CN103780904B - 基于边缘的高光谱图像自适应无损预测编码系统及方法 - Google Patents

Abstract

本发明公开了一种基于边缘的高光谱图像自适应无损预测编码系统与方法，主要解决现有技术在去相关时由于未考虑高光谱图像的边缘信息，导致压缩去相关不彻底，使得压缩比受限制的问题。其实现过程是：1)利用基于对角的中值预测算法对高光谱图像进行谱内预测，得到谱内预测残差；2)利用基于边缘的谱间预测算法对高光谱图像进行谱间预测，得到谱间预测残差；3)通过比较两种预测模式的预测残差，为每一谱段选择最终预测模式；4)对最终预测模式对应的预测残差进行熵编码，得到无损压缩码流。本发明充分利用图像边缘信息，使去相关更彻底，获得较高的无损压缩比，适用于高光谱数据处理及传输。

Description

基于边缘的高光谱图像自适应无损预测编码系统及方法

技术领域

本发明涉及图像处理技术领域，更进一步涉及一种高光谱图像无损编码系统与方法，可用于各种高光谱数据处理及传输。

背景技术

高光谱图像是由成像光谱仪对同一地物在数百个谱段上成像所获取的同时包含空间信息和光谱信息的三维数据立方体，被广泛应用于资源勘探、目标识别、环境保护等方面。由于高光谱图像数据量非常庞大，需要采用有效的压缩技术以便图像的存储和传输。实际应用中对高光谱图像的重建图像质量要求比较高，应对高光谱图像进行无损压缩。

在现有压缩方法中，以JPEG-LS(Joint Photographic Experts Group Losslessand near-lossless compression of conituous_tone still image)为代表的基于预测的压缩方法，利用了高光谱图像较强的空间相关性进行自适应预测编码，具有很低的复杂度和良好的无损及近无损压缩性能，已广泛应用于星上高光谱图像压缩。但是该方法只能对高光谱图像的一个谱段图像进行谱内空间预测，没有利用高光谱图像的谱间相关性。

为了去除高光谱图像的谱间冗余，进一步提高压缩效率，通常采用“谱间去相关+熵编码”的压缩方法，即先对当前谱段图像和参考谱段图像进行差分或线性预测，然后再对残差图像进行熵编码。其中当前谱段是指当前需要被编码的谱段图像，而参考谱段是指与当前谱段相关性较强、用来对当前谱段进行预测的谱段图像，一般情况下，为了减小传输边信息及实现无损编码，参考谱段本身应在当前谱段之前完成编码。于是在JPEG-LS的基础之上提出了差分JPEG-LS(Differential JPEG-LS)，该方法先对高光谱图像的相邻谱段进行差分处理，以去除谱间相关性，再对差分后的残差图像进行JPEG-LS无损压缩。

为了利用高光谱图像的校正特性，Jarno Mielikainen提出了LUT，（JarnoMielikainen,"Lossless Compression of Hyperspectral Images Using LookupTables",IEEE SIGNAL PROCESSING LETTERS,VOL.13,NO.3,MARCH2006.）,该方法是一种基于查找表的压缩方法；Bormin Huang等人在LUT的基础之上增加一个尺度因子，提出了LAIS-LUT，（Bormin Huang,and Y.Sriraja,"Lossless Compression of HyperspectralImagery via Lookup Tables with Predictor Selection",Image and SignalProcessing for Remote Sensing XII,Proc.of SPIE,Vol.6365,63650L,2006.），该方法提供了两个预测值以供选择。

在实际应用中，要求压缩方法不仅压缩比高，而且时间复杂度和空间复杂度低。因此，被广泛采用的压缩方法是SLSQ，（Francesco Rizzo,Bruno Carpentieri,GiovanniMotta,and James A.Storer,"Low-Complexity Lossless Compression ofHyperspectral Imagery via Linear Prediction",IEEE SIGNAL PROCESSING LETTERS,VOL.12,NO.2,FEBRUARY2005.），该方法提供了一种基于最小均方误差的谱间线性预测器，去除高光谱图像的大量谱间冗余信息以获得较高的无损压缩比，且线性运算具有较低的时间复杂度和空间复杂度。在SLSQ的基础上又提出了一种新方法SLSQ-OPT（FrancescoRizzo,Bruno Carpentieri,Giovanni Motta,and James A.Storer,"Low-ComplexityLossless Compression of Hyperspectral Imagery via Linear Prediction",IEEESIGNAL PROCESSING LETTERS,VOL.12,NO.2,FEBRUARY2005.），该方法在谱内预测和谱间预测中自适应选择预测模式，以增加少量复杂度为代价，进一步提高了压缩比。

上述现有方法均忽略了一个重要因素，即在去相关时由于没有考虑高光谱图像的边缘信息，导致压缩去相关不彻底，使得压缩比受限制。基于边缘的预测方法可以改善预测的性能，这是因为沿边缘方向的像素点之间的相关性更强。

