CN105825530B - 基于感兴趣区域的海岸带高光谱图像分布式有损编码和解码方法 - Google Patents

Abstract

本发明公开一种基于感兴趣区域的海岸带高光谱图像分布式有损编码和解码方法，属于图像处理领域，该方法依据高光谱图像的谱间相关性将谱段帧分成若干谱段组，每个谱段组包含1个关键帧和若干个WZ帧；对每个谱段组的关键帧进行感兴趣区域提取后，对关键帧的感兴趣区域进行JPEG‑LS无损编解码，对其背景区域进行基于SPIHT的编解码，而对每个谱段组的WZ帧则采用基于压缩感知的编解码。本发明有效地实现了编码复杂度低、较强的抗误码性以及码流具有质量可分级等的特性。

Description

基于感兴趣区域的海岸带高光谱图像分布式有损编码和解码 方法

技术领域

本发明涉及图像处理领域，尤其是一种编码效率高、抗误码性能好、质量可分级、编码复杂度低的基于感兴趣区域的海岸带高光谱图像分布式有损编码和解码方法。

背景技术

近年来，随着环渤海等多个沿海重要经济区发展规划上升为国家战略，基于高光谱遥感的海岸带环境监测与管理的需求也在不断增加。然而，越来越高的光谱分辨率和空间分辨率导致其信息量也飞速增加。同时，用于星上传输的信道的恶劣环境给高光谱遥感图像的压缩和传输带来了巨大的困难。在这种情况下，如何有效地压缩和传输海岸带的高光谱遥感图像信息就成为了当前高光谱海岸带图像应用的前沿问题之一。

英国萨里空间中心和萨里卫星技术有限公司的研究人员对遥感图像编码算法进行总结后指出，实际应用中目前最为流行的星载数据压缩编码算法主要包括JPEG算法（如ALOS、北京一号小卫星、Cartosat-1/2、Pleiades-HR、Proba-2、RapidEye和THEOS等）、JPEG2000算法（如IMS-1、RASAT和X-SAT等）和CCSDS-LDC无损压缩算法（如PICARD等）。然而，上述方法都只是仅仅通过去除一个谱段的空间相关性实现压缩，其性能远不能满足高光谱遥感技术的应用需求，至今为止尚未真正形成一种适应星载遥感图像处理的低复杂度要求、强鲁棒性信息传输和高编码效率的高光谱图像压缩实用算法和标准。

一方面，2003年后出现的分布式信源编码架构因其编码端具有较低的编码复杂度、高效的压缩性能和较高的抗误码性等优点成为针对星上图像编码的重要工具。但是，基于分布式信源编码的高光谱遥感图像编码方案还不是很多，特别是面向传感器网络、遥感系统、克服有限带宽和能量限制的分布式编码方法还处于不断发展阶段，尚未有被广泛认可的、成熟稳定的算法出现。

另一方面，大部分观察者在观看图像时，都只会对图像中感兴趣区域的信息进行重点分析，而不是对全局信息进行分析。于是，研究人员逐渐达成了一个共识:由于图像的图像感兴趣区域(Region of Interest, ROI)包含了整幅图像的主要信息和关键信息，ROI可以近似代替原始图像。这样，在处理图像时选择重点对ROI进行处理和分析，可以大幅度地降低计算量，从而能够更好地应对高光谱图像数据量大幅增长的问题。

发明内容

本发明是为了解决现有技术所存在的上述技术问题，提供一种编码效率高、抗误码性能好、质量可分级、编码复杂度低的基于感兴趣区域的海岸带高光谱图像分布式有损编码和解码方法。

本发明的技术解决方案是：一种基于感兴趣区域的海岸带高光谱图像分布式有损编码方法，其特征在于按照如下步骤进行：

步骤1.输入待编码的海岸带高光谱图像I，将谱段帧的高度N和宽度M输出至压缩码流，每个值固定占2个字节；

步骤2. 按公式计算I的每一个谱段k与其相邻的两个较低谱段、的谱间相关系数，若相关系数均小于0.9，则将谱段k设置为关键帧X，否则，将其设置为WZ帧Y；

式(1)中，和分别为第k谱段和第谱段图像的i行、j列像素的灰度值；和则分别为第k和谱段所有像素点灰度值的平均值，这里，此外，第1个谱段固定作为关键帧；将所选关键帧的数目G置于1个字节中，将关键帧的谱段号置于其后面的G个字节中，然后将这个字节输出至压缩码流；

