CN109089118B - 基于关键信息保护的超光谱大气红外遥感图像压缩方法 - Google Patents

Abstract

基于关键信息保护的超光谱大气红外遥感图像压缩方法，涉及遥感图像压缩领域，本发明是为解决以往的图像压缩技术未能考虑到超光谱图像自身空谱特点和物理特性，也未能考虑压缩效率的同时兼顾同化应用流程的问题。本发明采用基于信息容量和相关性约束的通道选择方法和基于信息熵的空间下采样方法抽取关键信息，再利用关键信息进行三维分组重建预测并获得预测残差，再对残差进行预测、正值化处理，最后对关键信息和预测残差进行区间编码得到压缩码流。本方法能有效压缩超光谱大气红外遥感图像，而且保护了关键信息部分，兼顾了同化应用处理流程，对关键性数据子集无损压缩且优先传输，与非关键的数据残差部分分开编码，便于数据后续处理和同化计算。

Description

基于关键信息保护的超光谱大气红外遥感图像压缩方法

技术领域

本发明涉及遥感图像压缩领域，具体涉及一种超光谱大气红外遥感图像压缩方法。

背景技术

随着星载超光谱探测器的发展，越来越多的超光谱探测仪(ultraspectralsounder)，也称超光谱红外大气探测仪或大气红外探测仪出现，它们向着更高的光谱分辨率发展，使人们对地球大气的观测越来越细致和精确,从而探测信息的数据量也随之越来越大，无论是在星上还是在星下，对于探测信息的存储和传输是在数据应用过程当中必然面对的问题。因此，为达到快速传输超光谱大气红外遥感图像数据，对其进行压缩以减少数据存储空间是必要的。

巨大的数据量带来的不仅是数据传输和存储上的问题，还给数据处理和应用带来了极大的计算负担。在数据应用方面，超光谱大气红外探测数据携带丰富的大气状态变量信息，不同光谱通道对不同物理参量的敏感程度不同，因此，在数据应用于同化系统之前，都需要进行辐射抽稀处理，提取出感兴趣的物理信息。

近年来，对超光谱大气红外遥感图像数据的有效压缩研究大多数依旧沿用已经成熟的对地高光谱图像数据的压缩方法。但是，超光谱大气红外图像有其相应的特点，其光谱分辨率要高于对地高光谱图像一个数量级，但其空间分辨率却比对地高光谱要低，并且其具有明显的分段特性等，而以往的图像压缩技术未能考虑到超光谱图像自身空谱特点和物理特性，而且，以往的压缩方法也未能在考虑压缩效率的同时兼顾同化应用，未充分利用同化应用前的辐射抽稀流程。

发明内容

本发明的目的是为了解决以往的图像压缩技术未能考虑到超光谱图像自身空谱特点和物理特性，也未能在考虑压缩比的同时兼顾同化应用流程的问题。

一种基于关键信息保护的超光谱大气红外遥感图像压缩方法，包括，

步骤一、超光谱大气红外遥感图像数据的大小为X(R,C,B)，其中：R×C为数据空间大小，B为通道个数；根据通道间的光谱间相关性对B个通道进行排序，并在光谱间相关性排序结果的基础上计算每个通道的信息容量；

选出信息容量最大的通道作为信息容量排序的第一个通道，更新观测误差协方差矩阵S_ε和权函数矩阵后，继续计算其余B-1个通道的信息容量，将其余B-1个通道中信息容量最大的通道作为信息容量排序的第二个通道，依次类推，得到信息容量的通道排序结果；将每个通道的信息容量作为权重对数据进行分级得到m个0级通道；

将得到的m个0级通道映射到光谱间相关性排序结果中，设置抽取步长为rate，抽取区间为[rate-pace,rate]，在相邻的0级通道之间抽取辅助通道，将m个0级通道和抽取出的辅助通道作为面向同化应用及压缩所需要的关键信息通道；

