CN108198228A - 一种天基红外高光谱图像智能压缩方法 - Google Patents
一种天基红外高光谱图像智能压缩方法 Download PDFInfo
- Publication number
- CN108198228A CN108198228A CN201711477874.6A CN201711477874A CN108198228A CN 108198228 A CN108198228 A CN 108198228A CN 201711477874 A CN201711477874 A CN 201711477874A CN 108198228 A CN108198228 A CN 108198228A
- Authority
- CN
- China
- Prior art keywords
- narrow
- suspected target
- image
- target
- band
- 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
- 238000001228 spectrum Methods 0.000 title claims abstract description 113
- 238000007906 compression Methods 0.000 title claims abstract description 46
- 230000006835 compression Effects 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012216 screening Methods 0.000 claims abstract description 20
- 230000003595 spectral effect Effects 0.000 claims description 24
- 230000011218 segmentation Effects 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 2
- 230000008859 change Effects 0.000 description 5
- 230000005764 inhibitory process Effects 0.000 description 4
- 238000002372 labelling Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013144 data compression Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 238000011045 prefiltration Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
Abstract
本发明公开一种天基红外高光谱图像智能压缩方法，包括：确定红外高光谱图像立方体；根据目标的红外物理特性选择多个窄波段；在选择的多个窄波段对应图像中检测目标；通过目标红外特征融合初步筛选疑似目标；通过多帧轨迹关联进一步筛选疑似目标；获取各疑似目标的中心光谱；将各疑似目标处像素上的光谱与其中心光谱进行对比以确定目标区域，令目标区域之外的其他区域为背景区域；对目标区域高光谱图像立方体进行无损压缩，对背景区域高光谱图像立方体进行有损度可控的压缩。本发明对目标区域进行无损压缩，对背景区域进行有损压缩，实现高压缩率的同时保证了目标信息不失真。
Description
技术领域
本发明属于信息处理与遥测遥感的交叉领域，更具体地，涉及一种天基红外高光谱图像智能压缩方法。
背景技术
遥感测量动目标(如火箭)或动态变化对象(如火灾)的红外高光谱卫星所获取的数据需要实时下传。由于下传带宽有限，其数据需要进行高倍率压缩。传统的高光谱图像无损压缩虽然不会损失目标信息，但其压缩率较低，而传统的高光谱图像有损压缩的压缩率高，但损失了目标信息。
因此，传统的高光谱图像压缩方法无法满足遥感测量动目标或动态变化对象的红外高光谱卫星的数据压缩要求。
发明内容
针对现有技术的缺陷，本发明的目的在于解决传统的高光谱图像压缩方法无法满足遥感测量动目标或动态变化对象的红外高光谱卫星的数据压缩要求的技术问题。
为实现上述目的，本发明提供一种天基红外高光谱图像智能压缩方法，包括以下步骤：
确定红外高光谱图像立方体，所述高光谱包括红外波段中的N个窄波段，所述N个窄波段对同一个场景进行成像得到N个窄波段图像，所述N个窄波段图像构成所述高光谱图像立方体，所述场景包括目标和背景，N为正整数；