发明内容

本发明的目的在于针对上述已有技术的不足，提出一种基于边缘的高光谱图像自适应预测无损压缩系统及方法，以在去相关时利用图像的边缘特性，避免因去相关不彻底而导致的图像压缩比不够高的缺点。

为实现上述目的，本发明的技术方案如下：

一、本发明提出的高光谱图像自适应预测无损压缩系统包括：

谱内预测单元，用于对输入的高光谱图像进行谱内预测，得到谱内预测值，并对图像真实值和谱内预测值取差值，该差值作为谱内预测残差输出给预测模式选择单元；

谱间预测单元，用于对输入的高光谱图像进行谱间预测，通过预测模板，利用参考谱段对当前谱段的当前点进行预测，得到谱间预测值，并对图像真实值和谱间预测值取差值，该差值作为谱间预测残差输出给预测模式选择单元；

预测模式选择单元，用于比较每一谱段分别由谱内预测单元和谱间预测单元得到的谱内预测残差和谱间预测残差，为每一谱段选择最终的预测模式，并输出相应的预测残差给熵编码单元；

熵编码单元，用于对最终的预测残差进行无损熵编码，得到无损压缩码流文件，编码结束；

其特征在于：谱间预测单元包括：

四个待选的预测模板：0°方向的预测模板、45°方向的预测模板、135°方向的预测模板和180°方向的预测模板，用于根据当前点所在的边缘方向进行选择，为谱间预测提供相关性较强的上下文。

边缘检测模块：用于利用边缘检测算子对当前谱段的参考谱段进行边缘检测，用1标记参考谱段中的边缘点，用0标记参考谱段中的非边缘点，得到参考谱段的边缘检测图像，并将边缘检测图像输出给边缘分析子模块；

边缘分析模块：用于根据参考谱段的边缘检测图像，判断参考谱段当前点是否为边缘点及其所在边缘的方向，从四个待选的预测模板中选择一个预测模板，并将选定的预测模板输出给确定最佳上下文子模块；

确定最佳上下文模块：用于从确定的预测模板中选择Nc个像素点作为最佳上下文，并输出给线性运算子模块，1≤Nc≤12；

线性运算模块：用于根据最佳上下文，通过线性运算得到谱间预测值和谱间预测残差，并将谱间预测残差输出给预测模式选择单元。

二.本发明提出的高光谱图像自适应预测无损压缩方法，包括如下步骤：

（1）输入一幅高光谱图像{B¹,B²,…,B^k,…,B^N}，其中B^k={I_1,1,k,I_1,2,k,…,I_i,j,k,…,I_H,W,k}表示第k谱段图像，I_i,j,k表示高光谱图像中第k谱段、第i行、第j列的真实像素灰度值，输入的高光谱图像的谱段数为N，宽度为W，高度为H，i=1,2,…,H,j=1,2,…,W,k=1,2,…,N；

（2）对输入的一幅高光谱图像{B¹,B²,…,B^k,…,B^N}进行谱内预测，得到谱内预测值和谱内预测残差{e_ir ¹,e_ir ²,…,e_ir ^k,…,e_ir ^N}，其中第k谱段图像B^k的谱内预测值为： ${{\hat{B}}_{\mathrm{ir}}}^k=\{{\hat{I}}_{\mathrm{ir}:\mathrm{1,1},k},{\hat{I}}_{\mathrm{ir}:\mathrm{1,2},k},...,{\hat{I}}_{\mathrm{ir}:i,j,k},...,{\hat{I}}_{\mathrm{ir}:H,W,k}\},$ 第k谱段图像B^k的谱内预测残差为：e_ir ^k={e_ir:1,1,k,e_ir:1,1,k,…,e_ir:i,j,k,…,e_ir:H,W,k}，和e_ir:i,j,k分别表示高光谱图像中第k谱段第i行第j列的像素点的谱内预测值和谱内预测残差，i=1,2,…,H,j=1,2,…,W,k=1,2,…,N；

（3）对输入的一幅高光谱图像{B¹,B²,…,B^k,…,B^N}进行谱间预测，得到谱间预测值和谱间预测残差{e_in ¹,e_in ²,…,e_in ^k,…,e_in ^N}，其中第k谱段图像B^k的谱间预测值为： ${{\hat{B}}_{\mathrm{in}}}^k=\{{\hat{I}}_{\mathrm{in}:\mathrm{1,1},k},{\hat{I}}_{\mathrm{in}:\mathrm{1,2},k},...,{\hat{I}}_{\mathrm{in}:i,j,k},...,{\hat{I}}_{\mathrm{in}:H,W,k}\},$ 第k谱段图像B^k的谱间预测残差为：e_in ^k={e_in:1,1,k,e_in:1,1,k,…,e_in:i,j,k,…,e_in:H,W,k}，和e_in:i,j,k分别表示高光谱图像中第k谱段第i行第j列的像素点的谱间预测值和谱间预测残差，i=1,2,…,H,j=1,2,…,W,k=1,2,…,N；