基于信息熵的空间下采样方法对面向同化应用及压缩所需要的关键信息通道数据进行空间下采样，提取出关键性数据子集Z(r,c,b)；

步骤二、采用基于主成分分析的超光谱图像压缩方法对步骤一获得的关键性数据子集Z(r,c,b)进行无损压缩，得到关键性数据子集的压缩码流；

步骤三、对步骤一的关键性数据子集Z(r,c,b)进行空间维重建预测得到Y′(R,C,b)；再对Y′(R,C,b)进行光谱维重建预测，得到与X(R,C,B)相同维度的预测数据X′(R,C,B)，并计算预测残差ΔX；

步骤四、利用预测残差ΔX进行残差通道间预测和残差通道内预测，并对预测结果进行取整和正值化，得到新的预测残差ΔY；

步骤五、采用多级树集合分裂方法对ΔY进行有损编码，或采用区间编码对ΔY进行无损编码，得到预测残差的输出码流。

本发明的有益效果是：本发明采用基于信息容量、光谱相关性约束的通道选择方法和基于信息熵的空间下采样方法抽取关键信息，同时考虑了超光谱图像自身空谱特点和物理特性；之后利用关键信息进行三维分组重建预测并获得预测残差，再对残差进行预测、正值化等进一步处理，最后对关键信息和预测残差进行区间编码得到压缩码流。本发明的方法在无损压缩方面，可以获得2.85以上的压缩比，并且同时重点保护了同化所需的关键信息部分，对关键性数据子集无损压缩且优先传输，与非关键的数据残差部分分开编码，利用了同化应用处理流程，便于数据的后续处理和同化计算。

附图说明

图1是本发明所述的基于关键信息保护的超光谱大气红外遥感图像压缩方法的流程图；

图2是本发明所采用的基于信息容量和相关性约束的通道选择方法的示意图；

图3是本发明所采用的基于信息容量和相关性约束的通道选择方法流程图；

图4(a)为景(Granule)9对应的AIRS图像数据块图；

图4(b)为景(Granule)60对应的AIRS图像数据块图；

图4(c)为景(Granule)82对应的AIRS图像数据块图；

图4(d)为景(Granule)16对应的AIRS图像数据块图；

图4(e)为景(Granule)120对应的AIRS图像数据块图；

图4(f)为景(Granule)129对应的AIRS图像数据块图；

图4(g)为景(Granule)126对应的AIRS图像数据块图；

图4(h)为景(Granule)151对应的AIRS图像数据块图；

图4(i)为景(Granule)182对应的AIRS图像数据块图；

图4(j)为景(Granule)193对应的AIRS图像数据块图。

具体实施方式

具体实施方式一：结合图1、2和3说明本实施方式。本实施方式所述的基于关键信息保护的超光谱大气红外遥感图像压缩方法，该方法包括以下步骤：

步骤一、(三维)超光谱大气红外遥感图像数据的大小为X(R,C,B)，其中：R×C为数据空间大小，B为通道个数；根据通道间的光谱间相关性对B个通道进行排序，并在光谱间相关性排序结果的基础上计算每个通道的信息容量；

选出信息容量最大的通道作为信息容量排序的第一个通道，更新观测误差协方差矩阵S_ε和权函数矩阵后，继续计算其余B-1个通道的信息容量，将其余B-1个通道中信息容量最大的通道作为信息容量排序的第二个通道，依次类推，得到信息容量的通道排序结果；将每个通道的信息容量作为权重对数据进行分级得到m个0级通道；

将得到的m个0级通道映射到光谱间相关性排序结果中，设置抽取步长为rate，抽取区间为[rate-pace,rate]，在相邻的0级通道之间抽取辅助通道，将m个0级通道和抽取出的辅助通道作为面向同化应用及压缩所需要的关键信息通道；

