CN105354867A - 自适应冗余字典压缩感知的高光谱图像压缩算法研究 - Google Patents
自适应冗余字典压缩感知的高光谱图像压缩算法研究 Download PDFInfo
- Publication number
- CN105354867A CN105354867A CN201510846662.5A CN201510846662A CN105354867A CN 105354867 A CN105354867 A CN 105354867A CN 201510846662 A CN201510846662 A CN 201510846662A CN 105354867 A CN105354867 A CN 105354867A
- Authority
- CN
- China
- Prior art keywords
- dictionary
- algorithm
- compression
- signal
- sparse
- 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.)
- Pending
Links
Abstract
本发明属于计算机数字图像处理领域,为了解决传统高光谱图像压缩算法存在的计算量大、压缩时间长等普遍问题。自适应冗余字典压缩感知算法考虑了高光谱图像的谱间相关性,自适应分组,由组中心训练字典,其余波段用该字典结合压缩感知所得的图像恢复原图。在压缩过程中,要设计合理的观测矩阵,使得观测后的结果信息损失最小。在传输过程中,只需传输少量信息。在图像复原过程中,选择合适的字典,采用优化算法最大程度的恢复高光谱图像数据。
Description
技术领域
本发明属于计算机数字图像处理领域,针对地质遥感图像的特点,在压缩感知算法之上,提出了一种基于自适应冗余字典恢复压缩感知的算法。
背景技术
传统的高光谱图像压缩算法包括基于预测的算法、基于变换的算法和基于矢量量化的算法。预测算法充分利用图像的相关性,用已传输的值对当前值进行预测,然后对预测值与真实值的差即预测误差进行编码处理。预测产生的残余误差已被去相关,因而比较容易压缩。SunLei等人提出基于预分配的线性预测算法,达到了高于传统的3D-SPIHT算法的峰值信噪比;Mamatha等人提出一种基于双预测器的哈夫曼编码压缩算法,获得了较高的压缩比。基于变换的算法能获得较好的压缩效果,但是计算量大。压缩时间长,因此不能大范围运用到实际的高光谱图像压缩领域。Karami.A等人提出了3D-DCT结合SVM的方法进行了压缩,提高了压缩比的同时还优化了图像质量。基于矢量量化的方法算法简单,解压速度快,但是随着量化级数的增加,计算量呈指数上涨,严重影响这种算法的实际应用。Dutra.A等提出了基于SPECK的LVQ算法,获得了较小的码率。
传统的压缩方法是一个采集大量数据,通过压缩丢弃大量数据的过程,造成了采集时的存储空间浪费和压缩时计算量的浪费。陶哲轩,Candes等人提出的压缩感知的思想,即在采样阶段就采集欠采样信号数据,在解码端通过L1范数最小化算法进行大概率的恢复。
发明内容
本发明的目的是通过利用压缩感知的优势,将压缩时间复杂度减小为常数数量级,利用高光谱图像特性,采用自适应冗余字典恢复原始数据,应对了高光谱图像光谱成像仪计算能力有限的问题,符合实时性要求。本方法具有良好的适应性、稳定性和实时性。
根据图1所示,本方法按照以下步骤进行:
步骤(A1):根据波段间的相关系数,进行分组;
步骤(A2):每一组是以第一波段g1为中心,其余波段gi与中心的相关系数在一定的范围ε内,即符合式:
步骤(A3):用观测矩阵A进行观测,得到采样结果;
步骤(A4):信号恢复,找到适合的字典,即稀疏基ψ,采用优化算法恢复原始图像。
本发明就有以下优点:
1、编码方法简单灵活,对压缩端需求较低,适合高光谱图像实时压缩传输。
2、可移植性强,适合各类高光谱数据的处理。
3、数据结构完整清晰,容易与其他算法相结合。
附图说明
图1本发明整体编解码原理示意图
图2本发明稀疏表示原理示意图
具体实施方式
本发明按照星地高光谱图像传输的要求,考虑了高光谱图像的谱间相关性,自适应分组,由组中心训练字典,其余波段用该字典结合压缩感知所得的图像恢复原图。在压缩过程中,要设计合理的观测矩阵,使得观测后的结果信息损失最小。在传输过程中,只需传输少量信息。在图像复原过程中,选择合适的字典,采用优化算法最大程度的恢复高光谱图像数据。
压缩工作流程如下:
(1)如图1所示,将原始高光谱数据分组,每一组是以第一波段g1为中心,其余波段gi与中心的相关系数在一定的范围ε内;
(2)对组内其余波段用符合高斯分布的随机观测矩阵观测,得到采样结果;
(3)对组内中心以及观测结果进行无损编码;
解压工作流程如下:
(1)对组内中心波段训练自适应冗余字典;
(2)信号恢复,利用组内中心训练得到的自适应冗余字典代替自身训练字典,获得稀疏基ψ,采用优化算法恢复原始图像。
对于稀疏分解,其工作流程如图2所示:
(1)初始化残差R=x;
(2)遍历每一个字典的原子,计算每一个原子与原始信号x之间的内积,找到与x最相似的原子di并记录原子位置i;
(3)通过最小二乘法计算稀疏系数ai,并计算残差R=R-di*ai;
(4)判断残差是否满足条件,如果是,退出算法;否,回到步骤(2)。
对于字典训练,其工作流程如下:
(1)在更新原子di时,先找到前一次稀疏分解时用到该原子的信号,将其组成新的信号;
(2)前一次稀疏分解结果为,令R=y′i-di*S′i,计算:
(3)求上式的di与xi,用奇异值分解的算法对残差矩阵R做矩阵分解,取分解结果的第一列,即最大特征值对应的向量,即为更新结果。
Claims (3)
1.自适应冗余字典压缩感知,该方法建立在稀疏分解算法的理论基础上,其特征在于,基于冗余字典的稀疏表示方式能够以较少的数据量,较好地描述高光谱图像中的特征信息,从而减少压缩时间,在压缩过程中,依次含有以下步骤:
步骤(A1):对原始高光谱图像的谱间相关性进行分析,对于谱间相关性较好的高光谱图像,采用自适应波段合并降维进行高光谱图像的压缩;
步骤(A2):自适应冗余字典压缩感知算法首先要根据波段间的相关系数,进行分组;
步骤(A3):每一组是以第一波段g1为中心,其余波段gi与中心的相关系数在一定的范围ε内,即符合式:
步骤(A4):用观测矩阵A进行观测,得到采样结果;
步骤(A5):信号恢复,找到适合的字典,即稀疏基ψ,采用优化算法恢复原始图像。
2.如权利要求1所述方法,其特征在于,对信号进行稀疏表示,步骤如下:
步骤(B1):对于信号x∈C(N*1),字典D∈C(N*M),其中N<<M,因此求解S∈C(M*1)的方程x=D*S是一个欠定方程,加上正则项使得计算得到的S稀疏度尽可能大,且当字典的每一个原子都不相关时,方程有唯一解:步骤(B2):假设信号为K稀疏,即norm(S,0)=K,稀疏分解的数学模型可以用表示;
步骤(B3):在已知原始信号x和字典D的基础上,寻找K稀疏的向量S,使得满足
3.如权利要求1或2所述方法,其特征在于,找到合适的算法训练字典,具体步骤如下:
步骤(C1):在更新原子di时,先找到前一次稀疏分解时用到该原子的信号,将其组成新的信号;
步骤(C2):前一次稀疏分解结果为,令R=y′i-di*S′i,计算
步骤(C3):求上式的di与xi,用奇异值分解的算法对残差矩阵R做矩阵分解,取分解结果的第一列,即最大特征值对应的向量,即为更新结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510846662.5A CN105354867A (zh) | 2015-11-27 | 2015-11-27 | 自适应冗余字典压缩感知的高光谱图像压缩算法研究 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510846662.5A CN105354867A (zh) | 2015-11-27 | 2015-11-27 | 自适应冗余字典压缩感知的高光谱图像压缩算法研究 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105354867A true CN105354867A (zh) | 2016-02-24 |
Family
ID=55330834
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510846662.5A Pending CN105354867A (zh) | 2015-11-27 | 2015-11-27 | 自适应冗余字典压缩感知的高光谱图像压缩算法研究 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105354867A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105827250A (zh) * | 2016-03-16 | 2016-08-03 | 江苏大学 | 一种基于自适应字典学习的电能质量数据压缩重构方法 |
CN106023065A (zh) * | 2016-05-13 | 2016-10-12 | 中国矿业大学 | 一种基于深度卷积神经网络的张量型高光谱图像光谱-空间降维方法 |
CN106126879A (zh) * | 2016-06-07 | 2016-11-16 | 中国科学院合肥物质科学研究院 | 一种基于稀疏表示技术的土壤近红外光谱分析预测方法 |
CN112463877A (zh) * | 2020-12-04 | 2021-03-09 | 中国人民解放军海军航空大学 | 一种三维海洋环境监测数据的压缩感知观测和重构方法 |
CN114738680A (zh) * | 2022-04-26 | 2022-07-12 | 国机传感科技有限公司 | 一种数据处理系统及数据存储、恢复方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103149561A (zh) * | 2011-12-06 | 2013-06-12 | 中国科学院电子学研究所 | 一种基于场景块稀疏的稀疏微波成像方法 |
CN103903261A (zh) * | 2014-03-24 | 2014-07-02 | 西安电子科技大学 | 一种基于分块压缩感知的光谱图像处理方法 |
-
2015
- 2015-11-27 CN CN201510846662.5A patent/CN105354867A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103149561A (zh) * | 2011-12-06 | 2013-06-12 | 中国科学院电子学研究所 | 一种基于场景块稀疏的稀疏微波成像方法 |
CN103903261A (zh) * | 2014-03-24 | 2014-07-02 | 西安电子科技大学 | 一种基于分块压缩感知的光谱图像处理方法 |
Non-Patent Citations (1)
Title |
---|
赵学军 等: ""模拟退火优化FCM聚类高光谱图像压缩研究"", 《北京邮电大学学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105827250A (zh) * | 2016-03-16 | 2016-08-03 | 江苏大学 | 一种基于自适应字典学习的电能质量数据压缩重构方法 |
CN106023065A (zh) * | 2016-05-13 | 2016-10-12 | 中国矿业大学 | 一种基于深度卷积神经网络的张量型高光谱图像光谱-空间降维方法 |
CN106023065B (zh) * | 2016-05-13 | 2019-02-19 | 中国矿业大学 | 一种基于深度卷积神经网络的张量型高光谱图像光谱-空间降维方法 |
CN106126879A (zh) * | 2016-06-07 | 2016-11-16 | 中国科学院合肥物质科学研究院 | 一种基于稀疏表示技术的土壤近红外光谱分析预测方法 |
CN106126879B (zh) * | 2016-06-07 | 2018-09-28 | 中国科学院合肥物质科学研究院 | 一种基于稀疏表示技术的土壤近红外光谱分析预测方法 |
CN112463877A (zh) * | 2020-12-04 | 2021-03-09 | 中国人民解放军海军航空大学 | 一种三维海洋环境监测数据的压缩感知观测和重构方法 |
CN112463877B (zh) * | 2020-12-04 | 2022-12-09 | 中国人民解放军海军航空大学 | 一种三维海洋环境监测数据的压缩感知观测和重构方法 |
CN114738680A (zh) * | 2022-04-26 | 2022-07-12 | 国机传感科技有限公司 | 一种数据处理系统及数据存储、恢复方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107832837B (zh) | 一种基于压缩感知原理的卷积神经网络压缩方法及解压缩方法 | |
CN105354867A (zh) | 自适应冗余字典压缩感知的高光谱图像压缩算法研究 | |
US20190394477A1 (en) | Devices for compression/decompression, system, chip, and electronic device | |
CN104159112B (zh) | 基于双重稀疏模型解码的压缩感知视频传输方法及系统 | |
CN103632385B (zh) | 基于空谱联合稀疏先验的卫星高光谱压缩感知重建方法 | |
Khashman et al. | Image compression using neural networks and Haar wavelet | |
CN105374054A (zh) | 基于空谱特性的高光谱图像压缩方法 | |
US20190020906A1 (en) | Data adaptive compression and data encryption using kronecker products | |
Nguyen et al. | Deep learning sparse ternary projections for compressed sensing of images | |
CN108989817A (zh) | 一种基于参考帧错位预测的雷达数据压缩方法 | |
CN101883274A (zh) | 一种空谱联合预测的高光谱图像无损压缩方法 | |
CN115088257A (zh) | 一种图像处理方法以及相关设备 | |
CN107942377A (zh) | 一种地震数据压缩与重构方法 | |
CN115955563A (zh) | 一种星地联合多光谱遥感影像压缩方法及系统 | |
US11895303B2 (en) | Systems and methods for distributed quantization of multimodal images | |
CN103985096A (zh) | 基于离线训练的高光谱图像回归预测压缩方法 | |
Li et al. | Curvelet based image compression via core vector machine | |
Aidini et al. | Compression of high-dimensional multispectral image time series using tensor decomposition learning | |
CN111770344B (zh) | 一种基于深度学习网络的激光光谱图像压缩方法及系统 | |
Qi et al. | Hierarchical training for distributed deep learning based on multimedia data over band-limited networks | |
CN104244018B (zh) | 快速压缩高光谱信号的矢量量化方法 | |
CN105578183A (zh) | 一种基于高斯混合模型的压缩传感视频编解码方法 | |
Nahavandi et al. | A novel adaptive compression technique for dealing with corrupt bands and high levels of band correlations in hyperspectral images based on binary hybrid GA-PSO for big data compression | |
CN104361614A (zh) | 基于多方向字典学习的极化sar图像压缩方法 | |
Zhou et al. | BTC-Net: Efficient Bit-level Tensor Data Compression Network for 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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20160224 |
|
WD01 | Invention patent application deemed withdrawn after publication |