CN101720043A - 基于多模式预测的成像光谱图像压缩方法 - Google Patents
基于多模式预测的成像光谱图像压缩方法 Download PDFInfo
- Publication number
- CN101720043A CN101720043A CN 200910238473 CN200910238473A CN101720043A CN 101720043 A CN101720043 A CN 101720043A CN 200910238473 CN200910238473 CN 200910238473 CN 200910238473 A CN200910238473 A CN 200910238473A CN 101720043 A CN101720043 A CN 101720043A
- Authority
- CN
- China
- Prior art keywords
- prediction
- wave band
- mode
- block
- pixels
- 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
Landscapes
- Compression, Expansion, Code Conversion, And Decoders (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明公开了一种基于多模式预测的成像光谱图像压缩方法,由成像光谱仪或其他数字化仪器完成成像光谱数据的采集,将目标图像的光学信号转化为数字图像信号,存储在采集设备存储器中;计算机通过现有的USB、红外接口读入图像,在处理器中进行基于多模式预测的成像光谱图像有损压缩;压缩结果可以直接存储在本地硬盘,或通过网络存储设备或进行网络存储;压缩方法主要包括计算最优预测顺序步骤,以及根据预测顺序对当前波段进行多模式的预测步骤:对成像光谱图像展开水平模式、垂直模式和直流模式的空间预测或一种模式的谱间预测。整个方法压缩效率高,方法复杂度低,执行速度快,易于移植到嵌入式平台从而实现星上应用。
Description
技术领域
本发明涉及一种成像光谱图像的压缩方法,特别涉及一种图像处理领域的基于多模式预测的成像光谱图像压缩方法。
背景技术
遥感,即遥远的感知,它是一种在远离或不与目标对象直接接触的情况下,通过某种平台上装载的传感器获取有关特征信息,然后进行提取、处理及应用分析的综合性技术。它集中了空间、电子、光学、计算机、生物和地学等学科的最新成就,是现代高新技术的重要组成部分。
成像光谱技术是20世纪80年代迅速发展起来的一种新的遥感技术。它以纳米级的超高光谱分辨率在几十到数百个波段同时对地表地物成像,将传统的空间成像技术与地物光谱技术有机结合在一起,为二维图像增加了光谱维的信息,从而使人们能够获得地物的连续光谱数据。
近年来,伴随着成像光谱技术的发展,成像光谱图像的空间和光谱分辨率不断提高,相应的数据规模呈几何级数增长。而星载设备具有体积、重量、功率、下行传输带宽都严格受限的特点,使得星载设备有限的存储能力和信道容量与海量遥感数据存储和传输需求之间的矛盾日益突出,严重制约了成像光谱技术在卫星遥感平台上的应用。而数据压缩作为解决这一问题的有效途径,在遥感领域受到人们越来越多的重视。对遥感数据进行压缩,有利于节省通信信道,提高信息的传输速率;同时数据压缩有利于实现保密通讯,提高系统的整体可靠性。
通常数据压缩技术可分为两大类:无损压缩(lossless compression)技术和有损(lossycompression)压缩技术。无损压缩技术是利用数据的统计冗余进行压缩,数据在编码过程中不丢失任何信息,解码时可完全恢复原始数据而不引入任何失真,但压缩率受到数据统计冗余度的理论限制,一般不超过3∶1,难以满足应用需求。而本发明采用的有损压缩方法,允许压缩过程中损失一定的在未来分析和应用中不重要的信息;虽然不能完全恢复原始数据,但是所损失的部分对理解原始图像的影响较小,同时换来了压缩比的大幅提高。
