CN103841420B

CN103841420B - 一种基于感兴趣像素保护的高光谱图像压缩方法

Info

Publication number: CN103841420B
Application number: CN201410091375.3A
Authority: CN
Inventors: 石翠萍; 靳展; 刘文礼
Original assignee: Qiqihar University
Current assignee: Qiqihar University
Priority date: 2014-03-07
Filing date: 2014-03-07
Publication date: 2018-02-16
Anticipated expiration: 2034-03-07
Also published as: CN103841420A

Abstract

本发明公开了一种基于感兴趣像素保护的高光谱图像压缩方法，该方法包括两个步骤。第一步是感兴趣像素提取，第二步是基于感兴趣像素保留的压缩方法实现。采用的解混方法，对于高光谱图像的主要边缘的保护，本发明压缩方法优于普通压缩方法，实验结果充分证明提出方法的有效性。在其他区域，采用本发明方法得到的边缘信息，也比采用普通压缩方法得到的信息更细致，尽管程度不同，随着压缩比的增大，本发明方法的优势表现的更加明显。

Description

一种基于感兴趣像素保护的高光谱图像压缩方法

技术领域

本发明属于图像处理技术领域，涉及一种基于感兴趣像素保护的高光谱图像压缩方法。

背景技术

高光谱图像的优势体现在信息的丰富程度上。有损压缩虽然可以实现压缩，但由于压缩图像可能影响到后期应用效果，所以并没有得到广泛的认可。因此，如何在有效压缩图像的同时，保留尽可能多的关键信息成为了极具挑战性的问题。

大多数的高光谱图像有损压缩方法通常是保留低频信息，但是对于边缘检测这样的应用来说，高频信息更有用，这种情况下，评价压缩方法是否有效，不是看主要能量的恢复程度，而是看高频信息恢复的程度。

发明内容

本发明的目的在于克服上述技术存在的缺陷，相对于ROI更侧重于给定区域的概念，提供一种基于感兴趣像素保护的高光谱图像压缩方法，该方法包括两个步骤。第一步是感兴趣像素提取，第二步是基于感兴趣像素保留的压缩方法实现。

其具体技术方案为：

一种基于感兴趣像素保护的高光谱图像压缩方法，包括以下步骤：

A.感兴趣像素提取

采用的解混方法，将混合像素作为感兴趣像素来实现，这是由于，混合像素一般在边缘，更有利于高频信息的恢复；在这里我们采用线性光谱混合模型LSMM来进行亚像元分析，解混后，得到一系列丰度图，然后采用阈值T来区分纯像素和混合像素假设有m个端元，则对应m个丰度图对于一个给定的丰度图k，p_i，j，k表示该丰度图在位置(i，j)处的丰度值，为了方便解释，分别用S_pure和S_mixed代表纯像元集合和混合像元集合；

则感兴趣信息掩膜为：

B.基于兴趣点保留的高光谱图像压缩

B1.去相关和感兴趣信息提升策略

采用二维离散小波变换和K-L变换来分别减小空域和频域的冗余，变换后的高光谱图像用Y={Y₁，Y₂，K，Y_p}来表示，p表示波段数，然后，对应着感兴趣信息掩膜MPI的位平面被提升，变换分量Y_i对应的提升因子s_i由式(4)计算：

对于变换后的高光谱图像，经过感兴趣像素提升后，表示为Y′={Y′₁，Y′₂，K，Y_′p}；

B2.基于SPIHT_TCIRA算法的比特分配和编码

对每个变换分量来说，分配比特最直接的方法是为每个系数分配相同数量的比特，高光谱图像经过KLT变换后，每个分量的能量都是不同的，分量的位置越高，则包含的能量越大，采用SPIHT_TCIRA算法来进行比特分配。

进一步优选，步骤B2中所述的SPIHT_TCIRA算法描述如下：

SPIHT_TCIRA(R，{Y′₁，Y′₂...，Y′_N})

for i=1，2，...，N

B_i=SPIHT_Encode(R_i，Y′_i)

B=B o B_i

return B

其中，是Y′_i(i=1，2，...，P)的方差，R_i是Y′_i·的比特率，R是压缩后的总比特率，B_i是分量Y′_i经过SPIHT编码后对应的比特流，B是总比特流，‘o’代表比特流连接。

与现有技术相比，本发明的有益效果为：对于高光谱图像的主要边缘的保护，本发明压缩方法优于普通压缩方法，实验结果充分证明提出方法的有效性。在其他区域，采用本发明方法得到的边缘信息，也比采用普通压缩方法得到的信息更细致，尽管程度不同，随着压缩比的增大，本发明方法的优势表现的更加明显。

附图说明

图1是本发明基于感兴趣像素保护的高光谱图像压缩方法的流程图；

图2是代表样本；

图3是样本对应的光谱曲线；

图4是样本对应的丰度图，其中，图4(a)是样本1，图4(b)是样本2，图4(c)是样本3，图4(d)是样本4；

图5是高光谱图像的空域的感兴趣掩膜；

图6是重建PSNR值的比较图，其中，图6(a)是POI曲线；图6(b)是整个高光谱图像曲线；

图7不同压缩比下的边缘比较图，其中，图7(a)原始的高光谱图像，图7(b)CR=80时的普通压缩方法，图7(c)CR=80时的本压缩方法，图7(d)CR=120时的普通压缩方法，图7(e)CR=120时的本压缩方法，图7(f)CR=160时的普通压缩方法，图7(g)CR=160时的本压缩方法。

具体实施方式

下面结合附图和具体实施例对本发明的技术方案作进一步详细地说明。

本发明提出的基于感兴趣像素保护的高光谱图像压缩方法包括两个步骤。第一步是感兴趣像素提取，第二步是基于感兴趣像素保留的压缩方法实现。该方法的流程图如图1所示。1感兴趣像素提取

感兴趣像素提取主要采用的解混方法，将混合像素作为感兴趣像素来实现，这是由于，混合像素一般在边缘，更有利于高频信息的恢复。在这里我们采用线性光谱混合模型(LSMM)来进行亚像元分析。解混后，可以得到一系列丰度图，然后我们可以采用阈值T来区分纯像素和混合像素。假设有m个端元，则对应m个丰度图。对于一个给定的丰度图k，p_i，j，k表示该丰度图在位置(i，j)处的丰度值。为了方便解释，本发明分别用S_pure和S_mixed代表纯像元集合和混合像元集合。

则感兴趣信息掩膜为：

2基于兴趣点保留的高光谱图像压缩

2.1去相关和感兴趣信息提升策略

这里采用二维离散小波变换和K-L变换来分别减小空域和频域的冗余。变换后的高光谱图像用Y={Y₁，Y₂，K，Y_p}来表示(p表示波段数)。然后，对应着感兴趣信息掩膜(MPI)的位平面被提升。变换分量Y_i对应的提升因子s_i由式(4)计算。

对于变换后的高光谱图像，经过感兴趣像素提升后，可以表示为Y′={y′₁，Y′₂，K，Y′_p}

2.2基于SPIHT_TCIRA算法的比特分配和编码

对每个变换分量来说，分配比特最直接的方法是为每个系数分配相同数量的比特。然而，高光谱图像经过KLT变换后，每个分量的能量都是不同的。分量的位置越高，则包含的能量越大。因此，本发明提出了一种SPIHT_TCIRA算法来进行比特分配。

SPIHT_TCIRA算法描述如下：

SPIHT_TCIRA(R，{Y′₁，Y′₂...，Y′_N})

for i=1，2，...，N

B_i=SPIHT_Encode(R_i，Y′_i)

B=B o B_i

return B

3、实验和结论

为了验证此方法，本发明采用ROSIS-03光学传感器的机载数据进行实验。该数据是在意大利北部的帕维亚飞行时通过成像光谱仪获得的。

数据规格为，ROSIS-03光学传感器的波段数为115，光谱范围为0.43至0.86μm，空间分辨率为1.3米。这个数据是对帕维亚大学的工程学院进行拍摄得到的。图像大小为610×340，在这115个波段的图像中，由于有12个波段噪声很多，所以被移除，最后保留的波段总数是103个。考虑到运算速度，在实验中我们只采用了左上方的256×256的图像。所有的实验仿真都是在Matlab R2011上运行的，运行环境为Windows XP系统，内存2GHz，Pentium4处理器。

3.1感兴趣信息掩膜的生成

在实验中，我们手动选择了四个有代表性的样本。图2和图3中分别为这些样本及对应的光谱曲线，图5是这些样本对应的丰度图。实验中，阈值设为0.61。图5为空域的感兴趣信息掩膜。

3.2高光谱图像压缩

为了证明提出方案的有效性，在相同条件下，采用了同样用2D-DWT和KLT去冗余，用SPIHT产生码流的普通方法进行对比。感兴趣像素的重建PSNR以及整个高光谱图像重建后的PSNR分别如图6(a)和图6(b)所示。

从图6可以看出，尽管重建后感兴趣像素质量的提高是以整个高光谱图像质量下降为代价的，但是我们可以看到，当CR>30时，采用本发明方法，其感兴趣像素对应的PSNR和整个高光谱图像的PSNR都高于常用方法。说明在高压缩比的情况下，本发明方法的优势更为明显。值得注意的是，当CR很大时，正是高频成分最容易丢失的情况。这种情况下，本方法更有意义，可以更有效的保留关键的高频信息。

3.3本压缩方案的性能

为了证明本方案的有效性，我们采用边缘检测来验证高频信息保护的效果，这是因为边缘信息属于高频信息。在实验中，对于高光谱图像的第i个分量，我们采用“candy”算子来检测图像边缘，并用ed_i来表示，那么高光谱图像所有分量的边缘可以表示成{ed₁，ed₂，...，ed_P}。因此，高光谱图像的边缘可以表示为：

ed_HSI=(ed₁+ed₂+...+ed_P)／p (5)

对于采用本发明方法和采用普通压缩方法得到的重建高光谱图像，分别计算它们的边缘，然后在不同压缩率的情况下比较两者性能。当CR=80,120,160,时，结果如图7所示。

从图7可以看出，对于高光谱图像的主要边缘的保护，本压缩方法优于普通压缩方法，图7中红色数字标记的部分充分证明提出方法的有效性。在其他区域，采用本发明方法得到的边缘信息，也比采用普通压缩方法得到的信息更细致，尽管程度不同。随着压缩比的增大，本发明方法的优势表现的更加明显。

以上所述，仅为本发明较佳的具体实施方式，本发明的保护范围不限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可显而易见地得到的技术方案的简单变化或等效替换均落入本发明的保护范围内。

Claims

1.一种基于感兴趣像素保护的高光谱图像压缩方法，其特征在于，包括以下步骤：

A.感兴趣像素提取

采用的解混方法，将混合像素作为感兴趣像素来实现，采用线性光谱混合模型LSMM来进行亚像元分析，解混后，得到一系列丰度图，然后采用阈值T来区分纯像素和混合像素；假设有m个端元，则对应m个丰度图；对于一个给定的丰度图k，p_i，j，k表示该丰度图在位置(i，j)处的丰度值，分别用S_pure和S_mixed代表纯像元集合和混合像元集合；

<mrow> <msub> <mi>S</mi> <mrow> <mi>p</mi> <mi>u</mi> <mi>r</mi> <mi>e</mi> </mrow> </msub> <mo>=</mo> <mo>{</mo> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo>|</mo> <mo>&Exists;</mo> <mi>k</mi> <mo>&Element;</mo> <mo>{</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mo>...</mo> <mo>,</mo> <mi>m</mi> <mo>}</mo> <mo>,</mo> <msub> <mi>p</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>,</mo> <mi>k</mi> </mrow> </msub> <mo>&GreaterEqual;</mo> <mi>T</mi> <mo>}</mo> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow>

<mrow> <msub> <mi>S</mi> <mrow> <mi>m</mi> <mi>i</mi> <mi>x</mi> <mi>e</mi> <mi>d</mi> </mrow> </msub> <mo>=</mo> <mo>{</mo> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo>|</mo> <mo>&ForAll;</mo> <mi>k</mi> <mo>&Element;</mo> <mo>{</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mo>...</mo> <mo>,</mo> <mi>m</mi> <mo>}</mo> <mo>,</mo> <msub> <mi>p</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>,</mo> <mi>k</mi> </mrow> </msub> <mo><</mo> <mi>T</mi> <mo>}</mo> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow>

则感兴趣信息掩膜为：

<mrow> <mi>M</mi> <mi>P</mi> <mi>I</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mrow> <mi>i</mi> <mi>f</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo>&Element;</mo> <msub> <mi>S</mi> <mrow> <mi>p</mi> <mi>u</mi> <mi>r</mi> <mi>e</mi> </mrow> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mn>1</mn> </mtd> <mtd> <mrow> <mi>i</mi> <mi>f</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo>&Element;</mo> <msub> <mi>S</mi> <mrow> <mi>m</mi> <mi>i</mi> <mi>x</mi> <mi>e</mi> <mi>d</mi> </mrow> </msub> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo> </mrow> </mrow>

B.基于兴趣点保留的高光谱图像压缩

B1.去相关和感兴趣信息提升策略

采用二维离散小波变换和K-L变换来分别减小空域和频域的冗余，变换后的高光谱图像用Y＝{Y₁，Y₂，...，Y_p}来表示，p表示波段数，然后，对应着感兴趣信息掩膜MPI的位平面被提升，变换分量Y_i对应的提升因子s_i由式(4)计算：

对于变换后的高光谱图像，经过感兴趣像素提升后，表示为Y′＝{Y₁′，Y₂′，...，Y_p′}；

B2.基于SPIHT_TCIRA算法的比特分配和编码

对每个变换分量来说，分配比特最直接的方法是为每个系数分配相同数量的比特，高光谱图像经过K-L变换后，每个分量的能量都是不同的，分量的位置越高，则包含的能量越大，采用SPIHT_TCIRA算法来进行比特分配。