基于信息熵的空间下采样方法对面向同化应用及压缩所需要的关键信息通道数据进行空间下采样，提取出关键性数据子集Z(r,c,b)；

步骤二、采用基于主成分分析的超光谱图像压缩方法对步骤一获得的关键性数据子集Z(r,c,b)进行无损压缩，得到关键性数据子集的压缩码流；

步骤三、对步骤一的关键性数据子集Z(r,c,b)进行空间维重建预测得到Y′(R,C,b)；再对Y′(R,C,b)进行光谱维重建预测，得到与X(R,C,B)相同维度的预测数据X′(R,C,B)，并计算预测残差ΔX；

步骤四、利用预测残差ΔX进行残差通道间预测和残差通道内预测，并对预测结果进行取整和正值化，得到新的预测残差ΔY；

步骤五、采用多级树集合分裂方法对ΔY进行有损编码，或采用区间编码对ΔY进行无损编码，得到预测残差的输出码流。

具体实施方式二：本实施方式对实施方式一所述的基于关键信息保护的超光谱大气红外遥感图像压缩方法进行进一步的限定，所述步骤一的具体过程为：

步骤一一、(自适应通道分集，具体过程如下：)

设定阈值为T，分别计算相邻通道的光谱相关系数和各个通道与其他所有通道的光谱相关系数，

每两个相邻通道之间的光谱相关系数h_i,i+1，其中：i代表第i个通道，i+1代表第i+1个通道，若h_i,i+1≥T，则将通道i和通道i+1划分到同一集合，若h_i,i+1＜T，则将通道i+1划分到通道i所在集合的下一个集合；

分别对每一个集合划分子集，若某个集合中的通道数大于p，则依次将该集合中每p个通道划分为一个子集，若有剩余通道，则将剩余通道划分到该集合的最后一个子集中；若某个集合中的通道数小于p，则不再进行分集；

步骤一二、(基于相关性排序，具体过程如下：)

用U表示排序中已经包含的通道，用V表示剩下的通道，对U和V进行初始化，初始化U为空集，初始化V＝{1,2,3,...,B}；

以每个通道为节点，每两个通道连成线作为边，每条边上两个节点所对应的通道的光谱相关系数作为该边的权重，构成一个无向加权图，并以邻接矩阵H表述各个节点的权重值，从邻接矩阵H中选取权重值最大的两个节点对应的通道放入集合U中，则U＝{u₀,u₁}，其中：u₀和u₁分别代表第u₀个和第u₁个通道；

步骤一三、搜索满足u∈U，v∈V的最大的光谱相关系数h_u,v，u代表通道u₀或u₁，v为包含在集合V中的通道，并将对应的v从集合V中移入到集合U中；

步骤一四、重复步骤一三，将V中的波段通道依次移入集合U中，直到V为空集；各波段通道移入集合U中的顺序即为相关性约束排序结果；

每次重复均在V中选取与集合U中已有通道的最大的光谱相关系数对应的通道，例如：当集合U中的已有通道为u₀和u₁，则在V中选取一个通道加入U集合，该通道与通道u₀或u₁的光谱相关系数应当是集合V的所有通道中与通道u₀或u₁的光谱相关系数最大的通道；加入第一个加入U中的通道为v₀，那么在选取下一个加入U中的通道v₁时，通道v₁应当满足：通道v₁与通道u₀、u₁或v₁的光谱相关系数应当是集合V的剩余所有通道中与通道u₀、u₁或v₁的光谱相关系数最大的通道，依次类推，将V中的波段通道依次移入集合U中。

步骤一五、(基于信息容量排序，具体过程如下：)

输入观测前协方差矩阵S_a，观测误差协方差矩阵S_ε及温湿度雅可比矩阵J；计算每个通道的信息容量，具体方法如下：

首先计算观测后协方差矩阵

其中，k表示通道i对应的权函数矢量，k^T为k的转置；s_ε1是协方差矩阵S_ε的对角某一元素，(·)^-1代表矩阵的逆；由于协方差矩阵是对角阵，该值就代表了某一通道的误差。然后将