为了适应图像编码技术的广泛应用,国际标准化组织也制定了一系列的图像压缩标准,如JPEG,JPEG-LS,JPEG2000等,其中JPEG2000的有损压缩效率最高。但是上述国际标准大都是针对普通图像,而缺乏对成像光谱图像的针对性,因此直接用于成像光谱图像压缩效果不甚理想。
成像光谱图像的主要特点主要有以下几个方面:
1)多谱段,空间、光谱分辨率高
2)空间相关性相对较弱
3)谱间相关性强
4)相似地物具有相似光谱曲线
5)获取代价昂贵,具有长期保存价值
针对这些特点目前主流的成像光谱图像压缩方法有以下三种:基于预测的方法、基于正交变换的方法以及基于矢量量化的方法。其中,由于基于预测方法的方法复杂度通常低于其他方法,因此在成像光谱图像的压缩领域有着广泛的应用。然而目前大多数的预测方法都将精力集中在谱间相关性的去除方面。事实上,虽然与普通图像相比成像光谱图像的空间相关性相对较弱,但依然存在大量冗余,因此在兼顾去除谱间相关性的同时提高空间预测的准确性能够有效的提升压缩方法的整体性能。据此,本发明设计和实现了一种多模式空间预测与谱间预测相结合的成像光谱图像有损压缩方法。
发明内容
本发明的目的在于,通过结合波段重排序、多模式的空间预测和简单的谱间预测,有效去除成像光谱图像的空间谱间相关性,设计并实现一种基于多模式预测的高效的成像光谱图像有损压缩方法。
本发明是采用以下技术手段实现的:
一种基于多模式预测的成像光谱图像压缩方法,由成像光谱仪或其他数字化仪器完成成像光谱数据的采集,将目标图像的光学信号转化为数字图像信号,存储在采集设备存储器中;计算机通过现有的USB、红外接口读入图像,在处理器中进行基于多模式预测的成像光谱图像有损压缩;所述的压缩结果可以直接存储在本地硬盘,或通过网络存储设备或进行网络存储;所述的压缩方法主要包括计算最优预测顺序步骤,以及根据预测顺序对当前波段进行多模式的预测步骤。
所述计算最优波段预测顺序步骤中,成像光谱图像在不同的光谱区间内其波段之间的相关性特点不同,在预测之前对各个波段进行顺序重排,并作为以后波段的预测波段;
所述多模式预测中,以图像块为单位,对成像光谱图像展开水平模式、垂直模式和直模式的空间预测和一种模式的谱间预测,以预测精确度高的确定为该图像块的预测模式;
成像光谱图像压缩包括下述步骤:
计算机从存储设备读入成像光谱图像,每个波段的图像用一个二维数组表示;
计算各个波段间的相关系数矩阵;
采用相关系数来确定波段之间的相关性,如下式:
其中,H和W分别表示图像的高度和宽度,i和j分别表示像素所在的行和列,X和Y分别表示两个波段获取的图像,μx和μy分别表示波段X和Y的像素均值,D(X)、D(Y)为波段X、Y的方差,Cov(X,Y)为波段X和波段Y之间的协方差,ρXY为波段X与Y之间的相关系数;
设成像光谱图像有N个波段,两两波段之间的相关系数形成N×N的相关系数矩阵,将对角线和上三角矩阵的值置为0;
通过计算相关系数矩阵的最大生成树,得到预测顺序表。
根据预测顺序表对成像光谱图像的每个波段进行多模式预测,并对预测残差进行整数变换、量化和熵编码从而得到压缩数据。
压缩后的数据输出到缓存器,直接在本地进行存储或通过网络存储设备进行远程传输等操作;
将所有波段压缩完毕后,关闭预测顺序表文件,关闭原始成像光谱图像文件。
前述的通过计算相关系数矩阵的最大生成树,得到预测顺序表,具体步骤如下:
在初始相关系数矩阵中搜索最大值ρXY,确定第一个预测对X,Y;随即将ρXY置0以更新系数矩阵,同时保存X,Y的预测关系;
在上述步骤中更新过的相关系数矩阵中搜索与X或Y相关系数最大的值ρXU或ρYU,由此得到第二组预测对X和U或Y和U;相应地将ρXU或ρYU置为0以更新相关系数矩阵;将X和U或Y和U的预测关系输出到和步骤i相同的外部存档文件中;