（3a）对高光谱图像第一谱段B¹进行谱内预测，得到第一谱段的谱间预测值与第一谱段的谱间预测残差e_in ¹；

（3b）对高光谱图像除第一谱段外的其它谱段{B²,…,B^k,…,B^N}进行谱间预测，得到其它谱段的谱间预测值和其它谱段的谱间预测残差{e_in ²,…,e_in ^k,…,e_in ^N}，其中k=2,…,N；按如下步骤进行：

（3b1）选择第k-1谱段B^k-1作为当前谱段B^k的参考谱段，对参考谱段B^k-1进行边缘检测，得到的边缘检测图像为：CB^k-1={CI_1,1,k-1,CI_1,2,k-1,…,CI_i,j,k-1,…,CI_H,W,k-1}，i=1,2,…,H,j=1,2,…,W，其中，CI_i,j,k-1为参考谱段当前点I_i,j,k-1的边缘检测结果，取值为1或0，1表示参考谱段当前点I_i,j,k-1为边缘点，0表示参考谱段当前点I_i,j,k-1为非边缘点；

（3b2）对参考谱段B^k-1的边缘检测图像CB^k-1进行分析，从给定的四个预测模板中选择一个作为最终的预测模板；

（3b3）从最终预测模板中选择Nc个与参考谱段当前点I_i,j,k-1像素灰度值最接近的点作为参考谱段的最佳上下文，记为：同时将当前谱段中与参考谱段上下文具有相同空间位置的一组点记为当前谱段的最佳上下文，得到最终的最佳上下文为： $\{I_{o1}^{k-1},I_{o2}^{k-1},...,I_{\mathrm{ol}}^{k-1},...,I_{\mathrm{oNc}}^{k-1};I_{o1}^k,I_{o2}^k,...,I_{\mathrm{ol}}^k,...,I_{\mathrm{oNc}}^k\},l=\mathrm{1,2},...,\mathrm{Nc};$

（3b4）利用最终的最佳上下文，通过线性运算得到谱间预测值和谱间预测残差；

（4）比较每一谱段的谱内预测残差e_ir ^k和谱间预测残差e_in ^k的熵，选择其预测残差熵较小的预测模式作为最终预测模式，并将与之对应的预测残差作为最终预测残差输出给熵编码单元；

（5）对输入的最终预测残差进行自适应无损区间编码，得到无损压缩码流文件，编码结束。

本发明与现有技术相比较，具有如下优点：

第一，本发明充分利用高光谱图像的边缘特性进行谱间和谱内去相关，避免了因去冗余不彻底而造成的压缩比过低的现象。

第二，本发明将谱内预测和谱间预测结合起来，自适应地为每一谱段选择合适的预测模式进行预测，使压缩去相关更为彻底，有效地提高了压缩比。

附图说明

图1是本发明的压缩系统框图；

图2是本发明的压缩方法流程图；

图3是本发明中谱间预测方法子流程图；

图4是本发明中谱间预测的边缘分析的子流程图；

图5是本发明中谱内预测的上下文模板示意图；

图6是本发明中谱间预测待选的四个方向的预测模板示意图。

具体实施方式

参考图1，本发明基于边缘的高光谱图像自适应预测无损压缩系统，包括谱内预测单元、谱间预测单元、预测模式选择单元和熵编码单元。

所述的谱内预测单元，对输入的高光谱图像{B¹,B²,…,B^k,…,B^N}利用基于对角的中值预测算法进行谱内预测，将得到的谱内预测残差输出给预测模式选择单元。该谱内预测单元包括：初始化模块、边缘判断模块和谱内预测计算模块，其中，初始化模块设置非边缘点的判决阈值T₁和边缘点的判决阈值T₂，并将这两个初始化参数输出给边缘判断子模块；边缘判断模块根据非边缘点的判决阈值T₁和边缘点的判决阈值T₂判断当前点是否为边缘点，计算出谱内预测值并将谱内预测值输出给谱内预测计算子模块；谱内预测计算模块将当前点的真实值与其谱内预测值做差得到谱内预测残差{e_ir ¹,e_ir ²,…,e_ir ^k,…,e_ir ^N}，并将谱内预测残差{e_ir ¹,e_ir ²,…,e_ir ^k,…,e_ir ^N}输出给预测模式选择单元，其中，输入的高光谱图像谱段数为N，宽为W，高为H，k=1,2,…,N。

所述的谱间预测单元，对输入的高光谱图像{B¹,B²,…,B^k,…,B^N}利用基于边缘的谱间预测算法进行谱间预测，将得到的谱间预测残差输出给预测模式选择单元。该谱间预测单元包括：边缘检测模块、边缘分析模块、确定最佳上下文模块和线性运算模块，其中：边缘检测模块对当前谱段B^k的参考谱段B^k-1利用边缘检测算子进行运算，得到边缘检测图像CB^k-1，区分出图像中的边缘点及非边缘点；边缘分析模块根据参考谱段的边缘检测图像CB^{k -1}，判断参考谱段当前点I_i,j,k-1是否为边缘点及其所在边缘的方向，从四个待选的预测模板中选择一个作为最终的预测模板；确定最佳上下文模块在选定的最终预测模板中选择Nc个最佳的上下文进行谱间预测；线性运算模块利用选定的最佳上下文计算出线性谱间预测系数α、谱间预测值和谱间预测残差{e_in ¹,e_in ²,…,e_in ^k,…,e_in ^N}，并将谱间预测残差{e_in ¹,e_in ²,…,e_in ^k,…,e_in ^N}输出给预测模式选择单元，其中，输入的高光谱图像谱段数为N，宽为W，高为H，k=1,2,…,N。

所述的预测模式选择单元，用于比较谱内预测单元输出的谱内预测残差和谱间预测单元输出的谱间预测残差，为每一谱段选择一种预测模式为该谱段的最终预测模式，并将其对应的预测残差作为最终预测残差输出给熵编码单元。该预测模式选择单元包括：计算残差熵模块和比较选择模块，其中：计算残差熵模块分别计算谱内预测残差{e_ir ¹,e_ir ²,…,e_ir ^k,…,e_ir ^N}的熵和谱间预测残差{e_in ¹,e_in ²,…,e_in ^k,…,e_in ^N}的熵，并将每一谱段的谱内预测残差的熵和谱间预测残差的熵输出给比较选择子模块；比较选择模块，对每一谱段的谱内预测残差熵和谱间预测残差熵进行比较，为每一谱段选择最终的预测模式，并将最终预测模式对应的残差输出给熵编码单元。

所述的熵编码单元，对输入的最终预测残差进行自适应区间编码，得到无损压缩码流文件，编码结束。

参照图2，本发明基于边缘的高光谱图像自适应预测无损压缩方法详细步骤如下：

步骤1，输入高光谱图像{B¹,B²,…,B^k,…,B^N}，其中，输入的高光谱图像谱段数为N，宽为W，高为H；

步骤2，对输入的高光谱图像{B¹,B²,…,B^k,…,B^N}利用谱内预测方式进行预测，得到谱内预测值和谱内预测残差。

所述的对高光谱图像{B¹,B²,…,B^k,…,B^N}进行谱内预测可以采用多种现有方法实现，如JPEG-LS、2D-CALIC等，本实施例采用但不局限于基于对角的中值预测(EranA.Edirisinghe,Satish Bedi,Christos Grecos,"Improvements to JPEG-LS viadiagonal edge based prediction",Proceedings of SPIE Vol.4671(2002).)，基于对角的中值预测的预测上下文模板示意图参照图5，按如下步骤进行：

（2a）设置初始化参数：T₁=60，T₂=8，其中，T₁为非边缘的判决阈值、T₂为边缘的判决阈值；

（2b）对当前谱段当前点I_i,j,k利用基于对角的中值预测方法进行谱内预测，即将当前谱段当前点的左上方点I_i-1,j-1,k与当前谱段当前点的上方点I_i-1,j,k和当前谱段当前点的左方点I_i,j-1,k进行比较，并利用当前谱段当前点的右上方点I_i-1,j+1,k进行计算，得到当前谱段当前点的谱内预测值

（2b1）对于I_i-1,j-1,k≥max(I_i,j-1,k,I_i-1,j,k)，分以下两种情况得到当前谱段当前点I_i,j,k的谱内预测值

若(I_i-1,j-1,k-max(I_i,j-1,k,I_i-1,j,k)>T1)且(abs(I_i,j-1,k-I_i-1,j,k)<T₂)，则认为当前谱段当前点I_i,j,k是边缘点，得到其谱内预测值： ${\hat{I}}_{\mathrm{ir}:i,j,k}=I_{i,j-1,k},I_{i-1,j,k}+I_{i-1,j+1,k};$

否则，认为当前谱段当前点I_i,j,k不是边缘点，得到其谱内预测值：

（2b2）对于I_i-1,j-1,k≤min(I_i,j-1,k,I_i-1,j,k)，分以下两种情况得到当前谱段当前点I_i,j,k的谱内预测值

若(min(I_i,j-1,k,I_i-1,j,k)-I_i-1,j-1,k>T1)且(abs(I_i,j-1,k-I_i-1,j,k)<T₂)，则认为当前谱段当前点I_i,j,k是边缘点，得到其谱内预测值： ${\hat{I}}_{\mathrm{ir}:i,j,k}=I_{i,j-1,k},I_{i-1,j,k}+I_{i-1,j+1,k};$

否则，认为当前谱段当前点I_i,j,k不是边缘点，得到其谱内预测值：

（2b3）对于min(I_i,j-1,k,I_i-1,j,k)<I_i-1,j-1,k<max(I_i,j-1,k,I_i-1,j,k)，认为当前谱段当前点I_i,j,k不是边缘点，得到其谱内预测值： ${\hat{I}}_{\mathrm{ir}:i,j,k}=I_{i,j-1,k},I_{i-1,j,k}+I_{i-1,j+1,k};$