根据所述目标的红外物理特性，在所述N个窄波段中选择分散在短波红外波段、中波红外波段以及长波红外波段的M个窄波段，确定所述M个窄波段对应的M个窄波段图像，M为正整数，M≤N；
通过将所述M个窄波段图像分别分割为二值图像，确定M个窄波段图像中每个窄波段图像中的初步疑似目标区域，所述二值图像中第一值表示疑似目标区域，第二值表示背景区域；
根据M个窄波段图像中每个窄波段图像中的初步疑似目标区域的质心与其余M-1个窄波段图像中的初步疑似目标区域的质心之间的距离，对M个窄波段图像的初步疑似目标区域进行融合得到融合的初步疑似目标区域，并将所述融合的初步疑似目标区域作为全光谱的初步疑似目标信息，所述全光谱为所述N个窄波段集合；
根据所述初步疑似目标信息中每个疑似目标区域的灰度均值和相应的预设灰度均值阈值，确定满足预设灰度阈值条件的疑似目标区域，并将其作为全光谱的第一次筛选疑似目标信息；
利用多帧轨迹关联从全光谱的第一次筛选疑似目标信息中进一步筛选疑似目标，得到全光谱的第二次筛选疑似目标信息；
确定所述第二次筛选疑似目标信息中每个像素点对应的全光谱信息，所述全光谱信息为该像素点对应在N个窄波段图像中的N个灰度值集合，将全光谱能量值最大的像素点的全光谱信息作为中心光谱，每个像素点的全光谱能量为每个像素点的全光谱信息中N个灰度值的总和；
根据所述第二次筛选疑似目标信息中每个像素点对应的全光谱信息与所述中心光谱的差值谱，选取所述第二次筛选疑似目标信息中有价值的像素点，构成所述高光谱图像立方体的目标区域，将所述高光谱图像立方体中所述目标区域以外的区域作为背景区域；
对所述目标区域的高光谱图像立方体进行无损压缩，对所述背景区域的高光谱图像立方体进行有损度可控压缩。
可选地，该方法还包括：在将所述M个窄波段图像分别分割为二值图像之前，分别对所述M个窄波段图像进行背景抑制。
可选地，将所述M个窄波段图像分别分割为二值图像，包括：对于点目标检测，可根据全图的均值和标准差进行分割，对M个窄波段图像分别设定相应的分割阈值，大于分割阈值的像素点标记为第一值，小于或等于分割阈值的像素点标记为第二值；对于面目标检测可采用最大类间方差方法分割。
可选地，使用连通区域标记算法对M个窄波段图像对应的M个二值图像分别进行标记，将所述第一值对应的像素点标记，确定M个窄波段图像中每个窄波段图像中的初步疑似目标区域。
可选地，每个窄波段图像中的初步疑似目标区域包括多个疑似目标；
若第s个窄波段图像上的第i个疑似目标的质心与第t个窄波段图像上的第j个疑似目标的质心的距离小于预设的质心距离阈值，则判定所述第s个窄波段图像上的第i个疑似目标与所述第t个窄波段图像上的第j个疑似目标出现在同一位置；
对M个窄波段图像的初步疑似目标区域进行融合得到融合的初步疑似目标区域，将M个窄波段图像的初步疑似目标区域中出现在同一位置的多个疑似目标合并为一个，选取其中一个疑似目标作为合并后的疑似目标，并记录合并后的疑似目标位置和各窄波段图像上在该位置疑似目标的出现次数，将M个窄波段图像的初步疑似目标区域中在同一位置上只出现一次的疑似目标保留，并记录该疑似目标的出现次数为1。
可选地，针对不同疑似目标序列号预设对应的灰度均值阈值；
当M个窄波段图像的初步疑似目标区域中出现在同一位置的u个疑似目标中每个疑似目标的灰度均值均不小于出现次数u对应的灰度均值阈值时，则判定该u个疑似目标对应的合并后的疑似目标满足预设灰度阈值条件，否则，判定其不满足预设灰度阈值条件，u为大于0的整数；当合并后的疑似目标满足预设灰度阈值条件时，则保留该疑似目标；当合并后的疑似目标不满足预设灰度阈值条件时，则去掉该疑似目标。
可选地，通过多帧轨迹关联第二次筛选所述第一次筛选得到的疑似目标。
可选地，通过以下步骤选取所述第二次筛选疑似目标信息中有价值的像素点：若第二次筛选疑似目标信息中像素点g对应的全光谱信息与中心光谱的差值谱的模长小于预设值，则判断像素点g为有价值的像素点。
可选地，通过以下步骤确定目标区域和背景区域：
将所述的疑似目标中有价值像素点归类为目标区域，将高光谱图像立方体中除目标区域以外的区域归类为背景区域。
可选地，利用空间相关性和谱相关性对背景区域的高光谱图像立方体进行有损度可控压缩。
可选地，通过去环形最大中值滤波或多级滤波分别对所述M个窄波段图像进行背景抑制。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下有益效果：
(1)本发明通过疑似目标检测和筛选、目标区域确定等过程将红外高光谱图像立方体划分为目标区域立方体和背景区域立方体，对目标区域进行无损压缩，对背景区域进行有损压缩，在实现红外高光谱图像数据的高压缩率的同时保证了目标高光谱信息的不失真。
(2)本发明可应用于遥感测量动目标或动态变化对象的红外高光谱卫星星上数据压缩，也可应用于其他遥感信息处理领域，具有极大实用价值和经济效益。
附图说明
图1为本发明提供的天基红外高光谱图像智能压缩方法流程图；