在已进行n-1(2≤n≤N)次更新的相关系数矩阵中搜索与已排定顺序波段集中波段相关系数最大的值,由此得到第n组预测对;这时将该预测对的相关系数置为0,将该预测对的预测关系输出到和步骤i相同的外部存档文件中;
重复执行步骤iii,直到处理完N个波段,得到完整的预测顺序。
前述的多模式预测包括空间预测和谱间预测。其中空间预测以4×4大小的像素块为预测单位,以该像素块上方和左边已经完成了编码和重建的样值为参考样值,共有以下3种预测模式:
垂直模式:利用待编码像素块上方的4个已编码样值向下垂直外推;
水平模式:利用待编码像素块左边的4个已编码样值向右水平外推;
直流模式:利用待编码像素块上方和左边共8个已编码样值的平均值进行预测;
而谱间预测以像素点为预测单位,为了降低预测的算法复杂度,每一个当前像素的预测像素只取在预测波段中与其具有相同坐标的一个像素点。预测方法如式(2)所示:
其中i,j为当前像素所在的行和列,X和Y分别表示预测波段和当前波段,波段代表当前像素的预测值,X(i,j)表示预测像素值,μX和μY分别代表波段X和Y的像素均值,D(X)、D(Y)为波段X、Y的方差。
首先将预测顺序表中的第一个预测波段分割成4×4大小的像素块,对每一个待预测像素块逐一进行上述模式的空间预测,得到3个块预测残差,即垂直模式预测残差E0、水平模式预测残差E1、直流模式预测残差E2,每一个块预测残差是该像素块中各点预测残差的总和;选择块预测残差小的模式作为该像素块的最佳预测模式;保留各个像素块在最佳预测模式下每一个像素点的预测残差,以及该像素块的最佳预测模式;并通过整数变换、量化和熵编码得到X波段的压缩码流,同时保留重建图像作为下一波段的参考波段;
对预测顺序表中的第二个波段采用多模式空间和谱间预测相结合的方式;
首先以同样方法将该波段进行图像分割,得到若干4×4大小的像素块;
对每一个像素块进行上述三种模式的空间预测得到三个预测残差(E0,E1,E2);
同时对该像素块中的每一个点做上述谱间预测,并将残差求和得到谱间预测的块预测残差(E3);
比较E0,......,E3,选择块预测残差小的模式作为该像素块的最佳预测模式。保留各个像素块在最佳预测模式下每一个像素点的预测残差,以及该像素块的最佳预测模式,并通过整数变换、量化和熵编码得到该波段的压缩码流,并保留重建图像作为下一波段的参考波段;
从预测顺序文件中读入后续预测顺序对,依次对各波段采用与上述步骤中对第二个波段相同的处理方法进行多模式预测压缩。
本发明与现有技术相比,具有以下明显的优势和有益效果:
本发明首先计算成像光谱图像波段相关系数矩阵,得到该系数矩阵的最大生成树,由该最大生成树作为波段预测顺序。进而对其以4×4块为单位进行谱间预测和3种模式(水平、垂直、直流)的空间预测;随后对不同预测模式所得到的残差进行比较,将残差最小的模式确定为该4×4块的预测模式;最后对残差进行整数变换、量化以及基于上下文的自适应可变长编码(CAVLC)从而形成输出码流。
该方法充分利用了成像光谱图像同时具有空间和谱间相关性的特点,尤其对其空间相关性展开深入的研究,整个方法压缩效率高,方法复杂度低,执行速度快,易于移植到嵌入式平台从而实现星上应用。
附图说明:
图1、成像光谱图像压缩总体示意图;
图2、成像光谱图像压缩流程图;
图3、相关系数矩阵;
图4、图像分割后4×4像素块示意图;
图5、3种模式空间预测示意图;
图6、谱间预测示意图。
具体实施方式:
以下结合说明书附图,对本发明的实施例加以详细说明:
本发明的系统框图见图1。首先由成像光谱仪或其他数字化仪器完成成像光谱数据的采集,将目标图像的光学信号转化为数字图像信号,存储在采集设备存储器中;计算机通过现有的USB、红外等接口读入图像,在处理器中进行基于多模式预测的成像光谱图像有损压缩;所得结果可以直接存储在本地硬盘,或通过网络存储设备进行网络存储,也可经由宽带IP网进行远程传输,在异地实现解码和恢复。本技术的核心在于基于多模式预测的成像光谱图像有损压缩的实现,其主要包括计算最优预测顺序,和根据预测顺序对当前波段进行多模式预测:
(一)计算最优波段预测顺序
成像光谱图像在不同的光谱区间内其波段之间的相关性特点是不同的。大量研究表明在进行预测时,当前波段的相邻波段往往不是最佳的参考波段。根据此特点,如果可以在预测之前对各个波段进行顺序重排,即指明哪个波段先编码,并作为以后波段的预测波段,则会有效提高谱间预测的准确性,从而获得更为理想的压缩比。
(二)多模式预测
由于成像光谱图像具有丰富的纹理信息,因此采用单一模式的预测方法很难达到理想的预测效果。因此本发明将在视频压缩领域有着广泛应用的多模式预测概念引入成像光谱图像的压缩领域,以4×4大小的图像块为单位,对成像光谱图像展开3种模式的空间预测和1种模式的谱间预测,并将预测精确度最高的确定为该图像块的最终预测模式,从而有效地提高了预测的精确度。
本发明的总体流程图见图2,主要包括下述步骤:
计算机从存储设备读入成像光谱图像,每个波段的图像可用一个二维数组表示,下面提到的X,Y,U,V均表示一幅图像,且可用X(i,j)表示第i行和第j列处的像素值;
计算各个波段间的相关系数矩阵;
采用相关系数来确定波段之间的相关性,如下式:
其中,H和W分别表示图像的高度和宽度,i和j分别表示像素所在的行和列,X和Y分别表示两个波段获取的图像,以下简称波段,μx和μy分别表示波段X和Y的像素均值,D(X)、D(Y)为波段X、Y的方差,Cov(X,Y)为波段X和波段Y之间的协方差,ρXY为波段X与Y之间的相关系数。
设成像光谱图像有N个波段,两两波段之间的相关系数形成N×N的相关系数矩阵,并将对角线和上三角矩阵的值置为0,如图3所示。
1)计算相关系数矩阵的最大生成树,得到预测顺序表。具体步骤如下:
i、在初始相关系数矩阵中搜索最大值ρXY,确定第一个预测对X,Y;随即将ρXY置0以更新系数矩阵,同时保存X,Y的预测关系。
ii、在步骤i中更新过的相关系数矩阵中搜索与X和Y相关系数最大的值ρXU或ρYU,由此得到第二组预测对X和U或Y和U;相应地将ρXU或ρYU置为0以更新相关系数矩阵;将X和U或Y和U的预测关系输出到和步骤i相同的外部存档文件中。
iii、在已进行n-1(2≤n≤N)次更新的相关系数矩阵中搜索与已排定顺序波段集中波段相关系数最大的值,由此得到第n组预测对;这时将该预测对的相关系数置为0,将该预测对的预测关系输出到和步骤i相同的外部存档文件中。
iv、重复执行步骤iii,直到处理完N个波段,从而得到完整的预测顺序。
需要指出的是,由于同一类传感器获取的图像波段间的相关性是相同或相似的,预测顺序一经确定,同样适用于该类传感器所获取的其他图像,从而避免了由同一类传感器获得的不同组成像光谱图像都进行最优波段预测顺序的计算,降低了本方法的运算复杂度,提高了运算速度。
多模式的预测
成像光谱图像待编码的当前像素值可以由相关性较强的周围像素即空间邻点和谱间邻点来预测。本发明采用基于4×4像素块的多模式预测方法。具体步骤为:
i、从预测顺序文件中读入第一个预测顺序对X和Y,取波段X进行图像分块,将整幅图像划分为若干个4×4大小的像素块,每个像素块的示意图如图4所示。其中a,…,p代表4×4的像素块,而A,…,M代表该像素块上方和左边已经完成了编码和重建的样值。对X波段进行基于块的3种模式的空间预测,其示意图由图5给出。
各模式具体预测方法为:
模式0(垂直):上边的样值A,B,C,D向下垂直外推;
模式1(水平):左边的样值I,J,K,L向右水平外推;
模式2(直流):利用样值A,...,D和I,...,L的平均值进行预测;
对待预测像素块逐一进行共3种模式的空间预测,得到3个块预测残差(E0,E1,E2),每一个块预测残差是该像素块中各点预测残差的总和。选择块预测残差小的模式作为该像素块的最佳预测模式。保留各个像素块在最佳预测模式下每一个像素点的预测残差,以及该像素块的最佳预测模式。并通过整数变换、量化和熵编码得到X波段的压缩码流。同时保留重建图像作为下一波段的参考波段。
