CN103269429B - 一种超光谱信号快速矢量量化编码方法 - Google Patents
一种超光谱信号快速矢量量化编码方法 Download PDFInfo
- Publication number
- CN103269429B CN103269429B CN201210430567.3A CN201210430567A CN103269429B CN 103269429 B CN103269429 B CN 103269429B CN 201210430567 A CN201210430567 A CN 201210430567A CN 103269429 B CN103269429 B CN 103269429B
- Authority
- CN
- China
- Prior art keywords
- vector
- code book
- dimension
- component
- trained
- 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
Abstract
本发明针对超谱图像巨大的数据量,提出了一种基于最佳排序和子矢量的快速的超谱信号矢量量化压缩编码方案。对输入矢量进行哈达玛变换,构造初始码书,利用初始码书进行矢量分量的能量分布估计,利用估计结果,重排矢量的分量,改善矢量的能量分布,同时利用能量的聚集特点,截取矢量的前部分量构造子矢量。在子矢量域,利用3步排除不等式,实施快速聚类,高效生成最终码书和编码。本发明提供的超谱图像压缩方案,能够以可忽略的图像质量损失来换取计算复杂度的大大的减少,达到快速生成码书和编码的目标。<!--1-->
Description
技术领域
本发明属于超光谱遥感图像处理领域,具体涉及一种基于最佳排序和子矢量技术的超光谱图像数据矢量量化压缩编码。
背景技术
随着遥感技术在地球资源管理、环境检测、军事侦测等应用领域的不断扩大,以往的多光谱图像数据由于仅仅在空间分辨率上有所提高,己经不能满足人们日益增长的科研和生产需求。例如传统多光谱图像仅包含4~7个离散的谱带,而人们感兴趣的地物目标其吸收特性一般只有20~40nm的宽度,故当谱带内的地物目标光谱特性相近时,多光谱图像的应用就受到限制。此时必须利用更多的谱带,通常包括几百个谱带,这就是超光谱图像,有效区分目标。
与多光谱图像相比,超光谱图像的突出特点是谱分辨率很高,这使得超光谱图像可以区分并识别多种地物目标。但它较高的分辨率是以其较大的数据量和较高的数据维为代价的。例如标准的AVIRIS图像,其谱带间的图像空间分辨率为614×512×16bit,每个像素的数据维数为224,这样的一幅超光谱图像的数据量大约为140Mbit,比多光谱图像的数据量大得多、数据维高得多。这给超光谱图像的传输和存储带了较大的困难,因此,寻求一种有效的压缩技术具有十分重要的意义。
矢量量化技术就是一种有效的超光谱图像压缩技术。其基本原理就是将一个k维空间Rk{xij}(其中i=1,2,…,M;j=1,2,…,k)划分为N(N≤M)个互不相交的子空间(胞腔),在每一个子空间中寻找一个代表矢量(码字)yi={yi1,yi2,…,yik},记为矢量集y={y1,y2,…,yN}(码书)。在信道中只需传输码字和其索引值,在接收端根据索引值进行查表重构输入矢量。码书设计和码字快速搜索是矢量量化的两大关键技术,码书设计的目的就是寻找最优码书,使得失真达到最小,以保证重构恢复图像的效果。码字快速搜索就是如何快速找到与输入矢量失真最小的码字以减少计算复杂度和易于硬件实现。
LBG算法是矢量量化码书设计的经典算法,为矢量量化的发展奠定了基础。它的基本原理是轮流迭代初始码书,在迭代过程中轮流满足最邻近条件和质心条件,在训练时将训练矢量划分到最近的胞腔,迭代结束后取胞腔的质心作为码书中的码字。
利用LBG算法训练超光谱图像,经过多次迭代后能够得到性能良好的码书,在信道中同时传输最终形成的码书以及各个训练矢量所对应码字的索引,在接收端只需要利用索引在码书中查找对应的码字来重构原矢量即可,从而可以恢复超光谱图像信号。LBG算法是一种优越的算法,它物理逻辑简单,易于实现,但是,LBG算法存在码书自适应能力不强的缺点,从运算复杂度来看,其聚类过程中需要大量的失真计算。
发明内容
本发明所要解决的问题是:针对现有技术聚类过程中训练超光谱图像计算量大,运算复杂度高,提出一种快速超光谱图像压缩方案,以牺牲较小的峰值信噪比换取较高的压缩比和编码效率。
