高光譜影像壓縮及區(qū)域分割技術(shù)研究.pdf

1、空間遙感技術(shù)的發(fā)展在經(jīng)歷了由黑白（全色）、彩色、多光譜成像三個階段后，在二十世紀(jì)八十年代初進(jìn)入了一個新階段，即高光譜遙感階段。高光譜遙感技術(shù)的發(fā)展使人的視覺得到了有效的延伸，從而豐富了人們認(rèn)識事物的手段。
　　高光譜遙感技術(shù)的理論基礎(chǔ)是測譜學(xué)，在此基礎(chǔ)上通過成像光譜儀獲取地球表面物體光譜反射率，在紅外、可見光、紫外光譜區(qū)域獲取地表物體連續(xù)的數(shù)十到數(shù)百波段的光譜信息。當(dāng)前，隨著各國研制的不同型號成像光譜儀的發(fā)展，高光譜遙感技術(shù)更向著

2、超高光譜遙感發(fā)展。
　　隨著遙感技術(shù)的不斷發(fā)展，高光譜影像的空間與譜間分辨率都在不斷提高。這就導(dǎo)致了由成像光譜儀獲得的高光譜遙感影像的數(shù)據(jù)量不斷增大。龐大的數(shù)據(jù)量對高光譜影像的存儲和傳輸帶來了麻煩。尤其通過星載成像光譜儀獲取的高光譜影像在向地面?zhèn)鬏敃r，給衛(wèi)星鏈路的帶寬帶來了巨大壓力。上述原因是制約高光譜遙感技術(shù)發(fā)展不可回避的重要問題之一。因此，研究有效的高光譜影像壓縮技術(shù)成為相關(guān)科研工作者所面對的重要問題。
　　文章首先對高

3、光譜影像編碼技術(shù)的研究現(xiàn)狀進(jìn)行了概括。在此基礎(chǔ)上，重點介紹了本文提出的波段排序的高光譜影像3D混合樹編碼方法，分別從研究目的、具體算法、實驗結(jié)果與結(jié)論四個方面對所提出的算法進(jìn)行了描述。具體為，目的：高光譜影像壓縮的關(guān)鍵技術(shù)是對空間維和光譜維的去相關(guān)性。根據(jù)高光譜影像數(shù)據(jù)結(jié)構(gòu)的特點，如何有效去除其空間相關(guān)性與譜間相關(guān)性是高光譜影像壓縮中至關(guān)重要的問題。對高光譜影像進(jìn)行編碼時，三維小波變換是極為有效的去除冗余的方法。因此提出了一種通過波段排

4、序并結(jié)合3D混合樹型結(jié)構(gòu)對高光譜影像三維小波變換系數(shù)進(jìn)行編碼的算法；算法實現(xiàn)：首先，將高光譜影像按照自然波段順序進(jìn)行波段分組,并對每組影像進(jìn)行相鄰影像的譜間相關(guān)性統(tǒng)計；其次，對相關(guān)性較弱的波段組，建立以影像波段序號為頂點、影像相關(guān)性系數(shù)為邊的完全圖，對這個完全圖求其最大漢密爾頓路回路。按照求得的最大漢密爾頓回路順序?qū)υ摬ǘ谓M進(jìn)行重新排序，從而提高波段組的譜間相關(guān)性；在此基礎(chǔ)上，對重新排序后的波段組進(jìn)行三維小波變換，并通過3D混合樹結(jié)構(gòu)對

5、三維小波變換系數(shù)進(jìn)行零樹編碼。結(jié)果：通過對大量 AVIRIS型高光譜影像數(shù)據(jù)的仿真實驗驗證了所提出方法的有效性。對相關(guān)性較低的波段組，加入排序算法后，其解碼影像與未排序時比，峰值信噪比有了一定的提高。通過實驗統(tǒng)計，算法平均用時2.7579s。結(jié)論：由于采用了對弱相關(guān)性波段組的重新排序機制，從而使得基于混合樹結(jié)構(gòu)的3D零樹編碼出現(xiàn)了更多有效的零樹，在一定程度上提高了編碼效率。通過實驗統(tǒng)計算法用時表明該算法以較小的時間代價獲得了解碼效果的提

6、升。
　　在上面研究的基礎(chǔ)上，本文研究了高光譜影像感興趣區(qū)域自動提取問題。這個問題是高光譜影像感興趣區(qū)域壓縮前必要的預(yù)處理步驟。分別從研究目的、具體算法、實驗結(jié)果與結(jié)論四個方面對所提出的算法進(jìn)行了描述。具體為，目的：在高光譜影像壓縮編碼的諸多算法中，根據(jù)對解碼重建影像數(shù)據(jù)實際應(yīng)用的需要，有時需要關(guān)注影像中的特定區(qū)域或小目標(biāo)。因此，研究基于感興趣區(qū)域的高光譜影像壓縮編碼技術(shù)勢在必行。根據(jù)高光譜影像數(shù)據(jù)結(jié)構(gòu)的特點，如何快速、有效、自動

7、提取出影像中感興趣區(qū)域成為高光譜影像感興趣區(qū)域壓縮算法成功與否的必要技術(shù)環(huán)節(jié)之一。方法：首先，將高光譜影像以像素為單位建立影像光譜向量矩陣。然后，由一組感興趣純凈像元光譜反射率向量構(gòu)造感興趣像元標(biāo)準(zhǔn)混合參考向量。接著，計算目標(biāo)影像光譜向量中每個向量與感興趣像元標(biāo)準(zhǔn)混合參考向量間的相關(guān)性，得到感興趣像元相關(guān)性矩陣。最后，采用感興趣像元相關(guān)性矩陣作為約束條件對C-V活動輪廓模型的能量函數(shù)進(jìn)行改造，并將改造后的能量函數(shù)作為感興趣區(qū)域的判別標(biāo)準(zhǔn)

8、對高光譜影像中感興趣像素點進(jìn)行自動提取。結(jié)果：通過對美國JasperRidge與Cuprite地區(qū)的AVIRIS型高光譜影像進(jìn)行感興趣區(qū)域提取實驗，驗證了該算法的有效性。通過與對比算法的提取效果進(jìn)行比較，提出的算法能夠更有效的找出影像中的感興趣區(qū)域。在相同迭代次數(shù)下，提出的算法能找到影像中更多的感興趣像素點。而達(dá)到相似提取效果時，提出的算法用時要遠(yuǎn)小于對比算法。提出的算法迭代500次的效果就已優(yōu)于對比算法模型迭代2000次的效果。并且，

9、用于對比的算法模型在迭代2000次以上時，已經(jīng)無法找到影像中更多的感興趣像素點，而提出的算法解決了這一問題，能夠有效找出影像中更多可能的感興趣像素點。結(jié)論：由于傳統(tǒng)C-V模型僅是以影像中物體的輪廓作為提取依據(jù)，而高光譜影像數(shù)據(jù)的特點決定了影像中邊界輪廓兩側(cè)往往并非異質(zhì)區(qū)域，這就使采用傳統(tǒng)C-V活動輪廓模型的方法對高光譜影像感興趣區(qū)域的提取效果不佳。而提出的算法在C-V活動輪廓模型的能量函數(shù)中加入了感興趣像素點相關(guān)性矩陣作為目標(biāo)提取的約束