步骤3.将每个关键帧作为一个谱段组，然后将每个WZ帧划分到与之最近的、且谱段号小于该WZ帧谱段号的关键帧所在的谱段组，从而形成G个谱段组；令；

步骤4.若，则转入步骤5；否则，转入步骤10；

步骤5.对第g个谱段组的关键帧进行3级最大提升格形态小波变换，在最低分辨率下的高频子带中利用Canny算子进行边缘检测，并确定包含所有边缘点的最小包围盒，将与该包围盒对应的空间域像素集合作为感兴趣区域，而其余区域作为背景，然后将包围盒左上角和右下角的坐标写入压缩码流，每个坐标分量固定占用字节；

步骤6.对第g个谱段组关键帧的进行JPEG-LS无损编码，对第g个谱段组关键帧的采用可分级的编码方法SPIHT，二者的编码码流输出至压缩码流；

步骤7.对于第g个谱段组，将关键帧作为参考帧，为该组中的每一个WZ帧构造基于感兴趣区域的1阶线性预测器，利用最小二乘法计算使预测均方差取得最小值的预测参数和，并将其作为边信息经算术编码后输出到压缩码流，用以指导和矫正WZ帧的传输和解码:

式(2)中，为与相对应的WZ帧感兴趣区域，所述为预测误差；

步骤8. 对预测误差进行典型的压缩感知采样，观测矩阵采用高斯随机矩阵，并将采样值经算术编码后输出至压缩码流；

步骤9.令，转入步骤4；

步骤10.将压缩码流通过下行信道传输至解码端，算法结束。

一种与上述基于感兴趣区域的海岸带高光谱图像分布式有损编码方法对应的解码方法，其特征在于按照如下步骤进行：

步骤1.读入压缩码流的前4个字节，解码出谱段帧的高度N和宽度M；

步骤2.读入压缩码流的第5个字节，解码出关键帧的数目G；

步骤3.从压缩码流中继续读入G个字节，解码出关键帧的谱段号码；

步骤4.令；

步骤5.若，则转入步骤6；否则，算法结束；

步骤6.从压缩码流中继续读入个字节，解码出第个谱段组的感兴趣区域坐标；

步骤7.采用JPEG-LS无损解码重构出第g个谱段组的关键帧的感兴趣区域，采用SPIHT解码重构出该关键帧的非感兴趣区域；

步骤8.用算术解码从压缩码流中提取出该谱段组的每个WZ帧的预测参数和，并利用关键帧的和1阶线性预测获得第g个谱段组中每个WZ帧的预测；

步骤9.用算术解码从压缩码流中提取出每个WZ帧的预测误差的压缩采样值，然后利用协同稀疏的压缩感知重构算法计算得到解码后的预测误差，并通过公式得到每个WZ帧的感兴趣区域的解码结果：

步骤10.将该谱段组的关键帧非感兴趣区域作为每个WZ帧的非感兴趣区域，并将每个WZ帧的与相加，获得每个WZ帧的解码结果；

步骤11.令，转入步骤5。

本发明与现有技术相比，具有以下优点：第一，采用分布式编码作为总体的编码框架，并结合压缩感知技术，其编码复杂度低，对噪声的鲁棒性高，适合星载高光谱图像的编码；第二，对感兴趣区域采用JPEG-LS无损编码方法可确保感兴趣区域的保真度以及解码图像的人眼主观质量，对背景区域采用SPIHT编码方法使所获得的码流具有质量可分级特性；第三，利用高光谱图像的谱间相关性对WZ帧进行线性预测，由于预测误差的稀疏性较高，采用压缩感知编码在降低复杂度的同时，有利于提高图像感兴趣区域的重构质量。

