CN103391438A - 一种高光谱图像压缩编码方法及装置 - Google Patents

Abstract

本发明提供的是一种高光谱图像压缩编码方法及装置。该方法包括：检测高光谱图像，获得高光谱图像中包含的目标部分和背景部分；将目标部分和背景部分分离；分别对目标部分和背景部分进行压缩和编码。通过将目标部分和背景部分分别压缩编码，本发明提高了高光谱图像压缩编码的可靠性和高效性。

Description

一种高光谱图像压缩编码方法及装置

技术领域

本发明涉及的图像编码领域，具体地说是一种基于高光谱图像压缩编码方法和装置。

背景技术

高光谱图像压缩编码技术作为高光谱图像处理的重要研究方向，长期以来受到各国专家学者以及工程技术人员的广泛关注，并已经在农业、矿物勘探、军事国防等领域得到了广泛的应用。高光谱图像通过利用成像和光谱技术能够提供大量的地物细节信息，能够反映地物在成百上千的电磁光谱波段上的特征。但是，伴随着高光谱技术的不断发展，人们对高光谱图像的要求也逐渐增高，这就造成了空间、光谱分辨率、和光谱波段数的不断扩大；从而使高光谱数据立方体的体积不断变大，因而在存储和传输高光谱图像数据方面会产生困难。为此，高光谱图像压缩编码是解决这一问题的唯一选择。目前，主要的高光谱图像压缩方法主要可以分为三类：预测模型方法、向量量化方法和变换技术。在预测模型方法中，通过考虑光谱数据的空间相关性和谱间相关性，建立一个数学模型，通过一部分图像数据来预测并编码整幅图像数据。但是，这种方法的性能在很大程度上取决于所选取的数学模型。在向量量化方法中，根据图像数据建立一个编码表和每一个像元所对应的标号，然后进行存储和传输。虽然这种方法通常能够获得一个较高的压缩比特率，但是其编码较为复杂，而且图像失真较为严重。在变换技术中，通常有两个步骤：首先，将图像数据变换到新的域，获得一系列的系数，然后再对系数进行编码。较为常用和典型的变换方法有离散余弦变换（Discrete CosineTransform，简称为DCT）、离散小波变换（Discrete Wavelet Transform，简称为DWT）和K-L变换（Karhunen-Loeve Transform，简称为KLT）。KLT是效果最好的变换方法，但是其计算代价较高，因此，DCT和DWT是常用的变换方法。这些典型的变换方法已经成功地从二维空间扩展到三维空间。然而，这些方法只是将图像无差别的进行压缩和编码，压缩后会造成无法恢复的图像质量的退化，解压后得到的图像可靠性较差。

发明内容

本发明的目的在于提供一种能够提高后续图像数据处理的可靠性和高效性的高光谱图像压缩编码方法。本发明的目的还在于提供一种高光谱图像压缩编码装置。

一方面，本发明提供了一种高光谱图像压缩编码方法，包括：

检测高光谱图像，获得高光谱图像中包含的目标部分和背景部分；

将目标部分和背景部分分离；

分别对目标部分和背景部分进行压缩和编码。

在现有技术中的压缩编码方案中，并不关注图像中的内容，而直接将图像进行压缩，这样，图像的奇异程度会对压缩结果造成影响。在本发明示出的方案中，将背景和目标部分分离，分别对其进行压缩和编码，使每一部分都相对较为均一，压缩结果更好，从而解决了现有技术中的提高图像数据处理的可靠性的问题。