本发明解决上述问题采用的技术方案是:提出一种超谱图像压缩方法,该方法包括:读取超谱图像数据,选取每个波段中的一段图像块作为矢量量化的输入信源,根据图像块尺寸和波段数构建3维矩阵,将3维矩阵转换为具有2的整数幂次的行矢量的矩阵B';对矩阵B'的行进行哈达玛变换,对哈达玛变换后的矢量,利用分类平均法得到初始码书;构造基于初始码书的统计矢量,对统计矢量每维分量依能量的大小降序排列,获得一个最佳排序索引IOTH;根据最佳排序索引对初始码书和训练矢量的分量进行排序,得到最佳排序码书和排序后训练矢量集合,选取训练矢量集合的前部m维的分量作为训练子矢量,子矢量中集中了矢量的绝大部分能量,可用于似描述矢量的特性;在子矢量域,搜索所有训练矢量的最佳匹配码字,更新训练矢量胞腔索引值,以胞腔的质心更新作为当前最佳匹配码字,获得最终码书和聚类索引I,对聚类索引I进行反排,得到编码索引I2,并经Hadamard反变换,得到空域码书y。打包最终码书y和编码索引I2作为码书和压缩数据。
具体包括如下步骤:①读取超光谱图像,选取每个波段中的一段图像块作为矢量量化的输入信源,根据图像尺寸和波段数构建3维矩阵,并转化为2维矩阵B;②在2维矩阵中添加一定维数的全零列向量,构成具有2的整数次幂的行向量的矩阵B',以便于进行行矢量的哈达玛变换,此时的行向量即为一个矢量;③对2维矩阵B'进行哈达玛(Hadamard)变换,将变换后的矩阵按照第一维分量值对矢量进行升序排列,记录此时排序索引I1,获得矢量排序后的矩阵E(训练矢量集),然后对矩阵E按行平均分组,依次选择每组第一个矢量生成初始码书;④构造基于初始码书的一个统计矢量,对其每维分量依能量的大小实施降序排列,同时获得相应的最佳排序索引IOTH;⑤利用最佳排序索引IOTH,对码字和训练矢量的分量进行重新排列,得到最佳排序初始码书和训练矢量;
⑥考虑最佳排序后的矢量能量主要集中在其前部的小部分分量上,通过直接截取前m维分量,使子矢量集中预定的能量,得到最佳排序子矢量,如截取超光谱信号的224维矢量的前m=50维分量构成子矢量,子矢量集中大约97%以上的矢量的能量;⑦在子矢量域,利用三步排除算法快速搜索最佳匹配码字,然后将训练矢量划分到最佳匹配码字所对应的胞腔,直到训练完所有的矢量,以胞腔的质心更新最佳匹配码字。在达到迭代阈值后,输出最终码书和训练矢量的聚类索引(胞腔号)I。⑧利用IOTH反重排码书矢量分量,并经Hadamard反变换,得到空域码书y。利用排序索引I1对于聚类索引(胞腔号)I进行反排,得到按超光谱信号顺序读取并量化的编码索引I2。⑨打包空域码书y和编码索引I2,作为码书以及超光谱图像的编码结果发送给接收端。
所述三步排除算法具体为:截取最佳排序训练矢量OX和初始码书OY的前m维分量构成对应子矢量SOX、SOY,对于训练矢量OX,从其上一轮的归属胞腔的码字OYp开始,计算矢量SOX和码字SOYp的欧式距离,将其作为当前最小失真Dmin,对于当前码字OYj,如果满足D1=(OX1-OYj1)2≥Dmin,排除码字OYj;否则计算Hadamard域子矢量的方差D2=(OX1-OYj1)2+(VX-Vj)2(OX1是OX的第一维分量,OYj1是OYj的第一维分量,m是子矢量的维数)。如果满足D2≥Dmin,则排除码字OYj;否则计算部分失真 如果满足Dq(SOX,SOYj)≥Dmin,则排除码字OYj。在子矢量域,计算3步排除后剩余的码字与OX的欧式距离,找出其距离最近的码字,记录相应码字的索引号I(j),将训练矢量OX划分到第I(j)个胞腔中。
矢量量化压缩编码过程中,只需要存储码书以及各个训练矢量对应于码书的编码索引作为压缩数据,在接收端的译码,只需要利用接收到的索引值,在收到的码书中查找所对应的码字来代替训练矢量,从而恢复超光谱图像。值得注意的是,传输的数据量相对于原始超光谱图像的数据量来说是非常小的,因此,通过矢量量化编码可以达到有效压缩超光谱图像的目的。采用本发明提出的超谱信号快速矢量量化方案进行压缩编码,运算复杂度低,在保证图像质量的前提下,得到了较高的压缩比和高效率编码。
附图说明
图1是传统的LBG算法流程框图;
图2是本发明方案流程框图
图3a采用一般Hadamard转换时,统计矢量的分量分布情况
图3b采用本发明最佳排序后,统计矢量的分量分布情况
具体实施方式
本发明在保证恢复超光谱图像质量的前提下,得到了较高的压缩比和编码速率。包括如下几个方面:
对哈达玛(Hadamard)变换后的矢量,按照矢量第一维分量大小对输入矢量进行升序排列,获得排序索引I1,并按照平均分组,选择每组第一个训练矢量生成初始码书。构造基于初始码书的一个统计矢量,对其每维分量依能量的大小实施降序排列,同时获得相应的最佳排序索引IOTH。根据最佳排序索引对初始码书和训练矢量的分量排序,得到最佳排序后的初始码书和训练矢量。选取最佳排序初始码书的前m维作为初始码书子矢量集,选取最佳排序训练矢量集的前m维作为训练子矢量集。计算各个训练子矢量和初始码书中码字子矢量的误差,计算平均误差,并设置迭代次数。
在子矢量域,引入三步排除不等式,快速搜索训练矢量的最佳匹配码字,然后将此训练矢量划分到它所对应的胞腔中,直到划分完所有的训练矢量,最后用胞腔的质心来更新当前最佳匹配码字。
在每轮迭代之前预先判断累计迭代次数是否达到设定阈值,若达到设定阈值,打包码书和所有矢量最佳匹配码字的索引,否则继续训练。
以下具体描述本发明的实现方式:
⑴构造矢量
读取超光谱图像数据,选取每个波段中的一段图像块作为矢量量化的输入信源数据,由超光谱图像每一个像元的波段值构成矢量量化的高维训练矢量。
具体可采用美国喷气实验室提供的免费超光谱源数据,这些源数据被绝大多数研究者使用,研究结果具有可比性。以典型的AVIRIS超光谱图像为例,它具有224个波段,每个波段的图像尺寸是512×614。假设在每个波段中截取大小为256×256的图像块,这样生成的图像块矩阵P为(256,256,224)。将此3维矩阵P转化为2维矩阵B,其转换方式是将矩阵P的前两维作为B矩阵的行向量,第3维数据作为B矩阵的列向量,这样B就为(256×256,224)的二维矩阵,以便对于以行向量为矢量的数据进行矢量量化。
(2)对构造矢量进行Hadamard变换
矢量的Hadamard变换,是将多个行矢量组成的矩阵(假设矩阵维数为M×N)右乘Hadamard(维数为N×N)矩阵,完成对于行矢量的Hadamard变换,获得M×N维的变换后矢量。Hadamard矩阵是一组只含有{1,-1}的矩阵,对数据进行Hadamard变换不需要乘法运算,而只需简单的加减法即可完成。假设Hn为2n×2n的Hadamard矩阵,空域中输入矢量x为k维矢量,k=2n(n>0),变换后矢量为X,有如下性质:
1)X1=sx,这里X1是输入矢量X的第一维分量,sx为空域中输入矢量x的和值,即Hadamard域中矢量X的第一维分量是空域矢量x的和值;
2)此处Lx为Hadamard域中X范数的开方,即Hadamard域中矢量X的范数是空域中矢量x范数的k倍;
3)D(X,Yj)=kd(x,yj),Yj为码字yj的Hadamard变换,这里d(x,yj)是空域中矢量x和码字yj的欧式距离,D(X,Yj)是Hadamard变换域中矢量X和码字Yj的欧式距离,即Hadamard变换前后的欧式距离成倍数关系。
因此在Hadamard域和空域中搜索最近邻码字是等价的,而且可以代替和值运算,从而达到减少计算复杂度的目的。由于Hadamard变换域算法要求矢量维数必须是2n,而B矩阵列的维数是224,即矢量的维数是224,将B矩阵列维数扩充为2n,本实施例扩充为256=28维,最简单的方法即是在B矩阵的每一行后面添加32维的0矢量。扩充后的矩阵的每一行就可以顺利的进行Hadamard变换。
(3)对矢量分量进行最佳排序和构造最佳排序矢量的子矢量
初始码书能基本描述训练序列的矢量量化特征,因此利用初始码书进行矢量分量的能量分析,能用于描述训练矢量分量的能量分布情况,基于可操作性和计算量的考虑,为获得矢量分量的能量分布,我们提出使用一个统计矢量hY进行矢量分量能量分布估计,可用于有效反映初始码书矢量和训练矢量分量的能量百分比分布,具体使用如下算式:
其中,表示码书Y的第i维分量的绝对值的平均值,hYi表示统计矢量hY的第i维分量,N为码书大小。
如对于一个超光谱数据的实验,码书尺寸N=2048,维数256,采用一般Hadamard转换时,矢量hY的分量分布如图3a所示。由图3a可以看到,采用一般Hadamard转换时,变换域的矢量分量能量不是递减分布的。因此,对于矢量hY分量按其数值大小,降序排列,得到矢量分量的最佳分布,同时可以获得最佳排序索引IOTH。新的分量分布如图3b所示。
由图b可以看出,经过最佳排序后码书分量的能量向矢量前部聚集,若截取前50维分量为子矢量,可集中约97%以上的矢量的能量,通过截取最佳排序矢量前部集中绝大部分矢量能量的分量,可构造本发明使用的子矢量。
