CN103985096A - 基于离线训练的高光谱图像回归预测压缩方法 - Google Patents

Abstract

本发明公开了一种基于离线训练的高光谱图像回归预测压缩方法，包括如下步骤：读入m幅高光谱图像，对每幅图像分别用k-means聚类，得到m幅聚类索引图后；对m幅聚类索引图每个波段的进行离线回归训练，计算预测系数读入压缩图像；对于第一波段进行帧内预测；对其他波段中的每个像素值使用S2步骤中离线训练得到的预测系数进行预测，所有像素预测完成后，得预测图像；用原始图像和预测图像做差，得到残差图像；对残差图像采用Range Coder编码方法进行编码，输出文件，传送到解码器。本发明可应用于高复杂度多幅高光谱图像实现快速压缩要求的压缩技术中，压缩效率高。

Description

基于离线训练的高光谱图像回归预测压缩方法

技术领域

本发明属于图像压缩技术领域，涉及一种适用于高复杂度多幅高光谱图像压缩要求的实时应用的预测方法，具体地说是一种基于离线训练的高光谱图像回归预测压缩方法。

背景技术

高光谱遥感技术兴起于二十世纪末期，是一种对地观测技术，其在海洋遥感、地质勘查、大气和环境遥感、以及军事侦察等方面得到普遍应用。高光谱遥感技术获取的高光谱数据是普通二维图像和一维光谱维的叠加。因此，高光谱图像不仅包含了丰富的地物信息，也包含了大量的光谱信息，具有光谱分辨率高和谱像合一的特点。高光谱遥感技术的快速发展使得空间分辨率和光谱分辨率不断提高，因而高光谱图像的数据量越来越大，鉴于其高昂的获取代价和长期保存的价值，如何有效的对其进行无损压缩成为了一项重要的研究课题。针对此课题，国内和国外的许多研究者们提出了多种高光谱图像的压缩算法，包括基于预测的方法、基于变换的方法、基于矢量量化的方法，以及多种方法结合使用。

一幅图像的相邻像素间具有很强的相关性，通过观察一个像素的相邻像素的取值情况，可以预测该像素值的大致范围，即预测值。预测值和真实值之间的误差称为预测误差。预测误差的方差一般比原像素的方差小，因此多对预测误差进行编码以压缩其平均码长。

根据参考像素的维数，图像的预测压缩可分为一维、二维和三维预测。以同一行中的前几个像素值为参考像素进行预测，称为一维预测；以同一行或前几行像素值为参考像素进行预测，称为二维预测；以前几行和前几个波段的像素值为参考像素进行预测，称为三维预测。

发明内容

本发明为了克服基于聚类的回归预测压缩算法计算复杂度高的不足，以及减少边信息的编码和传输来提高编码效率，提出了一种基于离线训练的高光谱图像回归预测压缩方法，可应用于高复杂度多幅高光谱图像实现快速压缩要求的压缩技术中，压缩效率高。

为实现上述目的，本发明采取的技术方案为：

基于离线训练的高光谱图像回归预测压缩方法，包括如下步骤：

S1、读入m(m≥1；m∈Z)幅高光谱图像，对每幅图像分别用k-means(此处k＝16)聚类，得到m幅聚类索引图后；作为边信息经过RC编码后传输到解码端；

S2、对S1步骤中所得的m幅聚类索引图每个波段的进行离线回归训练，计算预测系数

S3、读入压缩图像；

S4、对于第一波段用JPEG-LS压缩标准的核心算法LOCO-I(LowComplexity Loss less Compression for Images)来进行帧内预测；对其他波段中的每个像素值使用S2步骤中离线训练得到的预测系数进行预测，预测模型为这里是c类z波段点j处的预测值；P_z-i，c，j是c类(z-i)波段点j处的实际值；α_z，c,i是c类z波段处的第i个预测系数；α_z，c，0是c类z波段处的补偿系数；N预测中用到的波段数，也就是阶数，所有像素预测完成后，得预测图像；

S5、用原始图像和预测图像做差，得到残差图像；

S6、对残差图像采用Range Coder编码方法进行编码，输出文件，传送到解码器。

所述S2步骤中的计算预测系数的方法为：假设m幅图像的当前类共有S条谱线，预测阶数为N，用当前类当前波段上的所有像素值{P₀₁，P₀₂，...，P_0S}和前N个波段对应的像素值{P₁₁，P₂₁，...P_N1；P₁₂，P₂₂，...，P_N2；...；P_1S，P_2S，...，P_NS}做多元回归训练，此时