优选的，检测高光谱图像，获得高光谱图像中包含的目标部分和背景部分，包括下列步骤：

计算第一重建误差和第二重建误差，其中，第一重建误差是背景字典对待测像元光谱的重建误差，第二重建误差是目标字典对待测像元光谱的重建误差；

如果第一重建误差和第二重建误差均大于门限，则确定待测像元属于目标部分；否则，确定待测像元属于背景部分。

通过重建误差的方法，能够较为正确的挑选目标部分的像元，从而能够正确获得目标部分和背景部分。

优选的，在计算第一重建误差和第二重建误差之前，该方法还包括：

计算自适应空间支持区域大小；

将自适应空间区域中的像元光谱转化为一个矩阵，其中，矩阵的每一列为一个像元的光谱；

根据给定的过完备字典，利用贪婪追踪算法计算每一像元的邻域空间窗口内像元光谱的稀疏表示。

优选的，将目标部分和背景部分分离包括下列步骤：

提取出目标部分；

将目标部分的区域大小扩展为N的倍数，其中，N是正整数；

使用背景部分的均值，将背景部分中由于去除目标部分而造成的缺失区域补齐。

优选的，N是8。

优选的，分别对目标部分和背景部分进行压缩和编码包括下列步骤：

对目标部分和背景部分，使用2维离散余弦变换DCT或者3维DCT变换对图像进行处理；

使用差分脉冲编码调制DPCM编码器对DCT系数进行编码；

将编码后得到的比特进行串联，得到压缩数据比流。

另一方面，还提供了一种高光谱图像压缩编码装置，其特征是，包括：

检测模块，用于检测高光谱图像，获得高光谱图像中包含的目标部分和背景部分；

分离模块，用于将目标部分和背景部分分离；

压缩和编码模块，用于分别对目标部分和背景部分进行压缩和编码。

本发明方法的优点在于：

在传统的压缩方法中，高光谱图像中包含的所有数据都被平等的对待。为了避免图像失真，保证图像的质量，本发明充分考虑图像中包含的内容，特别是感兴趣的目标。因为高光谱图像中包含的目标构成了大量的高频成分，这些都造成图像压缩编码的严重失真。而且在压缩中，我们尤为关注的是图像中的一部分，特别是目标部分的情况。我们希望能够在压缩编码中保持图像的质量，特别是我们感兴趣的目标部分的质量。然而由于压缩所造成的图像质量的损失不可不免。为此，本发明中将目标和背景部分分别压缩编码。该发明方案充分考虑了图像中包含的目标信息，通过将目标和背景分开压缩和编码，使每一部分的图像都较为均一和平滑，从而减小压缩编码所造成的图像失真。