代入公式

得到每个通道的信息容量H(i)；

选出信息容量H(i)最大的通道，记录其通道号和信息容量，将该波段通道作为信息容量排序中的第一个通道；并从B个波段通道中去除该波段通道，得到剩余的B-1个通道；

更新观测误差协方差矩阵S_ε和权函数矩阵；

步骤一六、根据公式

计算得到更新后的观测后误差协方差矩阵

将剩余的B-1个通道用于下一步抽取，继续计算剩余各个通道的信息容量，选出剩余通道中信息容量最大的通道，记录其通道号和信息容量，将该通道作为信息容量排序中的第二个通道；并从剩余的B-1个通道中去除该通道，得到剩余的B-2个波通道；再更新观测误差协方差矩阵S_ε和权函数矩阵；J代表雅可比矩阵；

步骤一七、重复步骤一六的过程，直到所有通道排序完成；

步骤一八、(通道抽取，具体过程如下：)

将每个通道的信息容量作为该通道的权重，按照权重由大到小的顺序对全部通道进行分级；具体分级方式为：将前m个权重大的通道设置为最高优先级0级，0级通道是信息容量贡献最大的若干通道，后续抽取过程要保证0级通道被优先抽取。其他通道按照权重数量级的高低依次进行分级，且将权重数量级相同的通道设置为同一级；数据级别依次减小，设置为1级、2级等，级别数值越大优先级越低，直到确定所有通道的级别后结束。

步骤一九、在基于相关性约束的通道排序结果的基础上进行数据抽取。抽取出0级的通道，每一个0级通道都有一个通道号和一个信息容量，通道号对应着其在原始光谱中的通道号，并将抽取出的0级的通道映射到步骤一四得到的基于相关性约束的通道排序结果中，计算相邻的0级通道的间隔val＝band(i)-band(i+1)，其中，i和i+1分别是第i个和第i+1个0级通道，band(i)和band(i+1)分别表示第i个和第i+1个0级通道在基于相关性约束的排序结果中的通道序号；

设置抽取步长为rate，抽取区间为[rate-pace,rate]，其中pace≤rate/4；若相邻的0级通道的间隔val满足：rate＜val＜2*rate，则以第i个0级通道为原点，在距离原点rate内，在距离原点的距离为[rate-pace,rate]的抽取区间内，抽取优先级最高的通道中权重最大的通道；若相邻的0级通道的间隔val满足：2*rate＜val＜3*rate，则以第i个0级通道为原点，在距离原点rate内，在距离原点的距离为[rate-pace,rate]的抽取区间内，抽取优先级最高的通道中权重最大的通道作为辅助通道，并再次以距离原点rate的通道为原心，在距离原点的距离为[rate-pace,rate]的抽取区间内，抽取优先级最高的通道中权重最大的通道作为辅助通道；

以此类推，在相邻的0级通道间隔val的每一个抽取步长内，均抽取一个优先级最高的通道中权重最大的通道，直至所有相邻的0级通道之间均抽取完成；

将抽取出的全部0级通道和抽取出的相邻0级通道之间的辅助通道作为面向同化应用及压缩所需要的关键信息通道；

步骤一十、面向同化应用及压缩所需要的关键信息通道对应的数据为Y(R,C,b)，将数据Y(R,C,b)分为k个2×2×b大小的数据块，则每个数据块在空间维有4个像素点，在光谱维有b个通道，在空间维上，则为4个由b个光谱通道中相应像素点构成的像素矢量X⁰，k＝(R×C)/4；选取每个数据块中信息熵最大的光谱矢量，得到关键性数据子集Z(r,c,b)，(r,c)为关键性数据子集的空间大小。

本实施方式通过基于信息容量和相关性约束的通道选择方法和基于信息熵的空间下采样方法，提取出了超光谱红外大气遥感图像面向同化应用的关键信息，以进行重点保护和优先传输。

具体实施方式三：本实施方式对实施方式二所述的基于关键信息保护的超光谱大气红外遥感图像压缩方法进行进一步的限定，所述步骤三的具体过程为：

步骤三一、采用双三次插值方法对关键性数据子集Z(r,c,b)进行空间维度重建预测，得到空间维重建预测结果Y′(R,C,b)；

步骤三二、输入空间维重建预测结果Y′(R,C,b)，对空间R×C个数据点的光谱数据依次进行重建，得到与X(R,C,B)相同维度的重建数据X′(R,C,B)，计算得到预测残差ΔX＝X(R,C,B)-X′(R,C,B)。

本实施方式通过分别进行空间维和光谱维的预测重建，有实施方式二提取出的关键信息Z(r,c,b)恢复重建得到与原始超光谱红外大气遥感图像相同大小的预测数据，并获得预测残差，以备进一步的压缩处理。

具体实施方式四：本实施方式对实施方式三所述的基于关键信息保护的超光谱大气红外遥感图像压缩方法进行进一步的限定，所述步骤四的具体过程为：

步骤四一、残差通道间预测：预测残差ΔX中的当前通道数据为X_i，利用与当前通道数据X_i相邻的已预测的n_p个通道的数据X_p的线性组合来预测当前通道内数据

其中，

代表待预测的当前通道中的二维残差数据转换成一维矢量后的预测结果，X_P是待预测通道前n_p个相邻已预测残差通道转换成一维矢量后组成的矩阵；其转换形式可以自定义，但要保证

中数据顺序与X_P中的数据顺序一致，数据可以一一对应，即依次代表不同通道间相同位置的数据。在预测结束后，可以按照数据原有二维位置将其还原成二维形式。C是预测系数，也称为线性加权的权重，用于表示前n_p个通道数据对当前预测通道的贡献，预测系数C通过公式(2)计算：

则通道间预测结果

步骤四二、对通道间预测结果ΔX′进行通道内预测，通道内预测采用三种预测模式，对于非边缘数据用与当前待预测值相邻位置的三个数值预测当前数值，对于边缘数据采用相邻像素相减的方式预测，对于顶点数据则保留原始值；具体预测方式如下：对于非边缘数据，利用与当前待预测值相邻位置的三个数值预测当前数值，预测公式为公式(3)：

其中：e表示当前待预测位置经过通道内预测得到的新的预测残差，s_{(i″,j″,k″)}表示第i″行第j″列第k″通道的数据的像素值；i″_max和j″_max预测分别代表行数和列数的最大值；

对于边缘数据采用相邻像素相减的方式预测，预测公式为公式(4)：

e＝s_{(i″,j″,k″)}-s_{(i″+1,j″,k″)},i″＜i″_max,j″＝j″_max

e＝s_{(i″,j″,k″)}-s_{(i″,j″+1,k″)},i″＝i″_max,j″＜j″_max (4)

对于顶点数据预测则保留原始值：

e＝s_{(i″,j″,k″)},i″＝i″_max,j″＝j″_max； (5)

经过预测，得到预测后的残差数据ΔX”；

公式(3)中的e表示非边缘数据经过通道内预测得到的新的预测残差，公式(4)中的e表示边缘数据经过通道内预测得到的新的预测残差，公式(5)中的e表示顶点数据经过通道内预测得到的新的预测残差，对非边缘数据、边缘数据和顶点数据分别预测完成后，即得到预测后的残差数据ΔX”；

残差通道内预测过程采用由通道内右下角数据开始依次向左上角进行预测的预测顺序。先预测边缘数据，将所有第i_max行和第j_max列的数据预测完毕后，再按照模式①预测其它数据，直到所有数据全部被预测。预测过程始终以已预测数据预测待预测数据，最终，除顶点数据保留原始数据外，其他片内全部数据均由预测残差值代替；

