CN104270642A - 一种基于rklt和主成分选取的高光谱图像无损压缩方法 - Google Patents
一种基于rklt和主成分选取的高光谱图像无损压缩方法 Download PDFInfo
- Publication number
- CN104270642A CN104270642A CN201410566867.3A CN201410566867A CN104270642A CN 104270642 A CN104270642 A CN 104270642A CN 201410566867 A CN201410566867 A CN 201410566867A CN 104270642 A CN104270642 A CN 104270642A
- Authority
- CN
- China
- Prior art keywords
- matrix
- rklt
- pcs
- principal component
- lossless compression
- 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.)
- Granted
Links
Landscapes
- Compression Of Band Width Or Redundancy In Fax (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
一种基于RKLT和主成分选取的高光谱图像无损压缩方法,属于遥感高光谱图像压缩技术领域。本发明解决了现有的KLT方法在高光谱图像无损压缩时,产生的浮点数系数不利于在硬件上处理的问题,技术方案为:将高光谱图像由3D转化为2D矩阵;变换矩阵通过RKLT分解为四个整数矩阵和变换系数;变换系数选取主成分再进行RKLT逆变换;逆变换的矩阵与原2D矩阵相减得到残差;残差和选取主成分的RKLT正变换矩阵经过预测、正向映射、区间编码形成编码流;KLT生成的变换矩阵保存为RAW文件后与上一步的编码流一同作为压缩后的数据传给压缩端;用搜索法寻找最优的需要选取的主成分的个数。本发明适用于对高光谱图像进行无损压缩。
Description
技术领域
本发明涉及一种遥感高光谱图像处理方法,具体涉及一种基于RKLT和主成分选取的高光谱图像压缩方法,属于遥感高光谱图像压缩技术领域。
背景技术
高光谱遥感是遥感技术发展的又一革命,它是具有高光谱分辨率的遥感科学和技术,以测谱学(Spectroscopy)为基础,可以对同一个空间像元产生几十到上百个连续的波段。高光谱遥感的光谱分辨率高、光谱连续,应用范围也更加广阔,它利用很多很窄的电磁波波段从感兴趣的物体上获取大量相关数据,它可以获得近似连续的光谱信息,覆盖整个可见光至近红外(0.4-2.4微米)光谱范围,波段宽度一般小于10纳米,一幅高光谱图像可以得到几十到上百波段的图像,在处理空间特征的同时处理光谱特征,因此在常规二维图像的基础上,又得到了第三维信息——“光谱维”信息,大大提高了从遥感图像中获取地物信息的能力。
近些年来,成像光谱仪技术和无线数据传输技术发展迅猛,成像波段更多、光谱分辨率更高、所含有的光谱信息也更为丰富。与传统的多光谱图像相比,高光谱图像大大提高了图像的光谱分辨率,能够在纳米级的光谱分辨率上对地物进行上百个谱带的成像。信息量的增加必然导致数据量的递增,高光谱图像这种海量数据带来最突出的问题就是传输和存储的困难,随着高光谱图像成像技术不断发展,其空间分辨率和谱间分辨率也随之提高,数据量必然增加迅猛。面对如此庞大的高光谱图像数据,研究一种高效的压缩方法显得尤为重要。高光谱图象不仅具有空间相关性,而且具有较强的光谱相关性,其压缩方法主要通过去除空间和光谱间的冗余,以实现减少数据量的目的。高光谱图象压缩方法主要包括基于预测的压缩、基于变换的压缩和基于矢量量化的压缩三大类。KLT(Karhunen-LoeveTransform)是一种理论上在最小均方误差准则意义下去相关性能最优的线性变换。KLT系数是浮点数,不利于编码以及硬件储存等。因此,RKLT(Reversible KLT)在最新的研究中应运而生,RKLT是可逆的整数KLT,它将KLT中产生的浮点矩阵变换为整数矩阵,从而省去了量化步骤,其突出特点就是既具备KLT的去除相关性的性能,又能实现整数到整数的映射,且过程是完全可逆的,有利于无损压缩的实现。本发明研究运用RKLT和主成分选取相结合的方法,得到了较高的压缩比,并且更容易在硬件上实现,对高光谱图象的有效压缩和进一步应用具有重要的理论意义和应用价值。
发明内容
本发明的目的是提出一种基于RKLT和主成分选取的高光谱图像无损压缩方法,以解决现有的KLT方法在高光谱图像无损压缩时,产生的浮点数系数不利于在硬件上处理的问题。
本发明为解决上述技术问题所采用的技术方案是:
本发明所述的一种基于RKLT和主成分选取的高光谱图像无损压缩方法,是按照以下步骤实现的:步骤一、将行数、列数、波段数分别为nx、ny、nz的3D高光谱图像转换成行数nx×ny、列数为nz的2D矩阵I;
步骤二、将步骤一得到的矩阵I经过RKLT生成四个大小均为nz×nz的矩阵T、H、M、N以及一个行数为nx×ny,列数为nz的变换系数的矩阵Y_RKLT_THMN,且Y_RKLT_THMN的元素全部是整数,其中T、H、M、N由RKLT中KLT生成的行数列数均为nz的特征向量组成的矩阵COEFF经过矩阵分解而得;
步骤三、令Y_RKLT_THMN第npcs+1个列向量到第nz个列向量为零,对其进行RKLT逆变换得到恢复的整数矩阵X_REC_NMHT,其大小与Y_RKLT_THMN相同;
步骤四、将X_REC_NMHT与原图像矩阵I相减得到残差,即dl=I-X_REC_NMHT得到行数为nx×ny、列数为nz的残差dl,并将残差进行正向映射和区间编码,产生编码码流1;
其中,正向映射即将残差矩阵中的元素ei,j经过下式处理:
步骤五、选取Y_RKLT_THMN的前npcs个列向量,得到行数为nx×ny、列数为npcs的新矩阵Y_RKLT_THMN1,新矩阵经过预测、正向映射和区间编码,产生编码码流2;
步骤六、将步骤二中的矩阵COEFF直接保存为16位精度的raw文件;
步骤七、将步骤四、步骤五得到的编码码流、步骤六得到的raw文件组织在一起作为最终的压缩码流传送给解码端;
步骤八、搜索寻找最佳的主成分选取个数npcs,使得压缩比达到最大。
本发明的有益效果是:
1、本发明的压缩方法产生的待编码的系数均为整数,相比于浮点数,整数具有更少的位数,占有更小的存储空间,并且在加减运算上,整数运算复杂度要远远小于浮点数,更有利于在硬件上进行处理。
附图说明
图1是本发明压缩方法的流程图;
图2、图3、图4分别为本发明所采用的测试图像scene0、scene3、scene18在150波段、90波段、90波段下的显示图;
图5是3D高光谱图像转换为2D矩阵方法的示意图。
具体实施方式
结合图1、图5说明本发明的实施方式,具体如下:
具体实施方式一:本实施方式所述的一种基于RKLT和主成分选取的高光谱图像无损压缩方法,包括以下步骤:
步骤一、将行数、列数、波段数分别为nx、ny、nz的3D高光谱图像转换成行数nx×ny、列数为nz的2D矩阵I;
步骤二、将步骤一得到的矩阵I经过RKLT生成四个大小均为nz×nz的矩阵T、H、M、N以及一个行数为nx×ny,列数为nz的变换系数的矩阵Y_RKLT_THMN,且Y_RKLT_THMN的元素全部是整数,其中T、H、M、N由RKLT中KLT生成的行数列数均为nz的特征向量组成的矩阵COEFF经过矩阵分解而得;
步骤三、令Y_RKLT_THMN第npcs+1个列向量到第nz个列向量为零,对其进行RKLT逆变换得到恢复的整数矩阵X_REC_NMHT,其大小与Y_RKLT_THMN相同;
步骤四、将X_REC_NMHT与原图像矩阵I相减得到残差,即dl=I-X_REC_NMHT得到行数为nx×ny、列数为nz的残差dl,并将残差进行正向映射和区间编码(Rangecoding),产生编码码流1;
其中,正向映射即将残差矩阵中的元素ei,j经过下式处理:
步骤五、选取Y_RKLT_THMN的前npcs个列向量,得到行数为nx×ny、列数为npcs的新矩阵Y_RKLT_THMN1,新矩阵经过预测、正向映射和区间编码,产生编码码流2;
步骤六、将步骤二中的矩阵COEFF直接保存为16位精度的raw文件;
步骤七、将步骤四、步骤五得到的编码码流、步骤六得到的raw文件组织在一起作为最终的压缩码流传送给解码端;
步骤八、npcs的取值决定了步骤四、步骤五得到的编码码流大小,进而决定了步骤七得到的最终的压缩码流的大小,从而影响得到的压缩比,因此要搜索寻找最佳的主成分选取个数npcs,使得压缩比达到最大。
具体实施方式二:本实施方式与具体实施方式一不同的是:步骤一所述的图像转换方式为:高光谱图像是3D的,为了进行RKLT变换,需要将数据变换为2D形式,即通过如图5的zig-zag扫描方式实现。如图所示,行数、列数、波段数分别为nx、ny、nz的3D高光谱图像形成一个nx×ny行nz列的2D数据。其它步骤与具体实施方式一相同。
具体实施方式三:本实施方式与具体实施方式一或二不同的是:步骤四所述的正向映射为:正向映射即将残差矩阵中的元素ei,j经过下式处理:
得到新的矩阵dl’,ri,j是新的矩阵dl’中的元素。其它步骤与具体实施方式一或二相同。
具体实施方式四:本实施方式与具体实施方式一至三之一不同的是:步骤五所述的预测的实现方式如下:将2D矩阵Y_RKLT_THMN1转化为3D矩阵Y_RKLT_THMN1_3D(维度为nx×ny×npcs),即生成npcs个维数为nx×ny的2D矩阵,对于每个2D矩阵,首先对其中的元素ci,j进行第一次预测并更新矩阵,预测方法如下:
其中,1<i≤nx,1<j≤ny;
之后,将预测后的3D矩阵转化为2D矩阵,再对该2D矩阵做第二次预测:即只对该2D矩阵第一行做变换,预测后的新元素x'1,j=x1,j-x1,j-1,其中1<j≤ny。其它步骤与具体实施方式一至三之一相同。
具体实施方式五:本实施方式与具体实施方式一至四之一不同的是:步骤八所述的搜索方法为:在MATLAB、C语言、C++等应用程序中,以npcs=S为起点,向前由npcs=S-1一直遍历到npcs=S-P,向后由npcs=S+1遍历到npcs=S-Q,向前或向后每遍历一个数就重复步骤三到步骤七,得到的压缩比跟前一个比较,如果比前一个数得到的压缩比大,则更新压缩比,直到遍历到最后,找到最大压缩比,然后比较向前和向后分别得到的最大压缩比,以得到最佳的主成分个数npcs。其它步骤与具体实施方式一至四之一相同。
本发明的实施例如下:
实验数据使用美国NASA喷气动力实验室JPL提供的三幅AVIRIS高光谱图像,2006Yellowstone calibrated scene 0、scene3、scene18。均为16bit量化,224波段(即nz=224),每个波段512行(即nx=512),677列(即ny=677),其三个波段分别如图2、3、4所示。本方法得到的压缩比与无损图像压缩方法LUT-NN和LAIS-UT得到的压缩比对比如下表。
表一 不同压缩方法得到的压缩比
本发明将通常用于图像有损压缩的KLT成功应用于高光谱图像无损压缩,并且用RKLT使得KLT产生的浮点数系数转化为整数。
Claims (5)
1.一种基于RKLT和主成分选取的高光谱图像无损压缩方法,其特征在于所述方法包括以下步骤:
步骤一、将行数、列数、波段数分别为nx、ny、nz的3D高光谱图像转换成行数nx×ny、列数为nz的2D矩阵I;
步骤二、将步骤一得到的矩阵I经过RKLT生成四个大小均为nz×nz的矩阵T、H、M、N以及一个行数为nx×ny,列数为nz的变换系数的矩阵Y_RKLT_THMN,且Y_RKLT_THMN的元素全部是整数,其中T、H、M、N由RKLT中KLT生成的行数列数均为nz的特征向量组成的矩阵COEFF经过矩阵分解而得;
步骤三、令Y_RKLT_THMN第npcs+1个列向量到第nz个列向量为零,对其进行RKLT逆变换得到恢复的整数矩阵X_REC_NMHT,其大小与Y_RKLT_THMN相同;
步骤四、将X_REC_NMHT与原图像矩阵I相减得到残差,即dl=I-X_REC_NMHT得到行数为nx×ny、列数为nz的残差dl,并将残差进行正向映射和区间编码,产生编码码流1;
其中,正向映射即将残差矩阵中的元素ei,j经过下式处理:
步骤五、选取Y_RKLT_THMN的前npcs个列向量,得到行数为nx×ny、列数为npcs的新矩阵Y_RKLT_THMN1,新矩阵经过预测、正向映射和区间编码,产生编码码流2;
步骤六、将步骤二中的矩阵COEFF直接保存为16位精度的raw文件;
步骤七、将步骤四、步骤五得到的编码码流、步骤六得到的raw文件组织在一起作为最终的压缩码流传送给解码端;
步骤八、搜索寻找最佳的主成分选取个数npcs,使得压缩比达到最大。
2.根据权利要求1所述的一种基于RKLT和主成分选取的高光谱图像无损压缩方法,其特征在于步骤一所述的图像转换方式为:通过zig-zag扫描方式实现。
3.根据权利要求2所述的一种基于RKLT和主成分选取的高光谱图像无损压缩方法,其特征在于步骤四所述的正向映射为:正向映射即将残差矩阵中的元素ei,j经过下式处理:
得到新的矩阵dl’,ri,j是新的矩阵dl’中的元素。
4.根据权利要求3所述的一种基于RKLT和主成分选取的高光谱图像无损压缩方法,其特征在于步骤五所述的预测的实现方式如下:
将2D矩阵Y_RKLT_THMN1转化为3D矩阵Y_RKLT_THMN1_3D,即生成npcs个维数为nx×ny的2D矩阵,对于每个2D矩阵,首先对其中的元素ci,j进行第一次预测并更新矩阵,预测方法如下:
其中,1<i≤nx,1<j≤ny;
之后,将预测后的3D矩阵转化为2D矩阵,再对该2D矩阵做第二次预测:即只对该2D矩阵第一行做变换,预测后的新元素x'1,j=x1,j-x1,j-1,其中1<j≤ny。
5.根据权利要求4所述的一种基于RKLT和主成分选取的高光谱图像无损压缩方法,其特征在于步骤八所述的搜索方法为:以npcs=S为起点,向前由npcs=S-1一直遍历到npcs=S-P,向后由npcs=S+1遍历到npcs=S-Q,向前或向后每遍历一个数就重复步骤三到步骤七,得到的压缩比跟前一个比较,如果比前一个数得到的压缩比大,则更新压缩比,直到遍历到最后,找到最大压缩比,然后比较向前和向后分别得到的最大压缩比,以得到最佳的主成分个数npcs。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410566867.3A CN104270642B (zh) | 2014-10-22 | 2014-10-22 | 一种基于rklt和主成分选取的高光谱图像无损压缩方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410566867.3A CN104270642B (zh) | 2014-10-22 | 2014-10-22 | 一种基于rklt和主成分选取的高光谱图像无损压缩方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104270642A true CN104270642A (zh) | 2015-01-07 |