附图说明

图1(a)是相邻像元光谱曲线的示意图；

图1(b)是相邻像元光谱的稀疏表示的示意图；

图2(a)是模拟仿真实验数据(第50波段)的示意图；

图2(b)是玉米种子仿真实验数据(第50波段)的示意图；

图2(c)是黄石公园仿真实验数据(第50波段)的示意图；

图3(a)是模拟仿真实验数据的真实目标分布的示意图；

图3(b)是玉米种子仿真实验数据的真实目标分布的示意图；

图3(c)是黄石公园仿真实验数据的真实目标分布的示意图；

图4(a)是模拟仿真实验数据通过传统2维DCT压缩后的重建图像(第50波段，Q=50)的示意图；

图4(b)是模拟仿真实验数据通过基于目标分离的2维DCT压缩后的重建图像(第50波段，Q=50)的示意图；

图4(c)是模拟仿真实验数据通过传统3维DCT压缩后的重建图像(第50波段，Q=50)的示意图；

图4(d)是模拟仿真实验数据通过基于目标分离的3维DCT压缩后的重建图像(第50波段，Q=50)的示意图；

图5(a)是模拟仿真实验数据通过传统2维DCT压缩后的目标检测结果(Q=50)的示意图；

图5(b)是模拟仿真实验数据通过基于目标分离的2维DCT压缩后的目标检测结果(Q=50)的示意图；

图5(c)是模拟仿真实验数据通过传统3维DCT压缩后的目标检测结果(Q=50)的示意图；

图5(d)是模拟仿真实验数据通过基于目标分离的3维DCT压缩后的目标检测结果(Q=50)的示意图；

图6(a)是模拟仿真实验数据在不同质量指数Q下的MSE的示意图；

图6(b)是模拟仿真实验数据在不同质量指数Q下的平均PSNR的示意图；

图6(c)是模拟仿真实验数据在不同质量指数Q下的平均虚警概率PFA的示意图；

图6(d)是模拟仿真实验数据在不同质量指数Q下的平均检测概率PD的示意图；

图7(a)是玉米种子实验数据在不同质量指数Q下的MSE的示意图；

图7(b)是玉米种子实验数据在不同质量指数Q下的平均PSNR的示意图；

图7(c)是玉米种子实验数据在不同质量指数Q下的平均虚警概率PFA的示意图；

图7(d)是玉米种子实验数据在不同质量指数Q下的平均检测概率PD的示意图；

图8(a)是黄石公园实验数据在不同质量指数Q下的MSE的示意图；

图8(b)是黄石公园实验数据在不同质量指数Q下的平均PSNR的示意图；

图8(c)是黄石公园实验数据在不同质量指数Q下的平均虚警概率PFA的示意图；

图8(d)是玉米种子实验数据在不同质量指数Q下的平均检测概率PD的示意图；

图9是根据本发明实施例的高光谱图像压缩编码方法的示意图。

具体实施方式

下面通过具体实施例对本发明所述的方法进行详细描述。

本发明提供了一种高光谱图像压缩编码方法，如图9所示，该方法包括：

1.读入高光谱图像数据

这一图像大小为m×n，每个像素有B个波段特征，x_i,j是样本数据集合X中的样本，i,j为位置坐标，R^B代表B维特征空间；

2.高光谱图像目标检测，这里采用一种基于自适应空间支持稀疏表示的高光谱图像目标检测算法来检测高光谱图像中包含的目标信息。在高光谱的图像空间中，相邻的像元归属于同一种地物类别的可能性很大，即它们的光谱在一定程度上具有高度的相关性。若存在一个像元光谱和它的相邻的像元光谱，由于它们属于同一种地物的可能性很大，光谱具有很高的相似性。如图1所示，在高光谱图像数据中随机选择了两个相邻像元，将其光谱曲线和稀疏表示进行比较。根据高光谱图像的这一特性，选择了这种基于自适应空间支持稀疏表示的高光谱图像目标检测算法，其检测步骤包括：

a.遍历图像的每一个像元，确定每一个像元的邻域空间窗口的大小；其中对于每个像元的邻域空间窗口的大小确定方法如下：首先，初始化邻域空间窗口W为当前像元x_i,j，并设x_i,j为中心像元和设相似性的阈值为δ；然后，计算当前邻域空间窗口中所有像元的4-邻域像元光谱

与中心像元的光谱x_i,j的相似性

如当前邻域空间窗口内像元光谱

与中心像元光谱x_i,j的相似性大于设定的阈值，则将像元加入到空间窗口中；重新计算当前邻域空间窗口中所有像元的4-邻域像元光谱

与中心像元的光谱x_i,j的相似性，直到没有新的像元加入到空间窗口为止；在本步骤确定的邻域空间窗口W中，包含了所有与中心像元光谱相似的临近像元将待检测像元。

b.将邻域空间窗口W中所有像元的光谱转化为一个矩阵M，其大小为N×B，其中N为空间窗口中所含的像元个数，B为特征波段个数。由于这N个像元归属于同种地物的可能性很大，光谱具有很高的相似性，它们应该能用只包含λ_K个原子的子字典

来线性表示

其中，t=1,2,...,N，N为该邻域窗口内像元总个数，标号集合Λ_K={λ₁,λ₂,…,λ_K}是字典D中系数非零的原子标号。邻域空间窗口内图像数据矩阵M可以被重新表示为

其中，属于中心像元x_i,j邻域空间窗口的像元集合[x₁,x₂,…,x_N]的稀疏表示[α₁ α₂ ... α_N]有共同的标号集合Λ_K，并且S是一个只有λ_K个非零行的稀疏矩阵。

然后，求解像元光谱x的稀疏表示的系数向量α的最优解，S=argmin||S||₀约束条件为DS=M。其中，||·||₀表示求解l₀范数，但是最小化l₀范数问题是一个NP-hard问题。由于α满足稀疏特性，故而可以用求解Frobenius范数来近似地替代求解l₀范数问题：S=argmin||S||_F约束条件为DS=M。这一过程采用追踪算法求解。本发明中使用同时子空间跟踪（Simultaneous Subspace Pursuit，简称为SSP）贪婪追踪算法来计算稀疏向量。

c.运用步骤b中求出的稀疏向量α，判断像元x_i,j是否为目标。由于稀疏矩阵S是使用字典D对像元光谱矩阵M稀疏表示的系数权向量，它由代表背景子字典的系数权向量S_b和代表目标子字典的系数权向量S_t组合而成。分别计算背景字典对待测像元光谱x_i,j的重建误差r_b(x_i,j)＝||M-D_bS_b||_F和目标字典对待测像元光谱x_i,j的重建误差r_t(x_i,j)＝||M-D_tS_t||_F的值，||·||_F表示Frobenius范数。检测器的输出设定为重建误差的差值R(x_i,j)=r_b(x_i,j)-r_t(x_i,j)。设定误差检测门限δ，如果R(x_i,j)>δ，则将像元x_i,j确定为目标，否则，将像元x_i,j确定为背景。

3.高光谱图像数据压缩

本发明中采用DCT变换和DPCM编码器对高光谱图像数据进行压缩和编码。其中DCT变换分别采用2维DCT变换对每一波段的高光谱图像数据进行变换和采用3维DCT变换2种方法。其中本发明中图像将被分为8×8或者8×8×8的小块进行DCT变换

a.通过目标检测算法，将图像中的每一个像元标记为感兴趣的目标或者背景。根据目标检测的结果，对于一个高光谱数据立方体X，其中的像元会被分为包含N个目标O＝{O_i|i∈[1,2.,.N,]和}一个背景B等几部分.

b.由于DCT变换是对图像块进行处理，本发明中使用2维DCT的图像块大小为8×8，3维DCT的图像块大小为8×8×8，据此对目标部分图像和背景图像进行处理，将目标部分图像的大小扩展为N的倍数，优选的，N为8。对于背景B，使用背景部分的均值将由于去除目标而造成的缺失区域补齐，从而使得背景部分更为均一和平滑，有利于压缩和编码。

c.分别对每一部分进行DCT变换，这里使用2维DCT和3维DCT两种方法对图像进行变换。其中对于2维DCT，给定大小为M×N的图像A，其DCT变换为

$B_{\mathrm{ql}}={\mathrm{\α}}_q{\mathrm{\α}}_l\underset{j=0}{\overset{M-1}{\mathrm{\Σ}}}\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}{A}_{\mathrm{ij}}\cos \frac{\mathrm{\π}(2j+1)q}{2M}\cos \frac{\mathrm{\π}(2i+1)l}{2N}$

而对于3维DCT，给定大小为M×N×P的图像A，其DCT变换为

$B_{\mathrm{rql}}={\mathrm{\α}}_r{\mathrm{\α}}_q{\mathrm{\α}}_l\underset{k=0}{\overset{P-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{M-1}{\mathrm{\Σ}}}\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}{A}_{\mathrm{ijk}}\cos \frac{\mathrm{\π}(2k+1)r}{2P}\cos \frac{\mathrm{\π}(2j+1)q}{2M}\cos \frac{\mathrm{\π}(2i+1)l}{2N}$

由于DCT变换是对图像块进行处理的，因此，在应用2维DCT时，每块图像的大小为8×8，每一块图像数据的DCT系数包含有一个DC系数，63个AC系数（分别表示图像中的低频和高频信息），在3维DCT中，每块图像的大小为8×8×8，每一块图像数据的DCT系数包含有一个DC系数，511个AC系数。

d.系数量化，通过一个取值范围为1到100的质量指数Q来控制量化矩阵，进而控制压缩编码的结果和图像质量。给定一个量化矩阵，大部分的AC系数会被量化为0，然后每一块图像中的非零系数会组成新的序列被DPCM编码。

e.采用DPCM编码器来对DCT变换系数序列进行编码。在DPCM编码中，给定其中的一个值为x_i-1，那么序列中的下一个值x_i的预测值为x_i|i-1.预测误差ε_i＝x_i-x_i|i-1是一个很小的值。这样编码这一误差序列所需的比特要比编码原序列要少得多。对于一个非零均值的输入序列，最优一阶线性预测器为

x_i|i-1＝ρx_i-1+μ(1-ρ)