步骤四三、对步骤四二的预测结果ΔX”取整得到整数化的残差数据ΔX₁，取整方式为向下取整、向上取整或四舍五入；

步骤四四、根据公式(6)将取整得到的ΔX₁进行正数映射，使所有的预测系数一一映射到新的正数集，得到新的预测残差ΔY；

本实施方式通过对预测残差进行编码前的预处理工作，进一步去相关，使残差熵更低，从而更接近高斯分布，提高压缩效率。

实施例

验证实验采用的数据是美国国家航天太空总署的标准超光谱红外大气数据，共分为十个景，其中五个为白天时间，五个为夜晚时间，代表了地球气象的典型地理区域。每一个数据块被保存为一个二进制文件，共2107个波段通道，135个辐射扫描面，每个波段通道的扫描线上共90个像素，每个数据块的存储大小为41249250bytes。

本发明在实验验证时所用的AIRS超光谱大气红外遥感图像数据；其中Granule表示“景”，用于研究的标准超光谱探测仪AIRS的数据集包含10景，5个白天，5个夜晚，同时代表了不同的地理区域；一天的数据共有240景，景后面的数字，例如Granule60，其中的60为序号。即图4(a)-图4(j)是在波数800.01cm^-1下的十个AIRS图像数据块图，

其中图4(a)为景(Granule)9对应的AIRS图像数据块图；

图4(b)为景(Granule)60对应的AIRS图像数据块图；

图4(c)为景(Granule)82对应的AIRS图像数据块图；

图4(d)为景(Granule)16对应的AIRS图像数据块图；

图4(e)为景(Granule)120对应的AIRS图像数据块图；

图4(f)为景(Granule)129对应的AIRS图像数据块图；

图4(g)为景(Granule)126对应的AIRS图像数据块图；

图4(h)为景(Granule)151对应的AIRS图像数据块图；

图4(i)为景(Granule)182对应的AIRS图像数据块图，

图4(j)为景(Granule)193对应的AIRS图像数据块图。

图中E代表东、S代表南、W代表西、N代表北。

表1第一行是本发明方法，即基于关键信息保护的超光谱大气红外遥感图像压缩方法，对图4中十景AIRS数据块进行无损压缩的结果，并与其他典型的压缩方法的对比结果。

表1基于关键信息保护的压缩方案与其他未考虑关键信息保护的压缩方案对比

从实验结果可以看出，本发明在保证了图像压缩效果的同时，还重点保护了关键信息部分，对关键性数据子集无损压缩且优先传输，与非关键的数据残差部分分开编码，便于数据的后续处理和同化计算。

本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (2)

1.基于关键信息保护的超光谱大气红外遥感图像压缩方法，其特征在于，该方法包括以下步骤：

步骤一、超光谱大气红外遥感图像数据的大小为X(R,C,B)，其中：R×C为数据空间大小，B为通道个数；根据通道间的光谱间相关性对B个通道进行排序，并在光谱间相关性排序结果的基础上计算每个通道的信息容量；

选出信息容量最大的通道作为信息容量排序的第一个通道，更新观测误差协方差矩阵S_ε和权函数矩阵后，继续计算其余B-1个通道的信息容量，将其余B-1个通道中信息容量最大的通道作为信息容量排序的第二个通道，依次类推，得到信息容量的通道排序结果；将每个通道的信息容量作为权重对数据进行分级得到m个0级通道；

将得到的m个0级通道映射到光谱间相关性排序结果中，设置抽取步长为rate，抽取区间为[rate-pace,rate]，在相邻的0级通道之间抽取辅助通道，将m个0级通道和抽取出的辅助通道作为面向同化应用及压缩所需要的关键信息通道；

基于信息熵的空间下采样方法对面向同化应用及压缩所需要的关键信息通道数据进行空间下采样，提取出关键性数据子集Z(r,c,b)；

所述步骤一的具体过程为：

步骤一一、设定阈值为T，分别计算相邻通道的光谱相关系数和各个通道与其他所有通道的光谱相关系数，

每两个相邻通道之间的光谱相关系数h_i,i+1，其中：i代表第i个通道，i+1代表第i+1个通道，若h_i,i+1≥T，则将通道i和通道i+1划分到同一集合，若h_i,i+1＜T，则将通道i+1划分到通道i所在集合的下一个集合；