图2为本发明提供的高光谱立方体三维坐标系示意图；
图3为本发明提供的多帧轨迹关联示意图；
图4为本发明进行的目标区域无损压缩和背景区域有损压缩示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，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。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明提出一种天基红外高光谱图像智能压缩方法。该方法首先通过目标检测将高光谱图像划分为目标区域和背景区域，然后对目标区域高光谱立方体进行无损压缩，对背景区域高光谱立方体进行有损压缩。该方法同时满足了高光谱图像的高压缩率和目标高光谱信息高保真的要求。本发明解决了目标高光谱信息高保真条件下的天基红外高光谱图像压缩难题。
图1为本发明提供的天基红外高光谱图像智能压缩方法流程图，如图1所示，具体步骤如下：
(1)输入红外高光谱图像立方体，红外高光谱包括红外波段的N个窄波段，N个窄波段对同一个场景进行成像得到N个窄波段图像，N个窄波段图像构成高光谱图像立方体，场景包括目标和背景，N为正整数。该场景中的目标可以为动目标(如火箭)或动态变化对象(如火灾)等。
(2)根据目标的红外物理特性，选择M个窄波段，该M个窄波段分散在短波红外波段、中波红外波段以及长波红外波段，M为小于或等于N的整数；其中，目标的红外物理特性指的是目标在红外波段成像下的特征峰分布情况。
例如，可选择分别属于短波红外波段、中波红外波段、长波红外波段的三个窄波段λ1、λ2、λ3，窄波段可调，波段宽度可调。
(3)分别在M个窄波段对应的M个窄波段图像上进行目标检测。
(3-1)从高光谱图像立方体中抽取M个窄波段图像。例如，从高光谱图像立方体中抽取窄波段λ1、窄波段λ2、窄波段λ3对应的光谱图像D1，D2，D3。
(3-2)对M个窄波段图像分别进行背景抑制，例如对光谱图像D1，D2，D3分别进行背景抑制。
(3-3)对背景抑制后得到的目标图像进行二值分割，得到二值图像，二值图像中第一值表示疑似目标，第二值表示背景。
(3-4)利用连通区域标记将疑似目标标记出来，具体地，可将二值图像中第一值对应的区域标记出来。
(4)利用目标红外特征融合筛选疑似目标。
(4-1)计算疑似目标的质心。
(4-2)计算疑似目标的平均灰度。
(4-3)根据疑似目标的质心位置和平均灰度筛选疑似目标；
具体地，M个窄波段图像在，若第s个窄波段图像上的第i个疑似目标的质心与第t个窄波段图像上的第j个疑似目标的质心的距离小于预设的质心距离阈值，则判定所述第s个窄波段图像上的第i个疑似目标与所述第t个窄波段图像上的第j个疑似目标出现在同一位置。
将出现在同一位置的疑似目标合并为一个，并将该位置的疑似目标的出现次数记录下来，可以理解的是，出现次数不大于M。若对于在某个窄波段图像的某个位置出现的疑似目标，在其他窄波段图像中并没有疑似目标出现在相同位置，则将该疑似目标保留，且将该疑似目标的出现次数记为1。
针对不同疑似目标序列号预设对应的灰度均值阈值；例如，针对出现次数1，预设出现次数1对应的灰度均值阈值。
当M个窄波段图像的初步疑似目标区域中出现在同一位置的u个疑似目标中每个疑似目标的灰度均值均不小于出现次数u对应的灰度均值阈值时，则判定该u个疑似目标对应的合并后的疑似目标满足预设灰度阈值条件，否则，判定其不满足预设灰度阈值条件，u为大于0的整数。不满足预设灰度阈值条件的疑似目标，将被剔除，并被当作背景。
(5)通过多帧轨迹关联进一步筛选疑似目标。
需要说明的是，红外高光谱通常对动目标成像，则可通过多帧轨迹关联进一步筛选疑似目标，在步骤(4)筛选得到的疑似目标的基础上进一步筛选。
(6)确定各疑似目标的中心光谱。
(6-1)获取各疑似目标中每一个像素上的光谱，具体地，这里的光谱指的是每个窄波段图像上该像素点的灰度值。
(6-2)计算每一个像素上的光谱累加和。
(6-3)令累加和最大的光谱为该疑似目标的中心光谱，并记录中心光谱对应的像素坐标，称为中心光谱。
(7)将各疑似目标的中心光谱周围的像素点上的光谱与中心光谱进行比较，从而确定目标区域。
(7-1)计算各疑似目标所有像素点上光谱与其中心光谱的差值谱。
(7-3)模长小于一定阈值的差值谱对应的像素点构成目标区域。
(7-4)令除目标区域以外的其他所有区域为背景区域。
(8)对目标区域全光谱立方体进行无损压缩，对背景区域全光谱立方体进行有损度可控的压缩。
在一个更具体的实施例中，本发明提供的天基红外高光谱图像智能压缩方法，包括以下步骤：
(1)输入红外高光谱图像立方体。
(2)根据目标的红外物理特性，选择分别属于短波红外波段、中波红外波段、长波红外波段的三个窄波段λ1、λ2、λ3(窄波段可调)。