（2c）利用上述计算得到的当前谱段当前点的谱内预测值计算当前谱段当前点的谱内预测残差：并输出所有谱段的谱内预测残差{e_ir ¹,e_ir ²,…,e_ir ^k,…,e_ir ^N}，其中，e_ir ^k={e_ir:1,1,k,e_ir:1,1,k,…,e_ir:i,j,k,…,e_ir:H,W,k}表示第k谱段B^k的谱内预测残差，i=1,2,…,H,j=1,2,…,W,k=1,2,…,N。

步骤3，对输入的一幅高光谱图像{B¹,B²,…,B^k,…,B^N}进行谱间预测，得到谱间预测值和谱间预测残差。

（3a）对高光谱图像第一谱段B¹利用基于对角的中值预测进行谱内预测，得到第一谱段的谱间预测值与第一谱段的谱间预测残差e_in ¹；

（3b）对高光谱图像除第一谱段外的其它谱段{B²,…,B^k,…,B^N}进行谱间预测，得到其它谱段的谱间预测值和其它谱段的谱间预测残差{e_in ²,…,e_in ^k,…,e_in ^N}，其中k=2,…,N；

所述的对高光谱图像除第一谱段外的其它谱段{B²,…,B^k,…,B^N}进行谱间预测可以采用多种现有方法实现，如差分JPEG-LS、LUT、SLSQ等，本实施例提出并采用但不局限于基于边缘的谱间预测，

参照图3，本步骤的实现如下：

（3b1）选择第k-1谱段B^k-1作为当前谱段B^k的参考谱段，对参考谱段B^k-1进行边缘检测，得到的边缘检测图像为：CB^k-1={CI_1,1,k-1,CI_1,2,k-1,…,CI_i,j,k-1,…,CI_H,W,k-1}，i=1,2,…,H,j=1,2,…,W，其中，CI_i,j,k-1为参考谱段当前点I_i,j,k-1的边缘检测结果，取值为1或0，1表示参考谱段当前点I_i,j,k-1为边缘点，0表示参考谱段当前点I_i,j,k-1为非边缘点；

所述的对参考谱段B^k-1进行边缘检测可以采用多种现有方法实现，如Roberts算子、Sobel算子等，本实施例提出并采用但不局限于Canny算子；

（3b2）根据参考谱段B^k-1的边缘检测图像CB^k-1，从给定的四个预测模板选择其中的一个作为最终的预测模板：

给定的四个预测模板如图6所示，其中图（6a）是0°方向的预测模板、图（6b）是45°方向的预测模板、图（6c）是135°方向的预测模板、图（6d）是180°方向的预测模板，

参照图4，选择规则如下：

当参考谱段当前点I_i,j,k-1的边缘检测结果CI_i,j,k-1=0时，选择0°方向的预测模板作为它的预测模板；

当参考谱段当前点I_i,j,k-1的边缘检测结果CI_i,j,k-1=1，继续执行以下步骤；

（3b2.1）在以参考谱段当前点的边缘检测结果CI_i,j,k-1为中心的5*5邻域内，寻找与之相连，且值为1的点；

（3b2.2）以参考谱段当前点的边缘检测结果CI_i,j,k-1为中点，作四条直线L1、L2、L3、L4，其方向分别为0°、45°、135°和180°，计算步骤（3b2.1）中找到的点分别到直线L1、L2、L3、L4的距离累加和，分别记为：D1、D2、D3、D4；

（3b2.3）求出所述4个距离累加和D1、D2、D3、D4中的最小值，记为D_min，求出与最小距离累加和D_min对应的直线，记为最小直线L_min；

（3b2.4）从四个方向预测模板中，选择方向与最小直线L_min相同的预测模板作为最终预测模板；

（3b3）从最终预测模板中选择Nc个与参考谱段当前点I_i,j,k-1像素灰度值最接近的点作为参考谱段的最佳上下文，记为：同时将当前谱段中与参考谱段上下文具有相同空间位置的一组点记为当前谱段的最佳上下文，得到最终的最佳上下文为： $\{I_{o1}^{k-1},I_{o2}^{k-1},...,I_{\mathrm{ol}}^{k-1},...,I_{\mathrm{oNc}}^{k-1};I_{o1}^k,I_{o2}^k,...,I_{\mathrm{ol}}^k,...,I_{\mathrm{oNc}}^k\},l=\mathrm{1,2},...,\mathrm{Nc},$ 其中Nc取值为5；

（3b4）利用最终的最佳上下文，通过线性运算得到谱间预测值和谱间预测残差：

（3b4.1）在最小均方误差的准则下，根据最佳上下文计算线性谱间预测系数为：

$\mathrm{\&alpha;}=\frac{\underset{l=1}{\overset{\mathrm{Nc}}{\mathrm{\&Sigma;}}}(I_{\mathrm{ol}}^{k-1}*I_{\mathrm{ol}}^k)}{\underset{l=1}{\overset{\mathrm{Nc}}{\mathrm{\&Sigma;}}}{\left(I_{\mathrm{ol}}^{k-1}\right)}^2};$

（3b4.2）利用参考谱段当前点I_i,j,k-1和线性谱间预测系数α，计算谱间预测值为： ${\hat{I}}_{\mathrm{in}:i,j,k}=\mathrm{\&alpha;}*I_{i,j,k-1};$

（3b4.3）利用当前谱段当前点I_i,j,k和当前谱段当前点的谱间预测值计算当前谱段当前点的谱间预测残差为：进而得到第k谱段的谱间预测残差为：e_in ^k={e_in:1,1,k,e_in:1,1,k,…,e_in:i,j,k,…,e_in:H,W,k},i=1,2,…,H,j=1,2,…,W,k=1,2,…,N。

步骤4，比较每一谱段的谱内预测残差e_ir ^k和谱间预测残差e_in ^k，为每一谱段选择一种预测模式作为其最终预测模式，并将与最终预测模式对应的预测残差作为最终预测残差输出。

所述的比较每一谱段谱内预测残差e_ir ^k和谱间预测残差e_in ^k，为每一谱段选择一种预测模式作为其最终预测模式，可以采用多种现有方法实现，如比较两种预测模式产生的残差的方差，本实施例采用但不局限于比较两种预测模式产生的残差的熵，选择产生的残差熵较小的预测模式作为最终的预测模式，并输出最终的预测模式所对应的残差。

步骤5，对输出最终的预测模式所对应的残差进行自适应无损区间熵编码，得到无损压缩码流文件，编码结束。

本发明的效果可以通过以下仿真实验做进一步说明。

（1）仿真条件

软件采用Microsoft Visual C++6.0集成开发软件和C语言在Microsoft公司的Windows7环境上实现。本发明选取了CCSDS高光谱标准图像。它们是在波长0.4～2.5um上所获取的数据，共有224个谱段，光谱分辨率为10nm，空间分辨率为20m*20m，每个像素存为2个字节，分为校正图像(cal)和未校正图像(raw/uncal)，其中校正图像选取的5个场景有：YellowStone0、YellowStone3、YellowStone10、YellowStone11、YellowStone18，比特深度为16bit，谱段大小为677*512，非校正的图像又分为比特深度为16bit和12bit,16bit的图像选取的5个场景有：YellowStone0、YellowStone3、YellowStone10、YellowStone11、YellowStone18，谱段大小为680*512，12bit的图像选取的2个场景有：Hawaii01和Maine10，谱段大小分别为614*512和680*512。

（2）仿真内容

对CCSDS高光谱标准图像，利用本发明进行压缩仿真实验，用每个场景的平均压缩比作为性能指标。通过查找现有文献，将本发明的仿真结果和六种现有方法进行比较，其中这六种现有方法分别是LUT、LAIS-LUT、SLSQ、SLSQ-OPT、JPEG-LS、差分JPEG-LS。实验结

表1CCSDS高光谱标准图像仿真无损压缩比

果如表1所示，其中JPLS表示JPEG-LS，DJPLS表示差分JPEG-LS，Average表示一组图压缩比的平均值。

由表1可知，对CCSDS高光谱标准图像进行仿真实验，本发明的压缩效果最好。因为本发明充分利用了高光谱图像的边缘特性使去相关更彻底，进一步提高了无损压缩比。

以上描述仅是本发明的一个具体实例，不构成对本发明的任何限制。显然对于本领域的专业人员来说，在了解了本发明内容和原理后，都可能在不背离本发明原理、结构的情况下，进行形式和细节上的各种修正和改变，但是这些基于本发明思想的修正和改变仍在本发明的权利要求保护范围之内。

Claims (7)

1.一种基于边缘的高光谱图像自适应无损预测编码系统，包括：

谱内预测单元，用于对输入的高光谱图像进行谱内预测，得到谱内预测值，并对图像真实值和谱内预测值取差值，该差值作为谱内预测残差输出给预测模式选择单元；

谱间预测单元，用于对输入的高光谱图像进行谱间预测，通过预测模板，利用参考谱段对当前谱段的当前点进行预测，得到谱间预测值，并对图像真实值和谱间预测值取差值，该差值作为谱间预测残差输出给预测模式选择单元；

预测模式选择单元，用于比较每一谱段分别由谱内预测单元和谱间预测单元得到的谱内预测残差和谱间预测残差，为每一谱段选择最终的预测模式，并输出相应的预测残差给熵编码单元；

熵编码单元，用于对最终的预测残差进行无损熵编码，得到无损压缩码流文件，编码结束；

其特征在于：谱间预测单元包括：

四个待选的预测模板：0°方向的预测模板、45°方向的预测模板、135°方向的预测模板和180°方向的预测模板，用于根据当前点所在的边缘方向进行选择，为谱间预测提供相关性较强的上下文；

边缘检测模块：用于利用边缘检测算子对当前谱段的参考谱段进行边缘检测，用1标记参考谱段中的边缘点，用0标记参考谱段中的非边缘点，得到参考谱段的边缘检测图像，并将边缘检测图像输出给边缘分析模块；

边缘分析模块：用于根据参考谱段的边缘检测图像，判断参考谱段当前点是否为边缘点及其所在边缘的方向，从四个待选的预测模板中选择一个预测模板，并将选定的预测模板输出给确定最佳上下文模块；

确定最佳上下文模块：用于从确定的预测模板中选择Nc个像素点作为最佳上下文，并输出给线性运算模块，1≤Nc≤12；

线性运算模块：用于根据最佳上下文，通过线性运算得到谱间预测值和谱间预测残差，并将谱间预测残差输出给预测模式选择单元。

2.根据权利要求1所述的基于边缘的高光谱图像自适应无损预测编码系统，其特征在于所述的谱内预测单元，包括：

初始化模块：用于设置非边缘点的判决阈值T₁和边缘点的判决阈值T₂，并将这两个初始化参数输出给边缘判断模块；

边缘判断模块：用于根据非边缘点的判决阈值T₁和边缘点的判决阈值T₂判断当前点是否为边缘点，计算出谱内预测值，并将谱内预测值输出给谱内预测计算模块；

谱内预测计算模块：用于将当前点的真实值与其谱内预测值做差，将差值作为谱内预测残差输出给预测模式选择单元。

3.根据权利要求1所述的基于边缘的高光谱图像自适应无损预测编码系统，其特征在于所述的预测模式选择单元，包括：

计算残差熵模块：用于分别计算每一谱段谱内预测残差的熵和谱间预测残差的熵，并将谱内预测残差的熵和谱间预测残差的熵输出给比较选择模块；

比较选择模块：用于比较每一谱段的谱内预测残差熵和谱间预测残差熵，为每一谱段选择最终的预测模式，并将相应的预测残差输出给熵编码单元。

4.一种基于边缘的高光谱图像自适应无损预测编码方法，包括如下步骤：

(1)输入一幅高光谱图像{B¹,B²,…,B^k,…,B^N}，其中

B^k＝{I_1,1,k,I_1,2,k,…,I_i,j,k,…,I_H,W,k}表示第k谱段图像，I_i,j,k表示高光谱图像中第k谱段、第i行、第j列的真实像素灰度值，输入的高光谱图像的谱段数为N，宽度为W，高度为H，i＝1,2,…,H,j＝1,2,…,W,k＝1,2,…,N；

(2)对输入的一幅高光谱图像{B¹,B²,…,B^k,…,B^N}进行谱内预测，得到谱内预测值和谱内预测残差{e_ir ¹,e_ir ²,…,e_ir ^k,…,e_ir ^N}，其中第k谱段图像B^k的谱内预测值为：第k谱段图像B^k的谱内预测残差为：e_ir ^k＝{e_ir:1,1,k,e_ir:1,1,k,…,e_ir:i,j,k,…,e_ir:H,W,k}，和e_ir:i,j,k分别表示高光谱图像中第k谱段第i行第j列的像素点的谱内预测值和谱内预测残差，i＝1,2,…,H,j＝1,2,…,W,k＝1,2,…,N；

(3)对输入的一幅高光谱图像{B¹,B²,…,B^k,…,B^N}进行谱间预测，得到谱间预测值和谱间预测残差{e_in ¹,e_in ²,…,e_in ^k,…,e_in ^N}，其中第k谱段图像B^k的谱间预测值为：第k谱段图像B^k的谱间预测残差为：e_in ^k＝{e_in:1,1,k,e_in:1,1,k,…,e_in:i,j,k,…,e_in:H,W,k}，和e_in:i,j,k分别表示高光谱图像中第k谱段第i行第j列的像素点的谱间预测值和谱间预测残差，i＝1,2,…,H,j＝1,2,…,W,k＝1,2,…,N；

(3a)对高光谱图像第一谱段B¹进行谱内预测，得到第一谱段的谱间预测值与第一谱段的谱间预测残差e_in ¹；

(3b)对高光谱图像除第一谱段外的其它谱段{B²,…,B^k,…,B^N}进行谱间预测，得到其它谱段的谱间预测值和其它谱段的谱间预测残差{e_in ²,…,e_in ^k,…,e_in ^N}，其中k＝2,…,N；按如下步骤进行：

(3b1)选择第k-1谱段B^k-1作为当前谱段B^k的参考谱段，对参考谱段B^k-1进行边缘检测，得到的边缘检测图像为：CB^k-1＝{CI_1,1,k-1,CI_1,2,k-1,…,CI_i,j,k-1,…,CI_H,W,k-1}，i＝1,2,…,H,j＝1,2,…,W，其中，CI_i,j,k-1为参考谱段当前点I_i,j,k-1的边缘检测结果，取值为1或0，1表示参考谱段当前点I_i,j,k-1为边缘点，0表示参考谱段当前点I_i,j,k-1为非边缘点；

(3b2)对参考谱段B^k-1的边缘检测图像CB^k-1进行分析，从给定的四个预测模板中选择一个作为最终的预测模板；

(3b3)从最终预测模板中选择Nc个与参考谱段当前点I_i,j,k-1像素灰度值最接近的点作为参考谱段的最佳上下文，记为：同时将当前谱段中与参考谱段上下文具有相同空间位置的一组点记为当前谱段的最佳上下文，得到最终的最佳上下文为：l＝1,2,…,Nc，Nc取值为5；

(3b4)利用最终的最佳上下文，通过线性运算得到谱间预测值和谱间预测残差；

(4)比较每一谱段的谱内预测残差e_ir ^k和谱间预测残差e_in ^k的熵，选择其预测残差熵较小的预测模式作为最终预测模式，并将与之对应的预测残差作为最终预测残差输出给熵编码单元；

(5)对输入的最终预测残差进行自适应无损区间编码，得到无损压缩码流文件，编码结束。

5.根据权利要求4所述的基于边缘的高光谱图像自适应无损预测编码方法，其特征在于步骤(2)所述的对输入的一幅高光谱图像{B¹,B²,…,B^k,…,B^N}，k＝1,2,…,N，进行谱内预测，按如下步骤进行：

(2a)设置初始化参数：T₁＝60，T₂＝8，其中，T₁为非边缘的判决阈值、T₂为边缘的判决阈值；

(2b)对当前谱段当前点I_i,j,k利用基于对角的中值预测方法进行谱内预测，得到当前谱段当前点的谱内预测值

(2b1)对于I_i-1,j-1,k≥max(I_i,j-1,k,I_i-1,j,k)，分以下两种情况得到当前谱段当前点I_i,j,k的谱内预测值

若(I_i-1,j-1,k-max(I_i,j-1,k,I_i-1,j,k)>T1)且(abs(I_i,j-1,k-I_i-1,j,k)<T₂)，则认为当前谱段当前点I_i,j,k是边缘点，得到其谱内预测值：

否则，认为当前谱段当前点I_i,j,k不是边缘点，得到其谱内预测值：

(2b2)对于I_i-1,j-1,k≤min(I_i,j-1,k,I_i-1,j,k)，分以下两种情况得到当前谱段当前点I_i,j,k的谱内预测值

若(min(I_i,j-1,k,I_i-1,j,k)-I_i-1,j-1,k>T1)且(abs(I_i,j-1,k-I_i-1,j,k)<T₂)，则认为当前谱段当前点I_i,j,k是边缘点，得到其谱内预测值：

否则，认为当前谱段当前点I_i,j,k不是边缘点，得到其谱内预测值：

(2b3)对于min(I_i,j-1,k,I_i-1,j,k)<I_i-1,j-1,k<max(I_i,j-1,k,I_i-1,j,k)，认为当前谱段当前点I_i,j,k不是边缘点，得到其谱内预测值：

(2c)利用上述计算得到的当前谱段当前点的谱内预测值计算当前谱段当前点的谱内预测残差：

6.根据权利要求4所述的基于边缘的高光谱图像自适应无损预测编码方法，其特征在于步骤(3b2)所述的对参考谱段B^k-1的边缘检测图像CB^k-1进行分析，从给定的四个预测模板中选择一个作为最终的预测模板，按如下步骤进行：

(3b2.1)当参考谱段当前点I_i,j,k-1的边缘检测结果CI_i,j,k-1＝0时，选择0^o方向的预测模板作为它的预测模板，将选定的预测模板输出给(3b3)，结束步骤(3b2)；当参考谱段当前点I_i,j,k-1的边缘检测结果CI_i,j,k-1＝1，继续执行以下步骤；

(3b2.2)在以参考谱段当前点的边缘检测结果CI_i,j,k-1为中心的5*5邻域内，寻找与之相连的且边缘检测结果的值为1的点；

(3b2.3)以参考谱段当前点的边缘检测结果CI_i,j,k-1为中点，作四条直线L1、L2、L3、L4，其方向分别为0°、45°、135°和180°，计算步骤(3b2.2)中找到的点到直线L1、L2、L3、L4的距离的累加和，分别记为：D1、D2、D3、D4；

(3b2.4)求出距离的累加和D1、D2、D3、D4中的最小值，记为D_min，求出与最小距离累加和D_min对应的直线L_min；

(3b25)根据提供的四个方向预测模板，选择方向与直线L_min相同的预测模板作为最终预测模板，将最终预测模板输出给步骤(3b3)。

7.根据权利要求4所述的基于边缘的高光谱图像自适应无损预测编码方法，其特征在于步骤(3b4)所述的利用最终的最佳上下文，通过线性运算得到谱间预测值和谱间预测残差，按如下步骤进行：

(3b4.1)在最小均方误差的准则下，根据最佳上下文计算线性谱间预测系数为：

(3b4.2)利用参考谱段当前点I_i,j,k-1和线性谱间预测系数α，计算得到当前谱段当前点的谱间预测值为：

(3b4.3)利用当前谱段当前点I_i,j,k和当前谱段当前点的谱间预测值计算得到当前谱段当前点的谱间预测残差为：