附图说明

图1是本发明实施例的流程图。

图2 是Eb/No=1.5dB时，不同编码方法在不同码率下的解码图像对比图。

图3是Eb/No=1.5dB、码率为0.4时，解码图像的放大结果对比图。

具体实施例

如图1所示：本发明实施例所提供的基于感兴趣区域的海岸带高光谱图像分布式有损编码方法包括如下步骤：

步骤1.输入待编码的海岸带高光谱图像I，将谱段帧的高度N和宽度M输出至压缩码流，每个值固定占2个字节；

步骤2.按公式计算I的每一个谱段k与其相邻的两个较低谱段、的谱间相关系数，若相关系数均小于0.9，则将谱段k设置为关键帧X，否则，将其设置为WZ帧X；

式（1）中，和分别为第k谱段和第谱段图像的i行、j列像素的灰度值；和则分别为第k和谱段所有像素点灰度值的平均值，这里，此外，第1个谱段固定作为关键帧；将所选关键帧的数目G置于1个字节中，将关键帧的谱段号置于其后面的G个字节中，然后将这个字节输出至压缩码流；

步骤3.将每个关键帧作为一个谱段组，然后将每个WZ帧划分到与之最近的、且谱段号小于该WZ帧谱段号的关键帧所在的谱段组，从而形成G个谱段组；令；

步骤4.若，则转入步骤5；否则，转入步骤10；

步骤5.对第g个谱段组的关键帧进行3级最大提升格形态小波变换，在最低分辨率下的高频子带中利用Canny算子进行边缘检测，并确定包含所有边缘点的最小包围盒，将与该包围盒对应的空间域像素集合作为感兴趣区域，而其余区域作为背景，然后将包围盒左上角和右下角的坐标写入压缩码流，每个坐标分量固定占用字节；

步骤6.对第g个谱段组关键帧的进行JPEG-LS无损编码，对第g个谱段组关键帧的采用可分级的编码方法SPIHT，二者的编码码流输出至压缩码流；

步骤7.对于第g个谱段组，将关键帧作为参考帧，为该组中的每一个WZ帧构造基于感兴趣区域的1阶线性预测器，利用最小二乘法计算使预测均方差取得最小值的预测参数和，并将其作为边信息经算术编码后输出到压缩码流，用以指导和矫正WZ帧的传输和解码:

其中，所述为与相对应的WZ帧感兴趣区域，所述为预测误差；

步骤8. 对预测误差进行典型的压缩感知采样，观测矩阵采用高斯随机矩阵，并将采样值经算术编码后输出至压缩码流；

步骤9.令，转入步骤4；

步骤10.将压缩码流通过下行信道传输至解码端，算法结束。

如图1所示：本发明实施例所提供的基于感兴趣区域的海岸带高光谱图像分布式有损解码方法包括如下步骤：

步骤1.读入压缩码流的前4个字节，解码出谱段帧的高度N和宽度M；

步骤2.读入压缩码流的第5个字节，解码出关键帧的数目G；

步骤3.从压缩码流中继续读入G个字节，解码出关键帧的谱段号码；

步骤4.令；

步骤5.若，则转入步骤6；否则，算法结束；

步骤6.从压缩码流中继续读入个字节，解码出第g个谱段组的感兴趣区域坐标；

步骤7.采用JPEG-LS无损解码重构出第g个谱段组的关键帧的感兴趣区域，采用SPIHT解码重构出该关键帧的非感兴趣区域；

步骤8.用算术解码从压缩码流中提取出该谱段组的每个WZ帧的预测参数和，并利用关键帧的和1阶线性预测获得第g个谱段组中每个WZ帧的预测；

步骤9.用算术解码从压缩码流中提取出每个WZ帧的预测误差的压缩采样值，然后利用协同稀疏的压缩感知重构(Compressive Sensing Recovery via CollaborativeSparsity)算法计算得到解码后的预测误差，并通过公式得到每个WZ帧的感兴趣区域的解码结果：

步骤10.将该谱段组的关键帧非感兴趣区域作为每个WZ帧的非感兴趣区域，并将每个WZ帧的与相加，获得每个WZ帧的解码结果；

步骤11.令，转入步骤5。

Eb/No=1.5dB时，不同编码方法在不同码率下的解码图像对比如图2所示。

Eb/No=1.5dB、码率为0.4时，解码图像的放大结果对比如图3所示。

Eb/No=1.5dB时不同编码方法在不同码率下的解码图像的PSNR比较如表1。

表1

不同编码方法在不同码率下的运行时间比较如表2。

表2

Claims (2)

1.一种基于感兴趣区域的海岸带高光谱图像分布式有损编码方法，其特征在于按照如下步骤进行：

步骤1.输入待编码的海岸带高光谱图像，将谱段帧的高度和宽度输出至压缩码流，每个值固定占2个字节；

步骤2. 按公式计算的每一个谱段与其相邻的两个较低谱段、的谱间相关系数，若相关系数均小于0.9，则将谱段设置为关键帧，否则，将其设置为WZ帧；

式(1)中，和分别为第谱段和第谱段图像的行、列像素的灰度值；和则分别为第和谱段所有像素点灰度值的平均值，这里，此外，第1个谱段固定作为关键帧；将所选关键帧的数目置于1个字节中，将关键帧的谱段号置于其后面的个字节中，然后将这个字节输出至压缩码流；

步骤3.将每个关键帧作为一个谱段组，然后将每个WZ帧划分到与之最近的、且谱段号小于该WZ帧谱段号的关键帧所在的谱段组，从而形成个谱段组；令；

步骤4.若，则转入步骤5；否则，转入步骤10；

步骤5.对第个谱段组的关键帧进行3级最大提升格形态小波变换，在最低分辨率下的高频子带中利用Canny算子进行边缘检测，并确定包含所有边缘点的最小包围盒，将与该包围盒对应的空间域像素集合作为感兴趣区域，而其余区域作为背景，然后将包围盒左上角和右下角的坐标写入压缩码流，每个坐标分量固定占用字节；

步骤6.对第个谱段组关键帧的进行JPEG-LS无损编码，对第个谱段组关键帧的采用可分级的编码方法SPIHT，二者的编码码流输出至压缩码流；

步骤7.对于第个谱段组，将关键帧作为参考帧，为该组中的每一个WZ帧构造基于感兴趣区域的1阶线性预测器，利用最小二乘法计算使预测均方差取得最小值的预测参数和，并将其作为边信息经算术编码后输出到压缩码流，用以指导和矫正WZ帧的传输和解码:

式(2)中，为与相对应的WZ帧感兴趣区域，所述为预测误差；

步骤8. 对预测误差进行典型的压缩感知采样，观测矩阵采用高斯随机矩阵，并将采样值经算术编码后输出至压缩码流；

步骤9.令，转入步骤4；

步骤10.将压缩码流通过下行信道传输至解码端，算法结束。

2.一种与权利要求1所述基于感兴趣区域的海岸带高光谱图像分布式有损编码方法对应的解码方法，其特征在于按照如下步骤进行：

步骤1.读入压缩码流的前4个字节，解码出谱段帧的高度和宽度；

步骤2.读入压缩码流的第5个字节，解码出关键帧的数目；

步骤3.从压缩码流中继续读入个字节，解码出关键帧的谱段号码；

步骤4.令；

步骤5.若，则转入步骤6；否则，算法结束；

步骤6.从压缩码流中继续读入个字节，解码出第个谱段组的感兴趣区域坐标；

步骤7.采用JPEG-LS无损解码重构出第个谱段组的关键帧的感兴趣区域，采用SPIHT解码重构出该关键帧的非感兴趣区域 ；

步骤8.用算术解码从压缩码流中提取出该谱段组的每个WZ帧的预测参数和，并利用关键帧的和1阶线性预测获得第个谱段组中每个WZ帧的预测；

步骤9.用算术解码从压缩码流中提取出每个WZ帧的预测误差的压缩采样值，然后利用协同稀疏的压缩感知重构算法计算得到解码后的预测误差 ，并通过公式得到每个WZ帧的感兴趣区域的解码结果 ：

步骤10.将该谱段组的关键帧非感兴趣区域作为每个WZ帧的非感兴趣区域，并将每个WZ帧的与相加，获得每个WZ帧的解码结果；

步骤11.令，转入步骤5。