需要说明的是，以下仅以选取三个窄波段图像为例进行说明。
(3)分别对三个窄波段图像检测疑似目标。
(3-1)从高光谱数据立方体中抽出窄波段λ1、窄波段λ2、窄波段λ3对应的光谱图像D1，D2，D3。
(3-2)对输入的三个窄谱图像进行背景抑制，例如去环形最大中值滤波、多级滤波等。
(3-3)对进行背景抑制后的三个窄谱图像进行分割，得到二值图像E1，E2，E3，二值图像中第一值表示窄谱图像中的疑似目标，第二值表示窄谱图像中的背景；
(3-3-1)对于点目标检测，可根据全图的均值μ1，μ2，μ3和标准差σ1，σ2，σ3进行分割，分割阈值分别为Th1＝μ1+k1σ1，Th2＝μ2+k2σ2，Th3＝μ3+k3σ3，大于分割阈值的像素点标记为第一值，小于或等于所述分割阈值的像素点标记为第二值。
(3-3-2)而对于面目标检测可采用最大类间方差方法分割。
(3-4)使用连通区域标记算法将疑似目标标记出来对第(3-3)步分割后得到的二值图像E1，E2，E3进行连通区域标记，将第一值对应的疑似目标分别记为T11,T12…,T1M1；T21,T22…,T2M2；T31,T32…,T3M3。其中M1，M2，M3表示三张窄谱图像中检测到的疑似目标的数量。
(4)利用目标红外特征融合进行目标筛选。
(4-1)建立高光谱图像立方体的坐标系，如图2所示，x轴和y轴构成了空间维，λ轴代表光谱维；
(4-2)计算各疑似目标的质心；
假设(xij,yij)是疑似目标Tk中的像素点的坐标，疑似目标Tk包括多个像素点，m和n表示疑似目标Tk所占行数和列数，每行和每列的交叉点即为一个像素点，Iij表示像素点xij的灰度值，Tk的质心坐标(xc,yc)的计算公式如下：
(4-3)计算各疑似目标的灰度均值，以计算疑似目标Tk的灰度均值为例，公式如下：
(4-3)根据质心坐标和灰度均值初步筛选疑似目标。
(4-3-1)计算三个窄谱图像中被检测到的疑似目标质心。
(4-3-2)根据质心坐标对疑似目标信息进行融合。
对三个窄波段图像上出现在同一位置的疑似目标进行合并，并记录出现的次数。判断疑似目标是否出现在不同窄波图像上同一位置，公式如下：
若则和出现在同一位置，若则和未出现在同一位置。
其中，设为第s个窄波段图像上的第i个疑似目标的质心，设为第t个窄波段图像上的第j个疑似目标的质心，ε为质心距离阈值，ε>0，s和j均为小于或等于3的正整数。
将不同窄带图像中出现在同一位置的疑似目标合并，选取其中一个疑似目标作为合并后的疑似目标，并记录其出现次数，此时出现次数为出现在该位置的疑似目标的总数，例如，当第1个窄波段图像上的第2个疑似目标与第2个窄波段图像上的第3个疑似目标出现在同一位置，而在第3个窄波段图像上并未有任何疑似目标与第1个窄波段图像上的第2个疑似目标或第2个窄波段图像上的第3个疑似目标出现在同一位置，则将第1个窄波段图像上的第2个疑似目标与第2个窄波段图像上的第3个疑似目标合并为其中一个，并记录合并后的疑似目标的出现次数为2。
若第s个窄波段图像上的第i个疑似目标在其他窄波段图像中没有出现在同一位置的疑似目标，则将第s个窄波段图像上的第i个疑似目标保留，并记录其出现次数为1。
(4-3-3)合并后的疑似目标信息记为其中，w为目标的序列号，l∈{1,2,3}为疑似目标在不同的窄波段上的出现次数。
将合并后的疑似目标信息作为全光谱的目标信息，全光谱为高光谱包括的所有窄波段集合。
(4-3-5)给定与疑似目标出现的次数相对应的目标灰度均值阈值Il，l∈{1,2,3}；例如，某一疑似目标出现在窄波段λ1和λ2对应的图像D1和D2上，则该疑似目标在图像D1和D2上的平均灰度都不能小于I2；若该疑似目标在图像D1和D2上的平均灰度都大于I2，则判定该疑似目标满足灰度阈值条件，否则判定该疑似目标不满足灰度阈值条件。
(4-3-6)满足灰度阈值条件的疑似目标被保留，并认为被保留的疑似目标为全光谱图像立方体上的疑似目标。
(5)利用多帧轨迹关联进一步筛选疑似目标，目标多帧轨迹如图3所示。
(6)获取步骤(5)轨迹关联后得到的疑似目标区域的中心光谱。
假设px,y＝[p1(x,y),p2(x,y),…,pS(x,y)]代表中像素点(x,y)对应的全光谱数据，其中S为高光谱图像窄波段通道数，pS(x,y)表示像素点(x,y)在第s个窄波段通道对应的图像上的灰度值。以表示像素点(x,y)对应的全光谱能量(灰度值总和，也即光谱累加和)。
假设(xm,ym)为步骤(5)轨迹关联后得到的疑似目标Tm中的一个像素点，该疑似目标Tm包括多个像素点。令pm为该像素点的光谱，qm为该像素点的全光谱能量。以该疑似目标中全光谱能量最大的像素点的光谱作为Tm的中心光谱pc。
进一步地，参照上述方法求得各个疑似目标的中心光谱。
(7)将各疑似目标中所有像素点的全光谱信息与其中心光谱进行对比，以进一步确定目标区域。
