zh) * | 2013-03-04 | 2013-06-26 | 中国科学院长春光学精密机械与物理研究所 | 一种高光谱图像压缩与重构装置及方法 |
CN103209328A (zh) * | 2013-04-19 | 2013-07-17 | 中国科学院遥感与数字地球研究所 | 多源卫星图像实时在线处理技术方法及装置 |
US8929654B2 (en) | 2011-12-28 | 2015-01-06 | Dolby Laboratories Licensing Corporation | Spectral image processing |
CN105547476A (zh) * | 2015-12-08 | 2016-05-04 | 中国航空工业集团公司西安航空计算技术研究所 | 一种机载多光谱视频图像采集与处理方法 |
CN105940612A (zh) * | 2014-02-03 | 2016-09-14 | 奥斯兰姆奥普托半导体有限责任公司 | 用于光电子器件的功率谱的数据压缩的编码方法和解码方法 |
CN110009032A (zh) * | 2019-03-29 | 2019-07-12 | 江西理工大学 | 一种基于高光谱成像的组装分类方法 |
CN111246520A (zh) * | 2019-12-31 | 2020-06-05 | 三维通信股份有限公司 | 上行信号压缩传输方法、系统、计算机设备和存储介质 |
CN111882564A (zh) * | 2020-07-27 | 2020-11-03 | 山东大学 | 一种超高清医学病理图像的压缩处理方法 |
CN113902921A (zh) * | 2018-11-30 | 2022-01-07 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、设备及存储介质 |
-
2009
- 2009-09-04 CN CN 200910170220 patent/CN101640803B/zh not_active Expired - Fee Related
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102413104B (zh) * | 2010-09-25 | 2015-04-01 | 中国科学院遥感应用研究所 | 空间数据网络渐进传输方法及系统 |
CN102413104A (zh) * | 2010-09-25 | 2012-04-11 | 中国科学院遥感应用研究所 | 空间数据网络渐进传输方法及系统 |
CN102137263A (zh) * | 2011-05-09 | 2011-07-27 | 松日数码发展(深圳)有限公司 | 基于cnm关键帧分类的分布式视频编码及解码方法 |
US9479750B2 (en) | 2011-12-28 | 2016-10-25 | Dolby Laboratories Licensing Corporation | Spectral synthesis for image capture device processing |
US8929654B2 (en) | 2011-12-28 | 2015-01-06 | Dolby Laboratories Licensing Corporation | Spectral image processing |
US8947549B2 (en) | 2011-12-28 | 2015-02-03 | Dolby Laboratories Licensing Corporation | Spectral synthesis for image capturing device processing |
US9077942B2 (en) | 2011-12-28 | 2015-07-07 | Dolby Laboratories Licensing Corporation | Spectral synthesis for image capture device processing |
CN102750714B (zh) * | 2012-06-28 | 2014-08-20 | 哈尔滨工业大学 | 基于快速搜寻最优核配置的张量分解截断遥感高光谱图象压缩方法 |
CN102750714A (zh) * | 2012-06-28 | 2012-10-24 | 哈尔滨工业大学 | 基于快速搜寻最优核配置的张量分解截断遥感高光谱图象压缩方法 |
CN103179397A (zh) * | 2013-03-04 | 2013-06-26 | 中国科学院长春光学精密机械与物理研究所 | 一种高光谱图像压缩与重构装置及方法 |
CN103209328A (zh) * | 2013-04-19 | 2013-07-17 | 中国科学院遥感与数字地球研究所 | 多源卫星图像实时在线处理技术方法及装置 |
CN103209328B (zh) * | 2013-04-19 | 2017-02-22 | 中国科学院遥感与数字地球研究所 | 多源卫星图像实时在线处理技术方法及装置 |
CN105940612B (zh) * | 2014-02-03 | 2019-07-26 | 奥斯兰姆奥普托半导体有限责任公司 | 用于光电子器件的功率谱的数据压缩的编码方法和解码方法 |
CN105940612A (zh) * | 2014-02-03 | 2016-09-14 | 奥斯兰姆奥普托半导体有限责任公司 | 用于光电子器件的功率谱的数据压缩的编码方法和解码方法 |
CN105547476B (zh) * | 2015-12-08 | 2018-02-09 | 中国航空工业集团公司西安航空计算技术研究所 | 一种机载多光谱视频图像采集与处理方法 |
CN105547476A (zh) * | 2015-12-08 | 2016-05-04 | 中国航空工业集团公司西安航空计算技术研究所 | 一种机载多光谱视频图像采集与处理方法 |
CN113902921A (zh) * | 2018-11-30 | 2022-01-07 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、设备及存储介质 |
CN113902921B (zh) * | 2018-11-30 | 2022-11-25 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、设备及存储介质 |
CN110009032A (zh) * | 2019-03-29 | 2019-07-12 | 江西理工大学 | 一种基于高光谱成像的组装分类方法 |
CN110009032B (zh) * | 2019-03-29 | 2022-04-26 | 江西理工大学 | 一种基于高光谱成像的组装分类方法 |
CN111246520A (zh) * | 2019-12-31 | 2020-06-05 | 三维通信股份有限公司 | 上行信号压缩传输方法、系统、计算机设备和存储介质 |
WO2021136400A1 (zh) * | 2019-12-31 | 2021-07-08 | 三维通信股份有限公司 | 上行信号压缩传输方法、系统、计算机设备和存储介质 |
CN111246520B (zh) * | 2019-12-31 | 2022-03-15 | 三维通信股份有限公司 | 上行信号压缩传输方法、系统、计算机设备和存储介质 |
CN111882564A (zh) * | 2020-07-27 | 2020-11-03 | 山东大学 | 一种超高清医学病理图像的压缩处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN101640803B (zh) | 2012-05-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101640803B (zh) | 一种用于多光谱图像的渐进的分布式编解码方法及装置 | |
CN105374054A (zh) | 基于空谱特性的高光谱图像压缩方法 | |
CN104735453A (zh) | 通过使用大变换单元对图像进行编码和解码的方法和设备 | |
Sonal | A study of various image compression techniques | |
Tomar et al. | Lossless image compression using differential pulse code modulation and its application | |
CN102300095B (zh) | 一种超谱信号的快速压缩编码方法及图像压缩方法 | |
CN102905137B (zh) | 超光谱信号的快速差值矢量量化压缩编码方法 | |
CN108989817A (zh) | 一种基于参考帧错位预测的雷达数据压缩方法 | |
CN102014283A (zh) | 一阶差分前缀表示的图像数据无损压缩的编码方法 | |
Zhang et al. | SAR image compression using discretized Gaussian adaptive model and generalized subtractive normalization | |
CN104244012A (zh) | 一种ct数据压缩方法 | |
Boopathiraja et al. | Significance of image compression and its upshots-A survey | |
Bhatnagar et al. | Image compression using dct based compressive sensing and vector quantization | |
CN102307303B (zh) | 一种基于三进制表示的图像预测编码方法 | |
CN102684703A (zh) | 一种高效的数字高程模型数据无损压缩的方法 | |
CN104079930A (zh) | 一种遥感影像压缩系统的实现方法 | |
Wu et al. | A novel and comprehensive compressive sensing-based system for data compression | |
KR20220045920A (ko) | 머신비전을 위한 영상의 처리 방법 및 장치 | |
Kumar et al. | A comparative case study on compression algorithm for remote sensing images | |
Lu et al. | Image Compression Based on Mean Value Predictive Vector Quantization. | |
Nihal et al. | A Survey and Study of Image Compression Methods | |
Jagadeesh et al. | Linear adaptive global node-tree filters based SPIHT MR image codec | |
Kumar et al. | Comparative analysis of wavelet based compression methods | |
CN116916033B (zh) | 一种基于随机自适应傅里叶分解的联合时空视频压缩方法 | |
Pabi et al. | Tri-mode dual level 3-D image compression over medical MRI images |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120509 Termination date: 20180904 |