根据最佳排序索引IOTH,对初始码书和训练矢量的分量排序,获得最佳排序训练矢量OX和初始码书OY,截取它们前m维分量构成对应子矢量SOX、SOYj,得到最佳排序后的初始码书和训练矢量的子矢量集。
(4)结合快速搜索算法和LBG算法设计码书
快速搜索方法可采用不等式排除不必要的码字获得码书。所述不等式排除算法具体为:对于最佳排序训练矢量OX,从其上一轮的归属胞腔的码字OYp开始,计算矢量SOX和码字SOYp的欧式距离,将其作为当前最小失真Dmin,对于当前码字OYj,如果满足D1=(OX1-OY1j1)2≥Dmin,排除码字OYj,;否则计算Hadamard域子矢量的方差D2=(OX1-OYj1)2+(VX-Vj)2( m是子矢量的维数)。如果满足D2≥Dmin,则排除码字OYj;否则计算部分失真如果满足Dq(SOX,SOYj)≥Dmin,则排除码字OYj。排除后剩余的码字与OX的欧式距离,找出其距离最近的码字,记录相应码字的索引号I(j),将训练矢量OX划分到第I(j)个胞腔中。
其中,OX1、OYj1分别表示为训练矢量OX和码字OYj的第一维分量,VX、Vj分别表示OX和OYj的子矢量的方差,Dmin为当前与OX匹配码字的子矢量的最小欧式距离。D(SOX,SOYj)表示训练矢量OX与码字OYj之间的子矢量的欧式距离,采用上述方法匹配码字,大量的子矢量间距离计算可以免去,由此大大降低了设计的计算复杂度。
具体地,在Hadamard变换域,每输入一个矢量OX,以其上一轮的胞腔码字OYp作为初始匹配的码字,计算出它与OX的子矢量之间的欧式距离D(SOX,SOYp),作为当前匹配OX的码字的子矢量间最小距离Dmin=D(SOX,SOYp);然后,以这个码字OYp为中心,在码书中,上下交替搜索其他码字OYj,利用3步排除算法逐步排除不必要的码字;最后,在剩余的码字中,计算它们与矢量OX的子矢量的欧式距离,选出距离最近的对应码字,作为OX的最佳匹配码字,同时更新OX胞腔索引值。本方法使用最佳排序和子矢量,有效加快聚类速度,有助于快速的生成最终码书。
在MATLAB7.1软件平台下结合附图对本发明方案的实例进行详细说明。使用从美国喷气实验室下载的超光谱图像数据,每一个场景是512×614×224像素的规格,每个像素的数据以两个字节的带符号整数记录。通过仿真实验对本发明方案和基于LBG算法的矢量量化超光谱图像压缩算法进行比较。
步骤1:利用MATLAB函数库中的fopen函数和fread函数读取超光谱数据源,得到超光谱数据源的3维矩阵A(有512行,614列,224个波段,简记为(512,614,224));
步骤2:保持3维矩阵不变,选取矩阵A的前256行、256列和所有波段,组成新的3维矩阵P(256,256,224),将3维矩阵P转化为2维矩阵B,以便矢量量化处理。其变换方式是将3维矩阵P的前两维转换为2维矩阵B的第一维,第3维作为2维矩阵B的第二维,最终生成B(256×256行和224列的矩阵,简记为(256×256,224))的矩阵;
步骤3:在2维矩阵B的每一行后添加32维的0矢量,形成维数为2的整数幂次(即256维)的行矢量,获得矩阵B'(256×256,256),为下一步进行Hadamard的行变换做准备;
步骤4:对B'的行进行Hadamard变换得到变换矩阵C(256×256,256),将矩阵C按照第一列分量的大小重新进行升序排序,记录这时的排序索引I1,获得行排序后的矩阵E,然后对矩阵E按行平均分组,依次选择每组第一行生成初始码书Y。
步骤5:根据初始码书,计算基于初始码书Y的统计矢量hY,进行矢量分量的能量分布的估计。统计矢量的计算公式为 k为矢量的维数。对统计矢量进行降序排列,得到最佳排序索引IOTH。利用最佳排序索引IOTH对码书的分量进行重新排序得到最佳索引排序后的码书OY。选取OY的前50维分量为子矢量,得到码书子矢量集SOY,
依IOTH排序训练矢量集E的行矢量,得到OE(排序后训练矢量OX的集合),截取其前50维得子矢量集SOE(子矢量SOX的集合)。
步骤6:根据码书大小N,对于待编码矢量集OE,设定编码索引矩阵I(1,256×256),置训练矢量的初始编码索引为并为每个训练矢量分配索引值。将训练矢量按照初始索引表的索引值分配到相应的胞腔中(具有相同索引值的矢量归属于相同的胞腔),从这个胞腔开始实施上下搜索,以减少搜索范围,降低运算复杂度。