CN104270642B CN104270642B (zh) | 2017-07-28 |
Family
ID=52162120
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410566867.3A Active CN104270642B (zh) | 2014-10-22 | 2014-10-22 | 一种基于rklt和主成分选取的高光谱图像无损压缩方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104270642B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106408499A (zh) * | 2016-09-13 | 2017-02-15 | Tcl集团股份有限公司 | 用于图像处理的逆向映射表的获取方法及装置 |
CN107800437A (zh) * | 2017-10-31 | 2018-03-13 | 北京金风科创风电设备有限公司 | 数据压缩方法和装置 |
CN107835429A (zh) * | 2017-10-31 | 2018-03-23 | 北京信息科技大学 | 一种高光谱图像的压缩方法及系统 |
CN111107360A (zh) * | 2019-12-31 | 2020-05-05 | 华中科技大学 | 一种光谱-空间维联合的高光谱图像无损压缩方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007022413A2 (en) * | 2005-08-18 | 2007-02-22 | Qualcomm Incorporated | Systems, methods, and apparatus for image processing, for color classification, and for skin color detection |
CN102891999A (zh) * | 2012-09-26 | 2013-01-23 | 南昌大学 | 一种基于压缩感知的联合图像压缩/加密方法 |
CN102905137A (zh) * | 2012-11-01 | 2013-01-30 | 重庆邮电大学 | 超光谱信号的快速差值矢量量化压缩编码方法 |
-
2014
- 2014-10-22 CN CN201410566867.3A patent/CN104270642B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007022413A2 (en) * | 2005-08-18 | 2007-02-22 | Qualcomm Incorporated | Systems, methods, and apparatus for image processing, for color classification, and for skin color detection |
CN102891999A (zh) * | 2012-09-26 | 2013-01-23 | 南昌大学 | 一种基于压缩感知的联合图像压缩/加密方法 |
CN102905137A (zh) * | 2012-11-01 | 2013-01-30 | 重庆邮电大学 | 超光谱信号的快速差值矢量量化压缩编码方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106408499A (zh) * | 2016-09-13 | 2017-02-15 | Tcl集团股份有限公司 | 用于图像处理的逆向映射表的获取方法及装置 |
CN106408499B (zh) * | 2016-09-13 | 2020-06-05 | 深圳市Tcl高新技术开发有限公司 | 用于图像处理的逆向映射表的获取方法及装置 |
CN107800437A (zh) * | 2017-10-31 | 2018-03-13 | 北京金风科创风电设备有限公司 | 数据压缩方法和装置 |
CN107835429A (zh) * | 2017-10-31 | 2018-03-23 | 北京信息科技大学 | 一种高光谱图像的压缩方法及系统 |
CN107800437B (zh) * | 2017-10-31 | 2019-03-26 | 北京金风科创风电设备有限公司 | 数据压缩方法和装置 |
CN111107360A (zh) * | 2019-12-31 | 2020-05-05 | 华中科技大学 | 一种光谱-空间维联合的高光谱图像无损压缩方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN104270642B (zh) | 2017-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104270642A (zh) | 一种基于rklt和主成分选取的高光谱图像无损压缩方法 | |
Wang et al. | Hyperspectral image compression based on lapped transform and Tucker decomposition | |
Sanjith et al. | A review on hyperspectral image compression | |
Chen et al. | Compressive sensing multi-layer residual coefficients for image coding | |
CN101917622B (zh) | 14bit位宽图像压缩硬件编码器 | |
Yang et al. | A novel algorithm for satellite images fusion based on compressed sensing and PCA | |
Bajpai | Low complexity block tree coding for hyperspectral image sensors | |
Zhu et al. | Morphological component decomposition combined with compressed sensing for image compression | |
Bajpai | Low complexity image coding technique for hyperspectral image sensors | |
Jain et al. | Performance analysis of integer wavelet transform for image compression | |
Boopathi et al. | Image compression: Wavelet transform using radial basis function (rbf) neural network | |
Huang et al. | Lossless compression of ultraspectral sounder data | |
CN104683818A (zh) | 基于双正交不变集多小波的图像压缩方法 | |
Li et al. | Compression of multispectral images with comparatively few bands using posttransform Tucker decomposition | |
Zhu et al. | Hybrid prediction and fractal hyperspectral image compression | |
CN107249130A (zh) | 一种用于数字视频编解码的3乘3整数dct变换量化器 | |
Cagnazzo et al. | Low-complexity compression of multispectral images based on classified transform coding | |
Li et al. | Multispectral Image Compression Based on DSC Combined with CCSDS‐IDC | |
Sandhu et al. | Matlab Based Image Compression Using Various Algorithms | |
Kumar et al. | A comparative case study on compression algorithm for remote sensing images | |
Wildenstein et al. | Towards intelligent compression of hyperspectral imagery | |
Chaudhary et al. | Compression of Medical Images using Hybrid Wavelet Decomposition Technique | |
Li et al. | Efficient multi-bands image compression method for remote cameras | |
Li et al. | Research on lossless compression coding algorithm of N-band parametric spectral integer reversible transformation combined with the lifting scheme for hyperspectral images | |
Deng et al. | Adaptively group based on the first joint sparsity models distributed compressive sensing of hyperspectral image |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |