基于預測的高光譜及極光光譜圖像無損壓縮.pdf

1、自20世紀80年代以來，高光譜遙感技術(shù)得到了迅猛發(fā)展，它將確定地物性質(zhì)的光譜信息與反應空間信息的二維圖像合為一體，形成了一種三維立體數(shù)據(jù)。隨著高光譜技術(shù)向高空間分辨率與高光譜分辨率的方向不斷發(fā)展，成像光譜儀所獲取的數(shù)據(jù)量呈指數(shù)增加，鑒于高光譜數(shù)據(jù)高昂的獲取、傳輸及保存代價，如何高效地對高光譜數(shù)據(jù)進行無損壓縮顯得尤為重要。
　　本文首先介紹了高光譜遙感技術(shù)以及高光譜圖像與極光光譜圖像的壓縮研究現(xiàn)狀和意義，通過對高光譜圖像特點的分析及

2、經(jīng)典預測算法-同類多波段譜間預測算法（C-DPCM算法）的研究，提出了自適應去除局部異常值的方法以提高C-DPCM算法的壓縮效果，實驗結(jié)果顯示去除局部異常譜線的方法能夠在C-DPCM算法的基礎(chǔ)上明顯提高無損壓縮效果。接著又對新型的極光光譜數(shù)據(jù)進行研究，從開始的JPEG-LS無損壓縮算法到結(jié)合幀間預測的三維JPEG-LS算法，最后結(jié)合極光光譜數(shù)據(jù)的特點提出了基于遞推回歸的南極中山站極光光譜圖像無損壓縮算法。論文的主要研究成果如下：

3、　　(1)本文通過介紹基于預測方法的高光譜圖像無損壓縮基本知識，在第三章提出了一種自適應去除局部異常值的多波段譜間預測算法。該算法采用兩次回歸訓練的方式，在C-DPCM算法的基礎(chǔ)上添加了自適應去除局部異常譜線的功能。在第一次回歸訓練時，使用對每一類每個波段所有譜線線性回歸訓練得到的預測系數(shù)預測所有像素值，然后求得預測誤差并從大到小排序。自適應地采用相鄰誤差的最大值差值為分界點，預測誤差大于最大差值的對應的是局部異常譜線，反之是非局部異常

4、譜線。然后用剔除局部異常譜線后的剩余譜線進行第二次回歸訓練。實驗結(jié)果表明，該算法較C-DPCM算法壓縮效果有明顯提高。
　　(2)本文第四章提出了基于JPEG-LS的極光光譜圖像無損壓縮算法。基于每一幀的極光光譜圖像可以看做一幅二維圖像，成功地將JPEG-LS的核心算法LOCO-I應用其中，且該經(jīng)典算法較傳統(tǒng)的RAR壓縮和ZIP壓縮的效果有明顯提高。接著考慮到，連續(xù)的極光光譜圖像作為一種時間序列必然存在幀與幀之間的時間相關(guān)性，因此

5、提出三維的JPEG-LS幀間預測方法，通過對LOCO-I算法的修正，將幀間相關(guān)性應用到預測中。最終的實驗結(jié)果顯示，利用幀間相關(guān)性的三維 JPEG-LS算法較二維JPEG-LS算法在壓縮性能上有所提高。
　　(3)本文最后結(jié)合極光光譜數(shù)據(jù)的特點提出了一種基于遞推回歸的南極中山站極光光譜圖像無損壓縮算法。該算法鑒于極光光譜圖像波段多，一般線性回歸算法中的預測階數(shù)增加將會導致邊信息占總信息比例急速增大，采用遞推回歸預測的方式進行在線預測