ii、对另外一个波段Y采用多模式空间预测和谱间预测;
以同样方法将波段Y进行图像分割,得到若干4×4大小的像素块;
对图像块进行上述3种模式的空间预测得到3个预测残差(E0,E1,E2);
同时对图像块中的每一个点做谱间预测,为了降低方法的复杂度,只将待预测波段的前一个已进行了编码和重建的波段作为预测波段。而每一个当前像素的预测像素只取在预测波段中与其具有相同坐标的一个像素点,如图6所示。预测方法如式(2)所示:
其中i,j为当前像素所在的行和列,X和Y分别表示预测波段和当前波段,波段代表当前像素的预测值,X(i,j)表示预测像素值,μX和μY分别代表波段X和Y的像素均值,D(X)、D(Y)为波段X、Y的方差。
将像素块中的每一个点进行谱间预测,并将残差求和得到谱间预测的块预测残差(E3)。
比较E0,......,E3,选择选择块预测残差小的模式作为该像素块的最佳预测模式。保留各个像素块在最佳预测模式下每一个像素点的预测残差,以及该像素块的最佳预测模式。并通过整数变换、量化和熵编码得到Y波段的压缩码流。
iii、从预测顺序文件中读入后续预测顺序对,依次对各波段采用与步骤ii中对Y波段相同的处理方法进行多模式预测压缩。
压缩后的数据输出到缓存器,可以直接在本地进行存储或通过网络存储设备进行远程传输等操作。
将所有波段压缩完毕后,关闭预测顺序表文件,关闭原始成像光谱图像文件。
测试图像为飞机搭载的成像光谱仪获取的128波段OMIS-I成像光谱图像,如图7、8。计算机处理主要是通过现有的USB接口或网络存储设备读入采集到的图像,存入到硬盘,成像光谱图像的有损压缩通过软件实现。
下面结合具体实例详细描述压缩的过程,参见图2。在计算机中完成以下程序:
第一步:计算机通过USB接口或网络读入OMIS-I图像;
第二步:根据公式(1)计算波段之间的相关系数,组成相关系数矩阵,并将相关系数矩阵的对角线及上三角的元素都置为0,如图3所示;
第三步:由相关系数矩阵的最大生成树,得到预测关系表,具体步骤如下:
I.在相关系数矩阵中搜索最大值,ρ118,119=0.999,从而得到一组预测对,波段118和119;
II.计算得到ρ117,119=0.999,得到第二组预测对,波段117和119;
III.以此方法,根据相关系数矩阵,最终得到一个预测关系表。OMIS-I的波段预测对的一部分如下:[118,119],[117,119],[116,117],[120,119],[128,120]……其中,后一个波段作为前一个波段的预测波段;
第四步:将预测顺序存储在文件predict_list.dat中;
第五步:从文件predict_list.dat读入第一个预测对118和119波段;
第六步:从硬盘中读入波段119的数据,对其进行图像分块,并对每一个4×4的像素块做多模式空间预测(如图4)以及整数变换、量化和编码,并保存反量化和反变换后的重建图像作为下一波段的参考波段;
第七步:从硬盘中读入波段118的数据,对其进行图像分块,对每一个4×4像素块展开3种模式的空间预测,得到3个块预测残差,同时以119波段的重建图像作为参考波段对像素块进行谱间预测,得到1个块预测残差;
第八步:比较4个预测残差,选择残差最小的作为该像素块的最佳预测模式。
第九步:将每一个像素的预测误差进行整数变换和量化,并将其反量化反变换后的重建值保存至文件。
第十步:将变换量化后的预测误差和各个像素块的最佳预测模式送入基于上下文的自适应可变长编码器;
第十二步:从文件predict_list.dat读入下一个预测对117和119波段;
第十三步:重复第七~十二步,直到编码完所有的波段;
第十四步:将压缩后的文件存储在本地的硬盘中。
第十五步:打印:“Compression completed!”
第十六步:关闭用户要压缩的文件以及经压缩后的文件。
为了检验本发明所提出的方法性能,将本发明的试验结果与目前最优的有损压缩标准JPEG-2000进行了比较。试验结果显示,采用本发明,在相同压缩比前提下,恢复图像的PSNR值有明显提高,约在1.5db左右。以相同的预测顺序,对其它OMIS-I图像进行压缩,恢复图像的质量同样有显著提高。
实验结果表明,用本发明对128波段的OMIS-I图像编码,能够有效的去除高光谱图像的空间/谱间相关性,获得了较好的结果。
Claims (3)
1.一种基于多模式预测的成像光谱图像压缩方法,由成像光谱仪或其他数字化仪器完成成像光谱数据的采集,将目标图像的光学信号转化为数字图像信号,存储在采集设备存储器中;计算机通过现有的USB、红外接口读入图像,在处理器中进行基于多模式预测的成像光谱图像有损压缩;其特征在于:所述的压缩结果可以直接存储在本地硬盘,或通过网络存储设备或进行网络存储;所述的压缩方法主要包括计算最优预测顺序步骤,以及根据预测顺序对当前波段进行多模式的预测步骤:
所述计算最优波段预测顺序步骤中,成像光谱图像在不同的光谱区间内其波段之间的相关性特点不同,在预测之前对各个波段进行顺序重排,并作为以后波段的预测波段;
所述多模式预测中,以图像块为单位,对成像光谱图像展开水平模式、垂直模式和直流模式的空间预测和一种模式的谱间预测,以预测精确度高的确定为该图像块的预测模式;
成像光谱图像压缩包括下述步骤:
计算机从存储设备读入成像光谱图像,每个波段的图像用一个二维数组表示;
计算各个波段间的相关系数矩阵;
采用相关系数来确定波段之间的相关性,如下式:
其中,H和W分别表示图像的高度和宽度,i和j分别表示像素所在的行和列,X和Y分别表示两个波段获取的图像,μx和μy分别表示波段X和Y的像素均值,D(X)、D(Y)为波段X、Y的方差,Cov(X,Y)为波段X和波段Y之间的协方差,ρXY为波段X与Y之间的相关系数;
设成像光谱图像有N个波段,两两波段之间的相关系数形成N×N的相关系数矩阵,将对角线和上三角矩阵的值置为0;
通过计算相关系数矩阵的最大生成树,得到预测顺序表:
根据预测顺序表对成像光谱图像的每个波段进行多模式预测,并对预测残差进行整数变换、量化和熵编码从而得到压缩数据;
压缩后的数据输出到缓存器,直接在本地进行存储或通过网络存储设备进行远程传输等操作;
将所有波段压缩完毕后,关闭预测顺序表文件,关闭原始成像光谱图像文件。
2.根据权利要求1所述的基于多模式预测的成像光谱图像压缩方法,其特征在于:所述的通过计算相关系数矩阵的最大生成树,得到预测顺序表,具体步骤如下:
2.1:在初始相关系数矩阵中搜索最大值ρXY,确定第一个预测对X,Y;随即将ρXY置0以更新系数矩阵,同时保存X,Y的预测关系;
2.2:在步骤i中更新过的相关系数矩阵中搜索与X或Y相关系数最大的值ρXU或ρYU,由此得到第二组预测对X和U或Y和U;相应地将ρXU或ρYU置为0以更新相关系数矩阵;将X和U或Y和U的预测关系输出到和步骤i相同的外部存档文件中;
2.3:在已进行n-1(2≤n≤N)次更新的相关系数矩阵中搜索与已排定顺序波段集中波段相关系数最大的值,由此得到第n组预测对;这时将该预测对的相关系数置为0,将该预测对的预测关系输出到和步骤i相同的外部存档文件中;
2.4:重复执行步骤iii,直到处理完N个波段,得到完整的预测顺序。
3.根据权利要求1所述的基于多模式预测的成像光谱图像压缩方法,其特征在于:所述的多模式预测包括空间预测和谱间预测,其中空间预测以4×4大小的像素块为预测单位,以该像素块上方和左边已经完成了编码和重建的样值为参考样值,共有以下3种预测模式:
垂直模式:利用待编码像素块上方的4个已编码样值向下垂直外推;
水平模式:利用待编码像素块左边的4个已编码样值向右水平外推;
直流模式:利用待编码像素块上方和左边共8个已编码样值的平均值进行预测;
谱间预测以像素点为预测单位,为了降低预测的算法复杂度,每一个当前像素的预测像素只取在预测波段中与其具有相同坐标的一个像素点。预测方法如式(2)所示:
3.1;首先将预测顺序表中的第一个预测波段分割成4×4大小的像素块,对每一个待预测像素块逐一进行上述模式的空间预测,得到3个块预测残差,即垂直模式预测残差E0、水平模式预测残差E1、直流模式预测残差E2,每一个块预测残差是该像素块中各点预测残差的总和;选择块预测残差小的模式作为该像素块的最佳预测模式;保留各个像素块在最佳预测模式下每一个像素点的预测残差,以及该像素块的最佳预测模式;并通过整数变换、量化和熵编码得到X波段的压缩码流,同时保留重建图像作为下一波段的参考波段;
3.2;对于预测顺序表中的第二个波段,采用多模式空间和谱间预测相结合的方式;
首先以同样方法将该波段进行图像分割,得到若干4×4大小的像素块;
对每个像素块进行上述三种模式的空间预测得到三个预测残差(E0,E1,E2);
同时对该像素块中的每一个点做上述谱间预测,并将残差求和得到谱间预测的块预测残差(E3);比较E0,......,E3,选择块预测残差小的模式作为该像素块的最佳预测模式,保留各个像素块在最佳预测模式下每一个像素点的预测残差,以及该像素块的最佳预测模式,并通过整数变换、量化和熵编码得到该波段的压缩码流,并保留重建图像作为下一波段的参考波段;
3.3;从预测顺序文件中读入后续预测顺序对,依次对各波段采用与步骤3.2中对第二波段相同的处理方法进行多模式预测压缩。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 200910238473 CN101720043B (zh) | 2009-11-20 | 2009-11-20 | 基于多模式预测的成像光谱图像压缩方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 200910238473 CN101720043B (zh) | 2009-11-20 | 2009-11-20 | 基于多模式预测的成像光谱图像压缩方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101720043A true CN101720043A (zh) | 2010-06-02 |
CN101720043B CN101720043B (zh) | 2012-11-28 |
Family
ID=42434545
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 200910238473 Expired - Fee Related CN101720043B (zh) | 2009-11-20 | 2009-11-20 | 基于多模式预测的成像光谱图像压缩方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101720043B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103501437A (zh) * | 2013-09-29 | 2014-01-08 | 北京航空航天大学 | 一种基于分形和h.264的高光谱图像压缩方法 |
CN107133992A (zh) * | 2017-04-17 | 2017-09-05 | 东北大学 | 基于谱相关性自适应分组高光谱图像分布式联合压缩方法 |
CN108478207A (zh) * | 2018-01-09 | 2018-09-04 | 南京航空航天大学 | 一种多模态大脑生理监测系统 |
CN111385582A (zh) * | 2020-04-13 | 2020-07-07 | 辽宁工程技术大学 | 一种基于谱空联合预测的高光谱遥感图像无损压缩算法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1632479A (zh) * | 2005-01-20 | 2005-06-29 | 北京工业大学 | 一种基于三维预测的高光谱图像无损压缩方法 |
-
2009
- 2009-11-20 CN CN 200910238473 patent/CN101720043B/zh not_active Expired - Fee Related
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103501437A (zh) * | 2013-09-29 | 2014-01-08 | 北京航空航天大学 | 一种基于分形和h.264的高光谱图像压缩方法 |
CN103501437B (zh) * | 2013-09-29 | 2016-06-22 | 北京航空航天大学 | 一种基于分形和h.264的高光谱图像压缩方法 |
CN107133992A (zh) * | 2017-04-17 | 2017-09-05 | 东北大学 | 基于谱相关性自适应分组高光谱图像分布式联合压缩方法 |
CN107133992B (zh) * | 2017-04-17 | 2019-07-12 | 东北大学 | 基于谱相关性自适应分组高光谱图像分布式联合压缩方法 |
CN108478207A (zh) * | 2018-01-09 | 2018-09-04 | 南京航空航天大学 | 一种多模态大脑生理监测系统 |
CN108478207B (zh) * | 2018-01-09 | 2021-08-06 | 南京航空航天大学 | 一种多模态大脑生理监测系统 |
CN111385582A (zh) * | 2020-04-13 | 2020-07-07 | 辽宁工程技术大学 | 一种基于谱空联合预测的高光谱遥感图像无损压缩算法 |
Also Published As
Publication number | Publication date |
---|---|
CN101720043B (zh) | 2012-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102792695B (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 | |
US20140348439A1 (en) | System and Method for Compressing Images and Video | |
CN103501437A (zh) | 一种基于分形和h.264的高光谱图像压缩方法 | |
CN104581163A (zh) | 通过使用大型变换单元编码和解码图像的方法和设备 | |
RU2509439C2 (ru) | Способ и устройство кодирования и декодирования, сигнал, носитель данных и продукты компьютерной программы | |
CN103262539A (zh) | 运动图像编码装置、运动图像解码装置、运动图像编码方法以及运动图像解码方法 | |
CN102215385B (zh) | 一种图像实时无损压缩方法 | |
CN113079378B (zh) | 图像处理方法、装置和电子设备 | |
CN101720043B (zh) | 基于多模式预测的成像光谱图像压缩方法 | |
CN108810534A (zh) | 物联网下基于方向提升小波及改进spiht的图像压缩方法 | |
CN110677644B (zh) | 一种视频编码、解码方法及视频编码帧内预测器 | |
CN103985096A (zh) | 基于离线训练的高光谱图像回归预测压缩方法 | |
CN100571387C (zh) | 针对块集合的编码选择运动矢量的方法与设备 | |
Jeong et al. | An overhead-free region-based JPEG framework for task-driven image compression | |
CN102484702A (zh) | 用于通过使用旋转变换对图像编码和解码的方法和设备 | |
CN109089118B (zh) | 基于关键信息保护的超光谱大气红外遥感图像压缩方法 | |
CN116896638A (zh) | 一种面向输电运检场景的数据压缩编码技术 | |
CN111050181A (zh) | 一种超光谱大气红外遥感图像的时间维压缩方法 | |
CN103634607A (zh) | 进行影像编码预测的方法及采用该方法的影像编码装置 | |
CN103780904B (zh) | 基于边缘的高光谱图像自适应无损预测编码系统及方法 | |
CN116071441A (zh) | 一种基于端到端卷积神经网络的遥感图像压缩方法 | |
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 | |
US8306341B2 (en) | Image data compression apparatus and decoding apparatus | |
CN115131673A (zh) | 一种面向任务的遥感影像压缩方法及系统 | |
CN111107360B (zh) | 一种光谱-空间维联合的高光谱图像无损压缩方法及系统 |
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 | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20121128 Termination date: 20131120 |