把方程(1)带入方程中，得到预测值与实际值误差平方和最小的一组预测系数

所述S4步骤中帧内预测的方法为：

设x为第一波段中的当前像素，而a、b、c分别为其上方、左方和左上方的已知像素，那么x的预测值为

$\hat{x}=\left\{\begin{array}{c}\min (a,b),\mathrm{if}(c>=\max (a,b))\\ \max (a,b),\mathrm{if}(c<=\min (a,b))\\ a+b-c,\mathrm{else}\end{array}\right.---\left(2\right).$

所述S1步骤中所述k-means聚类，按如下步骤进行：

S11、随机选取k个聚类质心点为μ1，μ2，...，μk∈Rn。

S12、重复下面过程直到收敛{

对于每一个样例i，计算其应该属于的类

$c^{\left(i\right)}:=\arg \underset{j}{\min }{\left|\right|x^{\left(i\right)}-{\mathrm{\&mu;}}_j\left|\right|}^2$

对于每一个类j，重新计算该类的质心

${\mathrm{\&mu;}}_j:=\frac{{\mathrm{\&Sigma;}}_{i=1}^{m}1\{c^{\left(i\right)}=j\}{x}^{\left(i\right)}}{{\mathrm{\&Sigma;}}_{i=1}^{m}1\{c^{\left(i\right)}=j\}}$

}。

本发明的有益效果：本发明可以实现降低基于聚类的高光谱压缩算法的复杂度。经过离线训练的预测系数可以直接用于其余高光谱图像的预测，这样避免了每一幅图像重新训练预测系数，从而大大降低了运算的复杂度。而又由于高光谱图像相似性高的特点，其压缩率并没有降低。这样实现了高效率的压缩。本发明在编码过程中减少了边信息即每幅图像的预测系数的编码以及传输，这样实现了相对的快速压缩。

附图说明

图1是离线训练的高光谱自适应回归预测算法流程图；

图2是CCSDS2006AVIRIS图像集中已校正图像的无损压缩结果比较

图3是CCSDS2006AVIRIS图像集中未校正图像的无损压缩结果比较

具体实施方式

为了使本发明的目的及优点更加清楚明白，以下结合附图和实施例对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

如图1所示，本发明的基于离线训练的高光谱图像回归预测压缩方法，包括如下步骤：

S1、读入m(m≥1；m∈Z)幅高光谱图像，对每幅图像分别用k-means(此处k＝16)聚类，得到m幅聚类索引图后；作为边信息经过RC编码后传输到解码端；

S2、对S1步骤中所得的m幅聚类索引图每个波段的进行离线回归训练，计算预测系数假设m幅图像的当前类共有S条谱线，预测阶数为N，用当前类当前波段上的所有像素值{P₀₁，P₀₂，...，P_0S}和前N个波段对应的像素值{P₁₁，P₂₁，...P_N1；P₁₂，P₂₂，...，P_N2；...；P_1S，P_2S，...，P_NS}做多元回归训练，此时

把方程(1)带入方程中，得到预测值与实际值误差平方和最小的一组预测系数

S3、读入压缩图像；

S4、对于第一波段用JPEG-LS压缩标准的核心算法LOCO-I(LowComplex ity Loss less Compress ion for Images)来进行帧内预测；设x为第一波段中的当前像素，而a、b、c分别为其上方、左方和左上方的已知像素，那么x的预测值为

$\hat{x}=\left\{\begin{array}{c}\min (a,b),\mathrm{if}(c>=\max (a,b))\\ \max (a,b),\mathrm{if}(c<=\min (a,b))\\ a+b-c,\mathrm{else}\end{array}\right.---\left(2\right).$

对其他波段中的每个像素值使用S2步骤中离线训练得到的预测系数进行预测，预测模型为这里是c类z波段点j处的预测值；P_z-i,c,j是c类(z-i)波段点j处的实际值；α_z，c,1是c类z波段处的第i个预测系数；α_z，c，0是c类z波段处的补偿系数；N预测中用到的波段数，也就是阶数，所有像素预测完成后，得预测图像；

S5、用原始图像和预测图像做差，得到残差图像；

S6、对残差图像采用Range Coder编码方法进行编码，输出文件，传送到解码器。

其中，传输到解码端的数据除了残差熵编码后的码流，还包含熵编码后的聚类索引。

此方法用到的实验数据来自空间数据系统咨询委员会(CCSDS)的多光谱及高光谱数据压缩(MHDC)工作组在2006年提供的一组校正过的以及未校正的AVIRIS测试图像。其中包括5幅校正过的Yellowstone，WY图像，其像素值为16比特有符号数，文件名后缀为“.cal”(fi les ending in“.cal”)，5幅未校正的Yellowstone，WY图像，其像素值为16比特无符号数，文件名后缀为“.raw”(fi les ending in“.raw”)，以及一幅Hawaii和一幅Maine的未校正图像，其像素值都为12比特数值。Hawai i图的规格为512lines x614samples x224bands，其他未校正图像都为512lines x680samples x224bands，校正后图像均为512lines x677samples x224bands。

分别对矫正过以及未校正图像选择前三幅图进行离线训练，将得到的预测系数用去其他全部图像来预测像素。得到图2图3所示的结果。

所述S1步骤中所述k-means聚类，按如下步骤进行：

S11、随机选取k个聚类质心点为μ1，μ2，...，μk∈Rn。

S12、重复下面过程直到收敛{

对于每一个样例i，计算其应该属于的类

$c^{\left(i\right)}:=\arg \underset{j}{\min }{\left|\right|x^{\left(i\right)}-{\mathrm{\&mu;}}_j\left|\right|}^2$

对于每一个类j，重新计算该类的质心

${\mathrm{\&mu;}}_j:=\frac{{\mathrm{\&Sigma;}}_{i=1}^{m}1\{c^{\left(i\right)}=j\}{x}^{\left(i\right)}}{{\mathrm{\&Sigma;}}_{i=1}^{m}1\{c^{\left(i\right)}=j\}}$

}。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (4)

1.基于离线训练的高光谱图像回归预测压缩方法，其特征在于，包括如下步骤：

S1、读入m幅高光谱图像，对每幅图像分别用k-means聚类，得到m幅聚类索引图后；

S2、对S1步骤中所得的m幅聚类索引图每个波段的进行离线回归训练，计算预测系数

S3、读入压缩图像；

S4、对于第一波段进行帧内预测；对其他波段中的每个像素值使用S2步骤中离线训练得到的预测系数进行预测，预测模型为这里是c类z波段点j处的预测值；P_z-1，c，j是c类(z-i)波段点j处的实际值；α_z，c，i是c类z波段处的第i个预测系数；α_z，c，0是c类z波段处的补偿系数；N预测中用到的波段数，也就是阶数，所有像素预测完成后，得预测图像；

S5、用原始图像和预测图像做差，得到残差图像；

S6、对残差图像采用Range Coder编码方法进行编码，输出文件，传送到解码器。

2.根据权利要求1所述的基于离线训练的高光谱图像回归预测压缩方法，其特征在于，所述S2步骤中的计算预测系数的方法为：假设m幅图像的当前类共有S条谱线，预测阶数为N，用当前类当前波段上的所有像素值{P₀₁，P₀₂，...，P_0S}和前N个波段对应的像素值{P₁₁，P₂₁，...P_N1；P₁₂，P₂₂，...，P_N2；...；P_1S，P_2S，...，P_NS}做多元回归训练，此时

把方程(1)带入方程中，得到预测值与实际值误差平方和最小的一组预测系数

3.根据权利要求1所述的基于离线训练的高光谱图像回归预测压缩方法，其特征在于，所述S4步骤中帧内预测的方法为：

设x为第一波段中的当前像素，而a、b、c分别为其上方、左方和左上方的已知像素，那么x的预测值为

$\hat{x}=\left\{\begin{array}{c}\min (a,b),\mathrm{if}(c>=\max (a,b))\\ \max (a,b),\mathrm{if}(c<=\min (a,b))\\ a+b-c,\mathrm{else}\end{array}\right.---\left(2\right).$

4.根据权利要求1所述的基于离线训练的高光谱图像回归预测压缩方法，其特征在于，所述S1步骤中所述k-means聚类，按如下步骤进行：

S11、随机选取k个聚类质心点为μ1，μ2，...，μk∈Rn。

S12、重复下面过程直到收敛{

对于每一个样例i，计算其应该属于的类

$c^{\left(i\right)}:=\arg \underset{j}{\min }{\left|\right|x^{\left(i\right)}-{\mathrm{\&mu;}}_j\left|\right|}^2$

对于每一个类j，重新计算该类的质心

${\mathrm{\&mu;}}_j:=\frac{{\mathrm{\&Sigma;}}_{i=1}^{m}1\{c^{\left(i\right)}=j\}{x}^{\left(i\right)}}{{\mathrm{\&Sigma;}}_{i=1}^{m}1\{c^{\left(i\right)}=j\}}$

}。