分别对每一个集合划分子集，若某个集合中的通道数大于p，则依次将该集合中每p个通道划分为一个子集，若有剩余通道，则将剩余通道划分到该集合的最后一个子集中；若某个集合中的通道数小于p，则不再进行分集；

步骤一二、用U表示排序中已经包含的通道，用V表示剩下的通道，对U和V进行初始化，初始化U为空集，初始化V＝{1,2,3,...,B}；

以每个通道为节点，每两个通道连成线作为边，每条边上两个节点所对应的通道的光谱相关系数作为该边的权重，构成一个无向加权图，并以邻接矩阵H表述各个节点的权重值，从邻接矩阵H中选取权重值最大的两个节点对应的通道放入集合U中，则U＝{u₀,u₁}，其中：u₀和u₁分别代表第u₀个和第u₁个通道；

步骤一三、搜索满足u∈U，v∈V的最大的光谱相关系数h_u,v，u代表通道u₀或u₁，v为包含在集合V中的通道，并将对应的v从集合V中移入到集合U中；

步骤一四、重复步骤一三，将V中的波段通道依次移入集合U中，直到V为空集；各波段通道移入集合U中的顺序即为相关性约束排序结果；

步骤一五、输入观测前协方差矩阵S_a，观测误差协方差矩阵S_ε及温湿度雅可比矩阵J；计算每个通道的信息容量，具体方法如下：

计算观测后协方差矩阵

其中，k表示通道i对应的权函数矢量，k^T为k的转置；s_ε1是协方差矩阵S_ε的对角某一元素，(·)^-1代表矩阵的逆；将

代入公式

得到每个通道的信息容量H(i)；

选出信息容量H(i)最大的通道，记录其通道号和信息容量，将该波段通道作为信息容量排序中的第一个通道；并从B个波段通道中去除该波段通道，得到剩余的B-1个通道；

更新观测误差协方差矩阵S_ε和权函数矩阵；

步骤一六、根据公式

计算得到更新后的观测后误差协方差矩阵

将剩余的B-1个通道用于下一步抽取，继续计算剩余各个通道的信息容量，选出剩余通道中信息容量最大的通道，记录其通道号和信息容量，将该通道作为信息容量排序中的第二个通道；并从剩余的B-1个通道中去除该通道，得到剩余的B-2个波通道；再更新观测误差协方差矩阵S_ε和权函数矩阵；J代表雅可比矩阵；

步骤一七、重复步骤一六的过程，直到所有通道排序完成；

步骤一八、将每个通道的信息容量作为该通道的权重，按照权重由大到小的顺序对全部通道进行分级；将前m个权重大的通道设置为最高优先级0级，其他通道按照权重数量级的高低依次进行分级，且将权重数量级相同的通道设置为同一级；

步骤一九、抽取出0级的通道，并将抽取出的0级的通道映射到步骤一四得到的基于相关性约束的通道排序结果中，计算相邻的0级通道的间隔val＝band(i)-band(i+1)，其中，i和i+1分别是第i个和第i+1个0级通道，band(i)和band(i+1)分别表示第i个和第i+1个0级通道在基于相关性约束的排序结果中的通道序号；

设置抽取步长为rate，抽取区间为[rate-pace,rate]，其中pace≤rate/4；若相邻的0级通道的间隔val满足：rate＜val＜2*rate，则以第i个0级通道为原点，在距离原点rate内，在距离原点的距离为[rate-pace,rate]的抽取区间内，抽取优先级最高的通道中权重最大的通道；若相邻的0级通道的间隔val满足：2*rate＜val＜3*rate，则以第i个0级通道为原点，在距离原点rate内，在距离原点的距离为[rate-pace,rate]的抽取区间内，抽取优先级最高的通道中权重最大的通道作为辅助通道，并再次以距离原点rate的通道为原心，在距离原点的距离为[rate-pace,rate]的抽取区间内，抽取优先级最高的通道中权重最大的通道作为辅助通道；

以此类推，在相邻的0级通道间隔val的每一个抽取步长内，均抽取一个优先级最高的通道中权重最大的通道，直至所有相邻的0级通道之间均抽取完成；

将抽取出的全部0级通道和抽取出的相邻0级通道之间的辅助通道作为面向同化应用及压缩所需要的关键信息通道；

步骤一十、面向同化应用及压缩所需要的关键信息通道对应的数据为Y(R,C,b)，将数据Y(R,C,b)分为k个2×2×b大小的数据块，则每个数据块在空间维有4个像素点，在光谱维有b个通道，在空间维上，则为4个由b个光谱通道中相应像素点构成的像素矢量X⁰，k＝(R×C)/4；选取每个数据块中信息熵最大的光谱矢量，得到关键性数据子集Z(r,c,b)，(r,c)为关键性数据子集的空间大小；

步骤二、采用基于主成分分析的超光谱图像压缩方法对步骤一获得的关键性数据子集Z(r,c,b)进行无损压缩，得到关键性数据子集的压缩码流；

步骤三、对步骤一的关键性数据子集Z(r,c,b)进行空间维重建预测得到Y′(R,C,b)；再对Y′(R,C,b)进行光谱维重建预测，得到与X(R,C,B)相同维度的预测数据X′(R,C,B)，并计算预测残差ΔX；

步骤四、利用预测残差ΔX进行残差通道间预测和残差通道内预测，并对预测结果进行取整和正值化，得到新的预测残差ΔY；

所述步骤四的具体过程为：

步骤四一、预测残差ΔX中的当前通道数据为X_i，利用与当前通道数据X_i相邻的已预测的n_p个通道的数据X_p的线性组合来预测当前通道内数据

其中，

代表待预测的当前通道中的二维残差数据转换成一维矢量后的预测结果，X_P是待预测通道前n_p个相邻已预测残差通道转换成一维矢量后组成的矩阵；C是预测系数，预测系数C通过公式(2)计算：

则通道间预测结果

(·)^T代表转置，(·)^-1代表矩阵的逆；

步骤四二、对通道间预测结果ΔX′进行通道内预测，对于非边缘数据，利用与当前待预测值相邻位置的三个数值预测当前数值，预测公式为公式(3)：

其中：e表示当前待预测位置经过通道内预测得到的新的预测残差，s_{(i″,j″,k″)}表示第i″行第j″列第k″通道的数据的像素值；i″_max和j″_max预测分别代表行数和列数的最大值；

对于边缘数据采用相邻像素相减的方式预测，预测公式为公式(4)：

对于顶点数据预测则保留原始值：

e＝s_{(i″,j″,k″)},i″＝i″_max,j″＝j″_max； (5)

经过预测，得到预测后的残差数据ΔX″；

步骤四三、对步骤四二的预测结果ΔX″取整得到整数化的残差数据ΔX₁，取整方式为向下取整、向上取整或四舍五入；

步骤四四、根据公式(6)将取整得到的ΔX₁进行正数映射，使所有的预测系数一一映射到新的正数集，得到新的预测残差ΔY；

步骤五、采用多级树集合分裂方法对ΔY进行有损编码，或采用区间编码对ΔY进行无损编码，得到预测残差的输出码流。

2.根据权利要求1所述的基于关键信息保护的超光谱大气红外遥感图像压缩方法，其特征在于，所述步骤三的具体过程为：

步骤三一、采用双三次插值方法对关键性数据子集Z(r,c,b)进行空间维度重建预测，得到空间维重建预测结果Y′(R,C,b)；

步骤三二、输入空间维重建预测结果Y′(R,C,b)，对空间R×C个数据点的光谱数据依次进行重建，得到与X(R,C,B)相同维度的重建数据X′(R,C,B)，计算得到预测残差ΔX＝X(R,C,B)-X′(R,C,B)。

Images