(7-1)计算每个疑似目标所有像素点的光谱与中心光谱的差值谱，以疑似目标Tm为例，设其像素点(xm,ym)与中心光谱的差值谱为pd，计算公式为pd＝pm-pc；
(7-2)选取差值谱的模长满足条件||pd||2＜η的像素点构成疑似目标Tm中的有价值区域，其中η>0为预设的常实数。
(7-3)所有疑似目标的有价值区域共同构成了高光谱图像立方体的目标区域。令高光谱图像立方体中除目标区域以外的其他区域为背景区域。
(8)对目标区域全光谱立方体进行无损压缩，对背景区域全光谱立方体进行有损度可控压缩，如图4所示。
具体地，可利用空间相关性和谱相关性对背景区域图像立方体进行有损度可控的有损压缩。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种天基红外高光谱图像智能压缩方法，其特征在于，包括以下步骤：
确定红外高光谱图像立方体，所述高光谱包括红外波段中的N个窄波段，所述N个窄波段对同一个场景进行成像得到N个窄波段图像，所述N个窄波段图像构成所述高光谱图像立方体，所述场景包括目标和背景，N为正整数；
根据所述目标的红外物理特性，在所述N个窄波段中选择分散在短波红外波段、中波红外波段以及长波红外波段的M个窄波段，确定所述M个窄波段对应的M个窄波段图像，M为正整数，M≤N；
通过将所述M个窄波段图像分别分割为二值图像，确定M个窄波段图像中每个窄波段图像中的初步疑似目标区域，所述二值图像中第一值表示疑似目标区域，第二值表示背景区域；
根据M个窄波段图像中每个窄波段图像中的初步疑似目标区域的质心与其余M-1个窄波段图像中的初步疑似目标区域的质心之间的距离，对M个窄波段图像的初步疑似目标区域进行融合得到融合的初步疑似目标区域，并将所述融合的初步疑似目标区域作为全光谱的初步疑似目标信息，所述全光谱为所述N个窄波段集合；
根据所述初步疑似目标信息中每个疑似目标区域的灰度均值和相应的预设灰度均值阈值，确定满足预设灰度阈值条件的疑似目标区域，并将其作为全光谱的第一次筛选疑似目标信息；
利用多帧轨迹关联从全光谱的第一次筛选疑似目标信息中进一步筛选疑似目标，得到全光谱的第二次筛选疑似目标信息；
确定所述第二次筛选疑似目标信息中每个像素点对应的全光谱信息，所述全光谱信息为该像素点对应在N个窄波段图像中的N个灰度值集合，将全光谱能量值最大的像素点的全光谱信息作为中心光谱，每个像素点的全光谱能量为每个像素点的全光谱信息中N个灰度值的总和；
根据所述第二次筛选疑似目标信息中每个像素点对应的全光谱信息与所述中心光谱的差值谱，选取所述第二次筛选疑似目标信息中有价值的像素点，构成所述高光谱图像立方体的目标区域，将所述高光谱图像立方体中所述目标区域以外的区域作为背景区域；
对所述目标区域的高光谱图像立方体进行无损压缩，对所述背景区域的高光谱图像立方体进行有损度可控压缩。
2.根据权利要求1所述的天基红外高光谱图像智能压缩方法，其特征在于，还包括：
在将所述M个窄波段图像分别分割为二值图像之前，分别对所述M个窄波段图像进行背景抑制。
3.根据权利要求1所述的天基红外高光谱图像智能压缩方法，其特征在于，将所述M个窄波段图像分别分割为二值图像，包括：
对于点目标检测，可根据全图的均值和标准差进行分割，对M个窄波段图像分别设定相应的分割阈值，大于分割阈值的像素点标记为第一值，小于或等于分割阈值的像素点标记为第二值；
对于面目标检测可采用最大类间方差方法分割。
4.根据权利要求1所述的天基红外高光谱图像智能压缩方法，其特征在于，使用连通区域标记算法对M个窄波段图像对应的M个二值图像分别进行标记，将所述第一值对应的像素点标记，确定M个窄波段图像中每个窄波段图像中的初步疑似目标区域。
5.根据权利要求1所述的天基红外高光谱图像智能压缩方法，其特征在于，每个窄波段图像中的初步疑似目标区域包括多个疑似目标；
若第s个窄波段图像上的第i个疑似目标的质心与第t个窄波段图像上的第j个疑似目标的质心的距离小于预设的质心距离阈值，则判定所述第s个窄波段图像上的第i个疑似目标与所述第t个窄波段图像上的第j个疑似目标出现在同一位置；
对M个窄波段图像的初步疑似目标区域进行融合得到融合的初步疑似目标区域，将M个窄波段图像的初步疑似目标区域中出现在同一位置的多个疑似目标合并为一个，选取其中一个疑似目标作为合并后的疑似目标，并记录合并后的疑似目标的位置和各窄波段图像上在该位置疑似目标的出现次数，将M个窄波段图像的初步疑似目标区域中在同一位置上只出现一次的疑似目标保留，并记录该疑似目标的出现次数为1。
6.根据权利要求1所述的天基红外高光谱图像智能压缩方法，其特征在于，针对不同疑似目标出现次数预设对应的灰度均值阈值，并完成第一次筛选；