其中，μ和ρ分别为这一输入序列的均值和相关系数。

4.将各个部分压缩编码后的比特流串联，得到最后的压缩数据。

下面结合附图对本发明做更详细的描述：

图1中显示了在高光谱的图像空间中，相邻的像元的光谱的相似性和稀疏表示的相似性，相邻的像元归属于同一种地物类别的可能性很大，即它们的光谱在一定程度上具有高度的相关性。若这些像元所处的位置是在背景或目标的内部，则它们的光谱只有细微的差别，这些差别主要来自传感器的噪声和大气状况，并不是地物本身的特性所造成的。

为了检验和证明本文所提出的算法的有效性和高效性，一共使用了一幅模拟高光谱图像数据和2幅真实高光谱图像数据进行仿真实验，这3幅图像数据的示意图如图2所示，图中显示的是3幅图像第50波段的图像。图2(a)是一幅模拟高光谱图像数据，所用实验图像大小为30×30，图中包含了规则地排列着3行2列共6个目标，其中每一行中的目标大小一样，每行的目标大小分别为3×3，4×4和5×5，总共100个目标像素，如图3(a)所示。本实验所用图像都是随机的选自美国圣地亚哥机场的高光谱图像，它覆盖了从可见光到近红外的光谱范围，去除水的吸收带和信噪比较低的波段后，余下的126个波段参与仿真实验。它是利用先进的机载可见光/红外成像光谱仪（Airborne Visible Infrared Imaging Spectrometer，AVIRIS）采集的数据。AVIRIS是采用推扫成像方式的成像光谱仪，在0.4～2.45μm的波长范围内获取224个波长处的空间图像信息，波长间隔为10nm。图2(b)第一幅真实的高光谱图像数据来自美国德州农工大学(Texas A&M University)农业生命研究中心(Texas Agrilife Research)的玉米种子高光谱图像，拍摄所使用的高光谱扫描仪为行扫描推进式高光谱扫描仪(PIKA II,www.resonon.com)，有640个传感器，160个光谱通道，光谱覆盖范围为405-907nm，光谱分辨率为3.1nm，高光谱扫描仪距样本距离60厘米。在这幅图像数据中，一共有2个玉米种子，图像的大小为85×100；图2(c)第二幅真实的高光谱图像数据是一幅AVIRIS高光谱图像数据，这幅数据是在2006年拍摄于美国黄石公园。图像的大小为75×100，它包含有224个光谱波段。在这幅数据中，包含有3个作为目标的湖泊，其中2个较大的位于图像的中心，而较小的活泼位于图像的右上角。

图3中所示分别为本发明中所使用的三幅高光谱图像数据中目标的真实分布，其中，图3(a)是模拟高光谱图像数据的目标真实分布；图3(b)真实的玉米种子高光谱图像数据的真实目标分布；图3(c)是黄石公园中湖泊的真实地理位置分布。

图4显示的是分别是使用传统2维DCT变换，基于目标分离的2维DCT变换，3维DCT变换和基于目标分离的3维DCT变换的压缩方法而重建图像的第50波段示意图。这四种方法分别标记为DCT2，DCT2Obj，DCT3和DCT3Obj。其中，图4(a)是模拟仿真实验数据通过传统2维DCT压缩后的重建图像(第50波段，Q=50)；图4(b)模拟仿真实验数据通过基于目标分离的2维DCT压缩后的重建图像(第50波段，Q=50)；图4(c)模拟仿真实验数据通过传统3维DCT压缩后的重建图像(第50波段，Q=50)；图4(d)模拟仿真实验数据通过基于目标分离的3维DCT压缩后的重建图像(第50波段，Q=50)。

通过图4，可以看出除了DCT2以外，其余三中方法都能够较好的保留目标的信息，其中DCT3在目标周围有一定程度的模糊。所以3维DCT方法要优于2维DCT方法，本发明的提出的压缩编码方案明显优于传统的方法。

图5显示的是对通过几种不同压缩方案的重建图像进行目标检测的结果示意图。其中，图5(a)是模拟仿真实验数据通过传统2维DCT压缩后的目标检测结果(Q=50)；图5(b)是模拟仿真实验数据通过基于目标分离的2维DCT压缩后的目标检测结果重建图像(Q=50)；图5(c)是模拟仿真实验数据通过传统3维DCT(Q=50)；图5(d)是模拟仿真实验数据通过基于目标分离的3维DCT压缩后的目标检测结果(Q=50)。

通过图5，在使用传统的2维DCT和2维DCT进行压缩后，检测结果都有一定程度的偏差，其中3维DCT的偏差要小于2维DCT的偏差。但是本发明提出的方案在2维和3维DCT压缩中取得了较好的检测结果，目标完整，正确的被检测出来。

图6显示的是在不同的质量指数Q下，模拟高光谱实验数据的压缩质量和对重建图像的检测结果。其中，图6(a)模拟仿真实验数据在不同质量指数Q下的MSE；图6(b)模拟仿真实验数据在不同质量指数Q下的平均PSNR；图6(c)模拟仿真实验数据在不同质量指数Q下的平均虚警概率PFA；图6(d)模拟仿真实验数据在不同质量指数Q下的平均检测概率PD。

图7显示的是在不同的质量指数Q下，玉米种子实验数据的压缩质量和对重建图像的检测结果。其中，图7(a)玉米种子实验数据在不同质量指数Q下的MSE；图7(b)玉米种子实验数据在不同质量指数Q下的平均PSNR；图7(c)玉米种子实验数据在不同质量指数Q下的平均虚警概率PFA；图7(d)玉米种子实验数据在不同质量指数Q下的平均检测概率PD。

图8显示的是在不同的质量指数Q下，黄石公园实验数据的压缩质量和对重建图像的检测结果。其中，图8(a)黄石公园实验数据在不同质量指数Q下的MSE；图8(b)黄石公园实验数据在不同质量指数Q下的平均PSNR；图8(c)黄石公园实验数据在不同质量指数Q下的平均虚警概率PFA；图8(d)黄石公园实验数据在不同质量指数Q下的平均检测概率PD。

通过图6、图7和图8，本发明提出的压缩编码方案的优越性得到了充分展示。我们可以发现，无论是模拟数据还是真实的高光谱图像数据，本发明提出方案都能获得较低的MSE和较高PSNE，并在检测结果中获得较低的虚警概率和较高的检测概率。这说明这种新提出的方案在压缩编码上要优于传统的方案，能更好的保护图像中的数据信息。

为验证本发明提出的算法的性能，分别使用针对模拟高光谱数据和2组真实的高光谱数据：玉米种子数据和黄石公园数据的仿真实验进行了检测。为方便说明，将分别采用现有的DCT压缩技术，2维DCT变换和3维DCT变换的压缩方法的压缩方法记为DCT2和DCT3，而将本发明中提出的使用2维DCT变换和3维DCT变换的压缩方法记为DCT2Obj和DCT3Obj。为了更充分说明本发明的有效性，将对解压重建后的图像进行目标检测，从而验证本发明所提出的压缩方案在保正图像质量上的作用。在表1中示出了模拟数据在固定质量指数Q=50时几种压缩编码方案在比特率、压缩比、均方误差、峰值信噪比、虚警概率和检测概率的区别，表中可以显示出本发明提出方案的优越性。表2示出了模拟数据在不同质量指数Q下的比特率的变化，表3示出了模拟数据在不同质量指数Q下的压缩比的变化。表4示出了2组真实的高光谱数据在使用基于目标分离的3维DCT变换压缩编码方案在不同质量指数Q下的比特率的变化，表5示出了2组真实的高光谱数据在使用基于目标分离的3维DCT变换压缩编码方案在不同质量指数Q下的压缩比的变化。表6示出了几种方案的运算时间用以评价其计算效率。

