CN102868885A - 基于压缩感知的星上实时图像合成压缩系统 - Google Patents

Abstract

本发明涉及一种基于压缩感知的星上实时图像合成压缩系统，该系统包括：n个压缩感知测量模块、测量数据合成模块：每个压缩感知测量模块利用伯努利随机测量矩阵对多通道TDICCD的对应通道输出的原始行图像数据X进行随机测量，得到压缩后的测量数据Y；测量数据合成模块将各通道测量数据Y合成为一整行压缩图像测量数据的模块。本发明在星上对多通道TDICCD每个通道数据进行压缩感知，得到的压缩数据合成后传送到地面，在地面进行复杂的压缩感知重构算法。以在地面复杂的数据恢复算法，换取简单可靠的星上图像压缩方法，从而降低了星上电路的工作频率，提高了星上图像整合电路的稳定性，同时节省了星上硬件资源。

Description

基于压缩感知的星上实时图像合成压缩系统

技术领域：

本发明涉及一种遥感图像压缩系统，特别涉及一种基于压缩感知的星上实时图像合成压缩系统。 

背景技术：

目前，随着卫星遥感技术与应用的不断发展，遥感图像的地面分辨率、视场角和图像质量等技术指标越来越高，造成了遥感相机内部的数据量成倍增加，给相机内部的数据处理带来了非常大的挑战。解决的途径一般从硬件和软件算法两方面入手，硬件方面采用处理速度和性能更高的数字和模拟器件，软件方面应用先进的数据数理技术对数据进行压缩，如目前技术成熟的数字图像压缩算法，以及正在发展的数字信号的稀疏算法等。 

遥感相机通常采用多通道TDICCD为核心传感器，在相机内部需要把各通道的数据进行合成，然后将整合图像数据传给后续处理模块。但是由于每个TDICCD通道的数据速率达到20M，8个通道的整合电路最高工作频率达到160M以上，对于星上遥感应用中的复杂空间环境的影响，如此高的频率会引起成像系统不稳定，甚至无法成像。 

数据的压缩算法目前有JPEG、JPEG2000等压缩标准，其中JPEG2000压缩标准为静态图像压缩目前应用最广和最成熟的压缩算法。其应用小波对图像进行变换，然后对小波系数进行量化编码，其压缩算法过程复杂、运算量大，但是其图像解码算法简单，在计算机平台很容易实现。但实际应用中，由于星上资源有限，因此寻求一种星上压缩简单可靠的算法是目前研究的热点方向。 

压缩感知理论(CS)是由Candés、Donoho和Tao等在2006年提出的。经过6年的发展，关于该理论相关的文献已经超过1000多篇，在遥感、天文学、雷达、医学和地震学等方面都有相关的研究。 

发明内容：

本发明要解决的技术问题是提供一种对原始图像数据在合成的同时能够进行有效压缩，从而降低电路的工作频率，提高星上图像整合电路的稳定性，并且算法简单可靠，能够节省星上硬件资源的基于压缩感知的星上实时图像合成压缩系统。 

为了解决上述技术问题，本发明的基于压缩感知的星上实时图像合成压缩系统包括： 

n个压缩感知测量模块：每个压缩感知测量模块利用式(1)对多通道TDICCD的对应通道输出的原始行图像数据X进行随机测量，得到压缩后的测量数据Y； 

Y＝φ·X                    (1) 

其中φ为M×N的伯努利随机测量矩阵，其矩阵形式如下： 

$\left[\begin{array}{cccc}{a}_{11}& a_{12}& ...& a_{1N}\\ a_{21}& a_{22}& ...& a_{2N}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ a_{M1}& a_{M2}& ...& a_{\mathrm{MN}}\end{array}\right]$

其中，每个元素a₁₁，a₁₂，…，a_MN都是独立同分布的伯努利变量，其分布函数如式(2)所示： 

$x~\left(\begin{array}{cc}1& -1\\ p& 1-p\end{array}\right)---\left(2\right)$

其中N为每个通道输出的行图像数据的数目，N/M为压缩比，p为概率； 

测量数据合成模块：将各通道测量数据Y合成为一整行压缩图像测量数据的模块。 

本发明利用伯努利随机测量矩阵将原始行图像数据X投影到测量信号Y，其数据量也从N减少到M，从而对原始数据进行了压缩。同时也可以看出，应用压缩感知算法进行数据压缩的方法非常简单，只需设计一个合适的测量矩阵φ，只进行一次矩阵乘法即可，且压缩比即为N/M，码率控制精确方便。本发明选用伯努利随机测量矩阵，该矩阵与任意的稀疏信号都不相关，它们能以非常高的概率满足约束等距性，因而在地面可以应用稀疏理论对原始数据进行恢复。 

本发明的有益效果： 

1)改进了星上多通道TDICCD相机内部信号的处理流程，将图像压缩提前，与图像合成一体化实现。对多通道TDICCD相机每个通道输出的原始图像数据分别进行压缩处理，然后将压缩后的图像直接合成，减少了合成时的图像数据，从而提高了成像电路的稳定性。 

2)应用压缩传感对图像数据进行压缩。根据压缩感知中测量矩阵的约束条件，构造测量矩阵，通过测量矩阵对多通道TDICCD相机每个通道输出的原始数据进行随机投影测量，直接获得数目小于原始数据的测量数据。测量矩阵事先构造完成，对原始图像压缩只进行了一次矩阵的乘法，算法简单可靠，并且通过测量矩阵的维数就可以确定图像数据压缩比，码率控制精确。 

本发明在星上对多通道TDICCD每个通道数据进行压缩感知，得到的压缩数据合成后传送到地面，在地面进行复杂的压缩感知重构算法。以在地面复杂的数据恢复算法，换取简单可靠的星上图像压缩方法，从而降低了星上电路的工作频率，提高了星上图像整合电路的稳定 性，同时节省了星上硬件资源。 

附图说明：

下面结合附图和具体实施方式对本发明作进一步详细说明。 

图1为本发明的基于压缩感知的星上实时图像合成压缩系统结构框图。 

图2为地面图像数据的压缩解码系统结构框图。 

图3为实时图像合成压缩结果对照。其中，图3(a)为原始遥感图像；图3(b)为2倍压缩后恢复图像；图3(c)为4倍压缩后恢复图像；图3(d)为8倍压缩后恢复图像；图3(e)为16倍压缩后恢复图像。 

具体实施方式：

如图1所示，本发明的基于压缩感知的星上实时图像合成压缩系统包括：n个压缩感知测量模块和测量数据合成模块。 

卫星遥感首先在星上对多通道TDICCD相机每个通道原始数据进行压缩感知测量，得到压缩后的数据，然后对压缩后的数据进行合成，将合成的数据流通过数传模块传输至地面，在地面进行压缩数据流的分解与解码，得到恢复后的图像。具体过程如下： 

1星上数据的压缩编码 

根据压缩感知理论，设计测量矩阵，通过测量矩阵对多通道TDICCD输出的每一通道原始信号进行随机测量，得到压缩后的数据，这一步骤称为压缩感知测量。 

其中的测量矩阵是把原始的可压缩信号投影到一个低维空间上的矩阵，在保证不损失原始信号有用信息的同时进行数据的压缩，并且在数据解压时可以通过适当的重构算法高概率的恢复原始信号。压缩感知的测量过程就是通过测量矩阵对原始信号随机投影的过程，从数学角度看，就是原始信号与测量矩阵做内积运算。达到了数据压缩的同时不丢失原始信号的有用信息，而且在压缩感知重构时依然可以对原始信号进行准确的重构。 

通过压缩感知的理论设计测量矩阵φ，每个压缩感知测量模块对TDICCD对应通道的原始数据进行压缩测量，过程如下公式所示。 

Y＝φ·X 

其中X∈R^N为该通道输出的一行图像数据，N为该通道的一行图像数据的数目(例如，遥感相机多通道TDICCD每个通道对应1024个像素，则每个通道输出的行图像数据的数目为1024)；φ为M×N的测量矩阵，Y∈R^M为测量数据，则通过随机矩阵测量，原始信号X投影到测量信号Y，其数据量也从N减少到M(本发明分别取512、256、128、64对算法进行验证)，从而对原始数据进行了压缩。同时也可以看出，应用压缩感知算法进行数据压缩的方法 非常简单，只需设计一个合适的测量矩阵φ，只进行一次矩阵乘法即可，且压缩比即为N/M，码率控制精确方便。 

但是，在压缩解码时，对于遥感图像而言，X一般自身不具备稀疏性，想要从测量数据Y和测量矩阵直接求解出X的全部解，在数学上是不可能的。但是X一般具有可压缩性，即如公式所示： 

ψ′·X＝S 

其中X∈R^N为一行图像数据，N为一行图像数据的数目；ψ′为稀疏基；S为稀疏表示的矩阵，其中有K个非零值，称为K-稀疏矩阵。标准小波变换(DWT)基可以对信号进行稀疏性的表示，因此本发明采用标准小波变换基作为ψ′，由于ψ′为可逆矩阵，因此得到 

X＝ψ·S 

则有： 

Y＝φψ·S 

在上式中，可以通过压缩感知重构算法，首先得到S中K个非零值的估计(之所以叫估计，是由于真实的X是未知的，其小波系数S也是未知的，S是由测量数据Y通过算法估计得到的，是一个逼近值)，然后再得到X。但是，这就要求测量矩阵φ和稀疏基矩阵ψ满足不相关性，同时测量矩阵φ要满足约束等距性(RIP)。其定义如下： 

$(1-{\mathrm{\δ}}_s){\left|\right|c\left|\right|}_{l_2}^2\≤{\left|\right|{\mathrm{\φ}}_{T}c\left|\right|}_{l_2}^2\≤(1+{\mathrm{\δ}}_s){\left|\right|c\left|\right|}_{l_2}^2$

其中，φ_T， 

是从测量矩阵φ中按照索引值T抽取的M×|T|子矩阵，C为系数序列(c_j)j∈T，若存在常数0＜δ_s＜1，使得上式成立，则测量矩阵φ满足约束等距性。根据条件，本发明设计了伯努利随机测量矩阵，矩阵的形式如下： 

$\left[\begin{array}{cccc}{a}_{11}& a_{12}& ...& a_{1N}\\ a_{21}& a_{22}& ...& a_{2N}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ a_{M1}& a_{M2}& ...& a_{\mathrm{MN}}\end{array}\right]$

其中，每个元素a₁₁，a₁₂，…，a_MN都是独立同分布的伯努利变量，其分布函数如下所示： 

$x~\left(\begin{array}{cc}1& -1\\ p& 1-p\end{array}\right)$

其中p为概率。这样的测量矩阵，与任意的稀疏信号都不相关，它们能以非常高的概率满足约束等距性。 

压缩感知的测量过程就是，直接通过设计的测量矩阵，对多通道TDICCD每通道输出的原始图像数据进行投影测量，得到其压缩后的测量数据Y。 

2压缩数据的合成与传输 

经过压缩感知的测量，多通道TDICCD一个通道数量为N的原始图像数据X，变成数量为M的测量数据Y，然后由测量数据合成模块将每个通道的测量数据Y进行整合，合成后的数据流通过数传模块传送至地面，进行压缩解码。 

3地面数据的压缩解码 

如图2所示，压缩数据通过数传模块到达地面后，首先对压缩的数据流进行分离，得到多通道TDICCD对应的每一通道的压缩数据，在高性能的工控计算机上进行复杂的压缩数据解码，也就是压缩传感的重构算法。可以采用正交匹配追踪OMP(Orthogonal MatchingPursuit)算法(参考文献Gitta Kutyniok.Compressed Sensing：Theory and Applications.2012.3.12)，它的核心思想是基于贪婪迭代的稀疏分析法，通过在测量矩阵中选取与原始信号最优匹配的原子，如此迭代求出原始信号表示的残差，然后在测量矩阵中继续选取与该残差最优匹配的原子，经过若干次的迭代后，即可找到能对原始信号进行线性表示(逼近)的那些原子。这样就得到了恢复的一个通道的原始图像数据，最后将数据合成为恢复的图像。 

然后按照压缩感知的正交匹配追踪重构算法进行解码，流程如下所示： 

图3为实时图像合成压缩结果对照，表1为压缩效果的性能评价。 

表1 

Claims (1)

1.一种基于压缩感知的星上实时图像合成压缩系统，其特征在于包括：

n个压缩感知测量模块：每个压缩感知测量模块利用式(1)对多通道TDICCD的对应通道输出的原始行图像数据X进行随机测量，得到压缩后的测量数据Y；

Y＝φ·X                    (1)

其中φ为M×N的伯努利随机测量矩阵，其矩阵形式如下：

$\left[\begin{array}{cccc}{a}_{11}& a_{12}& ...& a_{1N}\\ a_{21}& a_{22}& ...& a_{2N}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ a_{M1}& a_{M2}& ...& a_{\mathrm{MN}}\end{array}\right]$

其中，每个元素a₁₁，a₁₂，…，a_MN都是独立同分布的伯努利变量，其分布函数如式(2)所示：

$x~\left(\begin{array}{cc}1& -1\\ p& 1-p\end{array}\right)---\left(2\right)$

其中N为每个通道输出的行图像数据的数目，N/M为压缩比，p为概率；

测量数据合成模块：将各通道测量数据Y合成为一整行压缩图像测量数据的模块。

Images