当M个窄波段图像的初步疑似目标区域中出现在同一位置的u个疑似目标中每个疑似目标的灰度均值均不小于与出现次数u对应的灰度均值阈值时，则判定该u个疑似目标对应的合并后的疑似目标满足预设灰度阈值条件，否则，判定其不满足预设灰度阈值条件，u为大于0的整数；当合并后的疑似目标满足预设灰度阈值条件时，则保留该疑似目标；当合并后的疑似目标不满足预设灰度阈值条件时，则去掉该疑似目标。
7.根据权利要求1所述的天基红外高光谱图像智能压缩方法，其特征在于，通过多帧轨迹关联第二次筛选所述第一次筛选疑似目标。
8.根据权利要求1所述的天基红外高光谱图像智能压缩方法，其特征在于，通过以下步骤选取所述第二次筛选疑似目标信息中有价值的像素点：
若第二次筛选疑似目标信息中像素点g对应的全光谱信息与中心光谱的差值谱的模长小于预设值，则判断像素点g为有价值的像素点。
9.根据权利要求1所述的天基红外高光谱图像智能压缩方法，其特征在于，通过以下步骤确定目标区域和背景区域：
将所述的疑似目标中有价值像素点归类为目标区域，将高光谱图像立方体中除目标区域以外的区域归类为背景区域。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711477874.6A CN108198228B (zh) | 2017-12-29 | 2017-12-29 | 一种天基红外高光谱图像智能压缩方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711477874.6A CN108198228B (zh) | 2017-12-29 | 2017-12-29 | 一种天基红外高光谱图像智能压缩方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108198228A true CN108198228A (zh) | 2018-06-22 |
| CN108198228B CN108198228B (zh) | 2020-09-08 |
Family
ID=62586534
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711477874.6A Active CN108198228B (zh) | 2017-12-29 | 2017-12-29 | 一种天基红外高光谱图像智能压缩方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108198228B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109001148A (zh) * | 2018-08-24 | 2018-12-14 | 武汉轻工大学 | 一种近红外光谱典型相关分析融合的茶籽油多元掺伪检测方法 |
| CN109697431A (zh) * | 2018-12-29 | 2019-04-30 | 哈尔滨工业大学 | 一种基于高光谱图像的弱小目标检测方法 |
| CN109712169A (zh) * | 2018-11-15 | 2019-05-03 | 上海卫星工程研究所 | 基于高光谱的动目标运动轨迹预测方法及自主跟踪方法 |
| CN110378268A (zh) * | 2019-07-10 | 2019-10-25 | 中国科学院长春光学精密机械与物理研究所 | 高光谱快速目标检测方法及系统 |
| CN113613012A (zh) * | 2021-08-19 | 2021-11-05 | 深圳市多为通讯科技有限公司 | 手机射频信号预压缩方法 |
| CN114119677A (zh) * | 2022-01-26 | 2022-03-01 | 华中科技大学 | 一种面向低慢小目标的机动光电探测识别系统 |
| WO2023000907A1 (zh) * | 2021-07-23 | 2023-01-26 | 奥比中光科技集团股份有限公司 | 一种光谱图像的确定方法、装置、终端和存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102074022A (zh) * | 2011-01-10 | 2011-05-25 | 南京理工大学 | 一种基于红外图像的弱小运动目标检测方法 |
| CN104501959A (zh) * | 2014-12-30 | 2015-04-08 | 华中科技大学 | 一种红外图谱关联智能探测方法及装置 |
| CN104820967A (zh) * | 2015-05-26 | 2015-08-05 | 中国科学院自动化研究所 | 在轨计算成像方法 |
| CN105426840A (zh) * | 2015-11-18 | 2016-03-23 | 成都中昊英孚科技有限公司 | 一种基于多特征融合的红外森林火灾判定方法 |
| CN106934782A (zh) * | 2017-01-16 | 2017-07-07 | 中国计量大学 | 一种红外图像增强方法 |
-
2017
- 2017-12-29 CN CN201711477874.6A patent/CN108198228B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102074022A (zh) * | 2011-01-10 | 2011-05-25 | 南京理工大学 | 一种基于红外图像的弱小运动目标检测方法 |
| CN104501959A (zh) * | 2014-12-30 | 2015-04-08 | 华中科技大学 | 一种红外图谱关联智能探测方法及装置 |
| CN104820967A (zh) * | 2015-05-26 | 2015-08-05 | 中国科学院自动化研究所 | 在轨计算成像方法 |
| CN105426840A (zh) * | 2015-11-18 | 2016-03-23 | 成都中昊英孚科技有限公司 | 一种基于多特征融合的红外森林火灾判定方法 |
| CN106934782A (zh) * | 2017-01-16 | 2017-07-07 | 中国计量大学 | 一种红外图像增强方法 |
Non-Patent Citations (3)
| Title |
|---|
| ZHANG Y, ZHANG T.: "Structure-guided unidirectional variation de-striping in the infrared bands of MODIS and hyperspectral images", 《INFRARED PHYSICS & TECHNOLOGY》 * |
| 张喜明; 张耀宗; 颜露新; 张天序: "一种灵活可靠的星载图像压缩编码技术", 《无线电工程》 * |
| 张天序，袁雅婧，桑红石，钟胜: "基于PDE 去鬼影的自适应非均匀性校正算法研究", 《红外与毫米波学报》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109001148A (zh) * | 2018-08-24 | 2018-12-14 | 武汉轻工大学 | 一种近红外光谱典型相关分析融合的茶籽油多元掺伪检测方法 |
| CN109001148B (zh) * | 2018-08-24 | 2020-10-09 | 武汉轻工大学 | 一种近红外光谱典型相关分析融合的茶籽油多元掺伪检测方法 |
| CN109712169A (zh) * | 2018-11-15 | 2019-05-03 | 上海卫星工程研究所 | 基于高光谱的动目标运动轨迹预测方法及自主跟踪方法 |
| CN109697431A (zh) * | 2018-12-29 | 2019-04-30 | 哈尔滨工业大学 | 一种基于高光谱图像的弱小目标检测方法 |
| CN109697431B (zh) * | 2018-12-29 | 2021-11-23 | 哈尔滨工业大学 | 一种基于高光谱图像的弱小目标检测方法 |
| CN110378268A (zh) * | 2019-07-10 | 2019-10-25 | 中国科学院长春光学精密机械与物理研究所 | 高光谱快速目标检测方法及系统 |
| CN110378268B (zh) * | 2019-07-10 | 2022-04-26 | 中国科学院长春光学精密机械与物理研究所 | 高光谱快速目标检测方法及系统 |
| WO2023000907A1 (zh) * | 2021-07-23 | 2023-01-26 | 奥比中光科技集团股份有限公司 | 一种光谱图像的确定方法、装置、终端和存储介质 |
| CN113613012A (zh) * | 2021-08-19 | 2021-11-05 | 深圳市多为通讯科技有限公司 | 手机射频信号预压缩方法 |
| CN114119677A (zh) * | 2022-01-26 | 2022-03-01 | 华中科技大学 | 一种面向低慢小目标的机动光电探测识别系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108198228B (zh) | 2020-09-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108198228A (zh) | 一种天基红外高光谱图像智能压缩方法 | |
| US10635929B2 (en) | Saliency-based method for extracting road target from night vision infrared image | |