步骤7:初始化迭代次数ite,ite的值根据需要来设定。
训练阶段:
步骤1:计算SOE中行矢量和SOY中矢量的方差,并保存在初始码书中;
步骤2:初始化存放训练矢量的胞腔V以及存放此胞腔训练矢量的个数U;
步骤3:对于待编码矢量OX,从其上一次迭代后其归属的胞腔开始搜索,计算SOX与码字SOYI(i)(I(i)是OX上一次的编码索引值,对应的OYI(i)就是其上一次OX的编码矢量)的欧式距离,并将此欧式距离作为当前最小失真Dmin;
步骤4:以码字OYI(i)为中心,使用上下查找法,对于当前码字OYj,如果满足D1=(OX1-OYj1)2≥Dmin,即训练矢量OX的第一维分量与码字OYj的第一维分量差值的平方大于当前最小欧式距离,就排除码字OYj,进入下列步骤a)或b)。否则进入步骤5;
a)当OX1≥OYj1时,排除码字OYi,i=1,…,j,转入步骤7;
b)当OX1≤OYj1时,排除码字OYi,i=j,…N,转入步骤7。(j为当前搜索的码字的下标,N表示码书的大小)
步骤5:计算D2=D1+(VX-Vj)2,即计算训练矢量OX的子矢量与码字OYj子矢量的方差差值平方与D1的和值,如果满足D2≥Dmin,则排除码字OYj,转入步骤7,否则转入下一步进行判断;
步骤6:根据部分失真公式其中q为不大于m维的整数。计算训练矢量OX与码字OYj的部分失真Dq(SOX,SOYj),如果满足Dq≥Dmin,则排除码字OYj,转入步骤7;否则继续累计部分失真,直到q的值为m,当D(SOX,SOYj)=Dq<Dmin,则令Dmin=D,更新训练矢量的编码索引值I(i)为当前最近的码字的下标值j,即I(i)=j,进入下一步;
步骤7:返回步骤4搜索下一个码字的最佳匹配,直到搜索完所有的剩余码字,获得当前训练矢量OX的最佳匹配码字以及其所对应编码索引I(i)(码字索引I(i)是上面通过多步排除后最终得到的当前训练矢量的最佳匹配码字的下标)。此时,将训练矢量OX归为第I(i)个胞腔中,置第I(i)个胞腔矢量个数计数器U(I(i))→U(I(i))+1和矢量存储器V(I(i))→V(I(i))+OX,转入下一步;
步骤8:输入下一个训练矢量,返回步骤2继续训练,直到所有的训练矢量被训练完为止,求出这N个胞腔的质心(质心计算公式V(I(i))/U(I(i)),即胞腔矢量和与胞腔矢量个数之商),并将这些质心替换原有码书中的码字,然后计算更新码字后的平均失真D(子矢量SOXi与匹配子码字SOYj之间的距离的平均值),置迭代次数ite→ite+1。
步骤9:判断是否达到设定的迭代次数ite,如果满足,所得OY作为最后的码书,I是对应的编码结果,否则转到步骤2进行下一轮训练。
步骤10:利用IOTH反重排码书OY的码字矢量分量,并经一般Hadamard反变换,得到空域码书y。利用排序索引I1对于编码索引(胞腔号)I进行反排,得到按超谱信号顺序读取并量化的编码的索引I2,这个索引正好对应排序前矩阵C的每行待编码矢量编码后的对应码字的下标。打包空域码书y和编码索引I2,作为压缩数据进行传输或存储。
超光谱图像压缩性能的好坏主要从图像的峰值信噪比(PSNR),图像的压缩比(CR),算法的计算机运行时间(CT),以及生成最终码书所需的计算复杂度进行评价,PSNR、CR、计算复杂度的具体表达式如下:
①而其中Peaksignal表示超谱图像矩阵B中的最大值,MSE为均方误差,k为矢量维数224,y(i,j),b(i,j)表示编码后第i个矢量的第j维分量,b(i,j)表示编码前的第i个矢量的第j维分量,256×256表示矢量个数。
②其中k为矢量维数224,N为码书尺寸,16代表每个像元用2个字节表示,256×256表示矢量个数。
③计算复杂度主要包括两个方面:一是平均每个矢量的失真计算量;二是平均每个像素的编码计算算符数,包括加减(±)、乘法(×)、比较(Com)、开方(Sqrt)运算。
以LunarLake和LowAltitude的第一场景的部分数据作为仿真测试信源,通过以上4个评价标准对LBG算法的超谱图像压缩和本发明方案进行了比较,N表示码书大小,表1列出了两种方法经过10次迭代的峰值信噪比PSNR、压缩比CR以及计算时间CT,表2列出了每次迭代平均每个矢量每一维距离计算的次数,表3列出了LunarLake图像经过两种算法处理后的运算复杂度,表4列出了LowAltitude图像经过两种算法处理后的运算复杂度。
表1.10次迭代两种算法的峰值信噪比与训练时间比较
表2.每次迭代每一维矢量的平均失真计算量比较
表3.LunarLake图像经过两种算法处理后的计算复杂度
表4LowAltitude图像经过两种算法处理后的计算复杂度
从实验结果可以看出:本发明提出的方法在保证了图像恢复质量(本发明方法的PSNR比LBG算法PSNR偏差很小)的前提下,计算时间远远小于LBG算法(表1);在计算复杂度方面,相对于全搜索算法,平均失真的计算量有90%以上的改进(表2),乘法与加减法的运算得到了非常大的降低(表3、4)。从图3a和图3b也可以看出本发明提出的方法处理超谱图像的效果也是相当的好的。表格1中给出了不同码书情况下的压缩比,得到的处理数据可以满足从一般的浏览领域到实际的工程应用的各种需求。超光谱图像所具有高数据维和大数据量的特点,是超光谱图像压缩编码一直关注的领域。不过由于种种原因,到目前为止一直没有形成一套成熟或标准的超光谱图像压缩技术,本发明方案可以作为进一步的工作方向。
Claims (5)
1.一种超谱图像压缩方法,其特征在于,读取超谱图像数据,选取每个波段中的一段图像块作为矢量量化的输入信源,根据图像块尺寸和波段数构建3维矩阵,将3维矩阵转换为具有2的整数幂次的行矢量的矩阵B';对矩阵B'的行进行哈达玛变换,对哈达玛变换后的矢量,利用分类平均法得到初始码书;构造基于初始码书的统计矢量,对统计矢量每维分量依能量的大小降序排列,获得一个最佳排序索引IOTH;根据最佳排序索引对初始码书和训练矢量的分量进行排序,得到最佳排序码书和排序后训练矢量集合,选取训练矢量集合的前部m维的分量作为训练子矢量,以集中矢量的能量;在子矢量域,搜索所有训练矢量的最佳匹配码字,更新训练矢量胞腔索引值,以胞腔的质心更新作为当前最佳匹配码字,获得最终码书和聚类索引I;利用IOTH反重排码书矢量分量,并经Hadamard反变换,得到空域码书y;对聚类索引I进行反排,得到编码索引I2,打包空域码书y和编码索引I2,作为码书和压缩数据。
2.根据权利要求1所述的方法,其特征在于,利用分类平均法得到初始码书具体为:对哈达玛变换后的矢量,按照第一列分量重新进行升序行排序,记录这时的排序索引I1,对行排序后的训练矢量集E按行平均分组,依次选择每组第一个训练矢量生成初始码书Y,设定训练矢量的胞腔索引矩阵I,将初始码书中训练矢量归属到相应的胞腔中。
3.根据权利要求1所述的方法,其特征在于,构造基于初始码书的统计矢量,具体为:根据公式:计算码书Y的第i维分量的绝对值的平均值根据公式:计算统计矢量的第i维分量hYi,其中,N为码书大小,i=1,2,…,k,k为矢量的维数。
4.根据权利要求1所述的超谱图像压缩方法,其特征在于,选取前部m维的分量作为训练子矢量,具体为:对统计矢量进行降序排列,得到最佳排序索引IOTH,根据最佳排序索引IOTH对初始码书的分量进行重新排序得到最佳排序码书OY,截取OY的前m(m<k)维分量为子矢量,得到码书子矢量集SOY,根据IOTH排序训练矢量集E的行矢量,得到排序后训练矢量OX的集合OE,截取其前m维得子矢量集SOE。
5.根据权利要求1所述的超谱图像压缩方法,其特征在于,更新训练矢量胞腔索引值具体为:找出排除码字后剩余的码字与OX的欧式距离最近的码字,记录相应码字的索引号I(j),将训练矢量OX划分到第I(j)个胞腔中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210430567.3A CN103269429B (zh) | 2012-11-01 | 2012-11-01 | 一种超光谱信号快速矢量量化编码方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210430567.3A CN103269429B (zh) | 2012-11-01 | 2012-11-01 | 一种超光谱信号快速矢量量化编码方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103269429A CN103269429A (zh) | 2013-08-28 |
CN103269429B true CN103269429B (zh) | 2016-05-25 |
Family
ID=49013036
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210430567.3A Active CN103269429B (zh) | 2012-11-01 | 2012-11-01 | 一种超光谱信号快速矢量量化编码方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103269429B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103442236B (zh) * | 2013-09-16 | 2016-11-02 | 重庆邮电大学 | 一种多级和分维矢量量化的遥感信号压缩编码方法 |
CN104244018B (zh) * | 2014-09-19 | 2018-04-27 | 重庆邮电大学 | 快速压缩高光谱信号的矢量量化方法 |
CN104244017B (zh) * | 2014-09-19 | 2018-02-27 | 重庆邮电大学 | 压缩编码高光谱遥感图像的多层次码书矢量量化方法 |
KR101958939B1 (ko) * | 2017-03-30 | 2019-03-15 | 오드컨셉 주식회사 | 벡터 양자화의 혼합에 기초한 부호화 방법 및 이를 이용한 최근접 이웃 검색(nns) 방법 |
CN109104248B (zh) * | 2018-07-06 | 2021-04-09 | 西南交通大学 | 一种基于SOFM神经网络聚类的DRoF前端信号量化方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6931373B1 (en) * | 2001-02-13 | 2005-08-16 | Hughes Electronics Corporation | Prototype waveform phase modeling for a frequency domain interpolative speech codec system |
CN101609674A (zh) * | 2008-06-20 | 2009-12-23 | 华为技术有限公司 | 编解码方法、装置和系统 |
CN102025998A (zh) * | 2010-12-28 | 2011-04-20 | 重庆邮电大学 | 一种数字图像信号矢量量化码书设计方法 |
CN102300095A (zh) * | 2011-09-15 | 2011-12-28 | 重庆邮电大学 | 一种超谱信号的快速压缩编码方法及图像压缩方法 |
-
2012
- 2012-11-01 CN CN201210430567.3A patent/CN103269429B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6931373B1 (en) * | 2001-02-13 | 2005-08-16 | Hughes Electronics Corporation | Prototype waveform phase modeling for a frequency domain interpolative speech codec system |
CN101609674A (zh) * | 2008-06-20 | 2009-12-23 | 华为技术有限公司 | 编解码方法、装置和系统 |
CN102025998A (zh) * | 2010-12-28 | 2011-04-20 | 重庆邮电大学 | 一种数字图像信号矢量量化码书设计方法 |
CN102300095A (zh) * | 2011-09-15 | 2011-12-28 | 重庆邮电大学 | 一种超谱信号的快速压缩编码方法及图像压缩方法 |
Non-Patent Citations (1)
Title |
---|
Hadamard域中结合矢量特征值和子矢量和值的码字快速搜索算法;陈善学,吴立彬,杜峰,王佳果;《重庆邮电大学学报(自然科学版)》;20110228;第23卷(第1期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN103269429A (zh) | 2013-08-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Canonical correlation analysis networks for two-view image recognition | |
CN103269429B (zh) | 一种超光谱信号快速矢量量化编码方法 | |
Tolias et al. | Image search with selective match kernels: aggregation across single and multiple images | |
CN102905137B (zh) | 超光谱信号的快速差值矢量量化压缩编码方法 | |
CN102300095B (zh) | 一种超谱信号的快速压缩编码方法及图像压缩方法 | |
Ge et al. | Sparse-Coded Features for Image Retrieval. | |
Li et al. | Hybrid shape descriptor and meta similarity generation for non-rigid and partial 3D model retrieval | |
CN102890700A (zh) | 一种基于体育比赛视频的相似视频片段检索方法 | |
CN112067129B (zh) | 一种高光谱处理方法及波段选择方法 | |
CN104254877A (zh) | 用于图像分析的方法和系统 | |
Chen et al. | CSIFT based locality-constrained linear coding for image classification | |
Xu et al. | Robust PCANet on target recognition via the UUV optical vision system | |
Chen et al. | Hyperspectral image classification based on multi-stage vision transformer with stacked samples | |
WO2016037848A1 (en) | Image recognition using descriptor pruning | |
Gupta et al. | Combination of local, global and k-mean using wavelet transform for content base image retrieval | |
CN103442236B (zh) | 一种多级和分维矢量量化的遥感信号压缩编码方法 | |
Wang | Improving bag-of-deep-visual-words model via combining deep features with feature difference vectors | |
CN104244018B (zh) | 快速压缩高光谱信号的矢量量化方法 | |
CN116089660A (zh) | 一种监测系统的数据存储方法 | |
Gorisse et al. | IRIM at TRECVID 2010: semantic indexing and instance search | |
Murtaza et al. | DA-VLAD: Discriminative action vector of locally aggregated descriptors for action recognition | |
Lin et al. | Learning multiple codebooks for low bit rate mobile visual search | |
Dimitriou et al. | Improved motion segmentation using locally sampled subspaces | |
Mantziou et al. | Large-scale semi-supervised learning by approximate laplacian eigenmaps, VLAD and pyramids | |
Peng et al. | Learning to multimodal hash for robust video copy detection |
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 |