表1模拟数据在Q=50时的质量评价和检测结果

表2模拟数据不同在质量指数Q下的比特率

表3模拟数据不同在质量指数Q下的压缩比

表4真实数据不同在质量指数Q下的比特率

表5真实数据不同在质量指数Q下的压缩比

表6运行时间

本领域技术人员在阅读本发明之后，可以对本发明进行一定的变形，在不违背本发明的精神的情况下，对本发明所做的任何改变和变形，都应在本发明的保护范围之内。

Claims (9)

1.一种高光谱图像压缩编码方法，其特征是，包括下列步骤：

检测高光谱图像，获得所述高光谱图像中包含的目标部分和背景部分；

将所述目标部分和所述背景部分分离；

分别对所述目标部分和所述背景部分进行压缩和编码。

2.根据权利要求1所述的高光谱图像压缩编码方法，其特征是，所述检测高光谱图像，获得所述高光谱图像中包含的目标部分和背景部分，包括下列步骤：

计算第一重建误差和第二重建误差，其中，所述第一重建误差是背景字典对待测像元光谱的重建误差，第二重建误差是目标字典对待测像元光谱的重建误差；

如果所述第一重建误差和第二重建误差均大于门限，则确定所述待测像元属于所述目标部分；否则，确定所述待测像元属于所述背景部分。

3.根据权利要求2所述的高光谱图像压缩编码方法，其特征是，在计算第一重建误差和第二重建误差之前还包括：

(1)计算自适应空间支持区域大小；

(2)将自适应空间区域中的像元光谱转化为一个矩阵，其中，所述矩阵的每一列为一个像元的光谱；

(3)根据给定的过完备字典，利用贪婪追踪算法计算每一像元的邻域空间窗口内像元光谱的稀疏表示。

4.根据权利要求1至3中任一项所述的高光谱图像压缩编码方法，其特征是，所述将所述目标部分和所述背景部分分离包括下列步骤：

(1)提取出所述目标部分；

(2)将所述目标部分的区域大小扩展为N的倍数，其中，N是正整数；

(3)使用背景部分的均值，将所述背景部分中由于去除所述目标部分而造成的缺失区域补齐。

5.根据权利要求4所述的高光谱图像压缩编码方法，其特征是，N是8。

6.根据权利要求1至3中任一项所述的高光谱图像压缩编码方法，其特征是，所述分别对所述目标部分和所述背景部分进行压缩和编码包括下列步骤：

(1)对所述目标部分和所述背景部分，使用2维离散余弦变换DCT或者3维DCT变换对图像进行处理；

(2)使用差分脉冲编码调制DPCM编码器对DCT系数进行编码；

(3)将编码后得到的比特进行串联，得到压缩数据比流。

7.根据权利要求4所述的高光谱图像压缩编码方法，其特征是，所述分别对所述目标部分和所述背景部分进行压缩和编码包括下列步骤：

(4)对所述目标部分和所述背景部分，使用2维离散余弦变换DCT或者3维DCT变换对图像进行处理；

(5)使用差分脉冲编码调制DPCM编码器对DCT系数进行编码；

(6)将编码后得到的比特进行串联，得到压缩数据比流。

8.根据权利要求5所述的高光谱图像压缩编码方法，其特征是，所述分别对所述目标部分和所述背景部分进行压缩和编码包括下列步骤：

(7)对所述目标部分和所述背景部分，使用2维离散余弦变换DCT或者3维DCT变换对图像进行处理；

(8)使用差分脉冲编码调制DPCM编码器对DCT系数进行编码；

(9)将编码后得到的比特进行串联，得到压缩数据比流。

9.一种高光谱图像压缩编码装置，其特征是，包括：

检测模块，用于检测高光谱图像，获得所述高光谱图像中包含的目标部分和背景部分；

分离模块，用于将所述目标部分和所述背景部分分离；

压缩和编码模块，用于分别对所述目标部分和所述背景部分进行压缩和编码。

Images