| Bavirisetti et al. | Multi-sensor image fusion based on fourth order partial differential equations | |
| CN105761266B (zh) | 从遥感图像中提取矩形建筑物的方法 | |
| Chai et al. | Multifocus image fusion based on features contrast of multiscale products in nonsubsampled contourlet transform domain | |
| CN103927741A (zh) | 增强目标特征的sar图像合成方法 | |
| Chumuang et al. | CCTV based surveillance system for railway station security | |
| Bhatnagar et al. | An image fusion framework based on human visual system in framelet domain | |
| CN108876723A (zh) | 一种灰度目标图像的彩色背景的构建方法 | |
| CN102881160A (zh) | 一种低照度场景下的户外交通标志识别方法 | |
| CN108171656A (zh) | 基于稀疏表示的自适应全局字典遥感图像超分辨方法 | |
| Adu et al. | Image fusion based on visual salient features and the cross-contrast | |
| Yang et al. | A sparse representation based pansharpening method | |
| Kekre et al. | Review on image fusion techniques and performance evaluation parameters | |
| Bhatnagar et al. | A fractal dimension based framework for night vision fusion. | |
| Petrovic et al. | Cross-band pixel selection in multiresolution image fusion | |
| CN108876755B (zh) | 一种改进的灰度图像的彩色背景的构建方法 | |
| Chi et al. | Wavelet-based texture-characteristic morphological component analysis for colour image enhancement | |
| Chen et al. | Improved visibility of single hazy images captured in inclement weather conditions | |
| Naseeba et al. | KP Visibility Restoration of Single Hazy Images Captured in Real-World Weather Conditions | |
| Krishnan et al. | Adaptive hybrid image defogging for enhancing foggy images | |
| Pappas et al. | Curvelet fusion of panchromatic and SAR satellite imagery using fractional lower order moments | |
| Jiawen et al. | Fusion of visible image and infrared image based on Contourlet transform and improved spatial frequence | |
| Bhandari | A Weakly Supervised Refinement Framework for Single Image De-Hazing | |
| Davenport | Early forest fire detection using texture analysis of principal components from multispectral video |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |