一種高光譜圖像在軌壓縮方法
【專利摘要】本發(fā)明是一種高光譜圖像在軌壓縮方法，步驟S1：根據高光譜圖像波段間的相似性對波段進行自適應的光譜分組和波段重排，得到初始字典、壓縮維數(shù)和最優(yōu)波段順序、最優(yōu)波段順序重排的高光譜圖像；步驟S2：用初始字典、光譜稀疏特性和光譜曲線的結構特征將最優(yōu)波段順序重排的高光譜圖像壓縮到光譜維數(shù)低的特征空間，得到具有保持光譜曲線可分性的結構字典；步驟S3：在特征空間中提取顯著性目標區(qū)域，用稀疏矩陣存儲顯著性目標區(qū)域，對特征空間中的背景區(qū)域的特征圖像降采樣得到深度壓縮的背景區(qū)域；步驟S4：對稀疏矩陣存儲的顯著性目標區(qū)域、深度壓縮的背景區(qū)域以及結構字典數(shù)據解壓縮，恢復每一個特征圖像，獲得恢復的高光譜圖像。
【專利說明】一種高光譜圖像在軌壓縮方法

【技術領域】
[0001] 本發(fā)明涉及高光譜圖像處理、數(shù)據壓縮、目標探測等【技術領域】，特別是一種高光譜 圖像在軌壓縮方法。

【背景技術】
[0002] 與全色圖像或多光譜圖像相比，高光譜圖像具有很高的光譜分辨率，如由機載可 見光紅外成像光譜儀（AVIRIS)獲取的高光譜遙感圖像的光譜分辨率約為10nm。高光譜圖 像為目標識別提供了一種新的手段，不僅可以用于識別目標的形狀，還可以利用高光譜分 辨率辨識目標的材質或對地物進行精細化分類。近年來，高光譜遙感圖像已被廣泛應用到 地質勘探、考古發(fā)現(xiàn)、異常目標檢測、軍事作戰(zhàn)等多個領域。
[0003] 與傳統(tǒng)的圖像相比，高光譜圖像的波段數(shù)很多，高光譜圖像占用的空間很大，將容 量很大的高光譜圖像從衛(wèi)星傳到地面需要占用很多網絡資源和傳輸時間，制約了高光譜圖 像的廣泛應用。
[0004] 傳統(tǒng)的高光譜圖像壓縮一般屬于數(shù)據級壓縮，數(shù)據級壓縮一般是數(shù)據下傳到地面 以后由地面處理系統(tǒng)為減少存儲空間進行的壓縮。
[0005] 與數(shù)據級壓縮相比，特征級壓縮具有更好的實用性。特征級壓縮不僅可以減少高 光譜圖像的存儲空間，而且可以有效減少高光譜圖像分類、目標檢測和識別等后續(xù)步驟的 處理時間。目前，高光譜圖像的特征級壓縮方法還很少，不能滿足實際應用的需求。
[0006]目前，高光譜圖像的在軌處理有很強的應用需求。與傳統(tǒng)的高光譜圖像壓縮不同， 高光譜圖像的在軌壓縮不僅要考慮數(shù)據傳輸效率、存儲空間等基本要求，還要考慮在軌處 理的時效性要求及數(shù)據壓縮與后續(xù)的處理步驟之間的關系。


【發(fā)明內容】

[0007] 本發(fā)明的目的是針對現(xiàn)有技術的問題，提供一種在軌處理的特點和實際應用的需 求、有效的高光譜圖像在軌壓縮方法。
[0008] 為了實現(xiàn)上述目的，本發(fā)明的高光譜圖像在軌壓縮方法包括如下步驟：
[0009] 步驟S1:根據高光譜圖像波段間的相似性對波段進行自適應的光譜分組和波段 重排，得到初始字典、壓縮維數(shù)和最優(yōu)波段順序、最優(yōu)波段順序重排的高光譜圖像；
[0010] 步驟S2 :利用初始字典、光譜稀疏特性和光譜曲線的結構特征，將最優(yōu)波段順序 重排的高光譜圖像壓縮到光譜維數(shù)較低的特征空間，得到具有保持光譜曲線可分性的結構 字典；
[0011] 步驟S3:在特征空間中提取顯著性目標區(qū)域，利用稀疏矩陣存儲顯著性目標區(qū) 域，對特征空間中的背景區(qū)域的特征圖像進行降采樣，得到深度壓縮的背景區(qū)域；
[0012] 步驟S4:對稀疏矩陣存儲的顯著性目標區(qū)域、深度壓縮的背景區(qū)域以及結構字典 數(shù)據進行數(shù)據解壓縮，恢復每一個特征圖像，獲得恢復的高光譜圖像。
[0013] 本發(fā)明的有益效果：本發(fā)明所述方法對于提高在軌處理環(huán)境下的高光譜數(shù)據壓縮 性能、高光譜數(shù)據結構特征的保持具有重要的意義，其主要優(yōu)點如下：
[0014] 本發(fā)明綜合考慮了高光譜數(shù)據在光譜維上的結構特點和稀疏性、顯著目標的重要 性和背景區(qū)域的可深度壓縮性，在確?；謴唾|量的基礎上對高光譜圖像進行多方位的深度 壓縮。利用光譜稀疏特性將高光譜圖像壓縮到維數(shù)較低的特征空間，大大節(jié)省了網絡資源 和存儲資源；利用結構字典描述光譜曲線的結構特征，用以保持光譜曲線的可分性。利用稀 疏矩陣存儲顯著目標區(qū)域，對背景區(qū)域的特征圖像進行降采樣，進一步節(jié)省網絡資源和后 續(xù)處理步驟的處理時間。
[0015] 本發(fā)明是一種集數(shù)據級壓縮、特征級壓縮和目標級壓縮于一體的多級別壓縮，特 征級壓縮保持了光譜曲線的可分性，目標級壓縮保持了目標的細節(jié)，數(shù)據級壓縮確保在特 征級壓縮和目標級壓縮后仍可以恢復數(shù)據，壓縮的過程中考慮了數(shù)據的恢復質量尤其是目 標區(qū)域細節(jié)的可保持性。這種多級別的壓縮方式使得其中間結果可以直接被高光譜圖像解 混、高光譜圖像分類等后續(xù)步驟應用，在完成數(shù)據壓縮的同時大大減少了后續(xù)應用的處理 時間。
[0016] 得益于上述優(yōu)點，本發(fā)明極大地提高了高光譜圖像的在軌壓縮性能及對其他在軌 處理模塊如高光譜圖像解混、高光譜圖像分類的支撐作用，可廣泛應用于星載高光譜圖像 在軌壓縮、高光譜圖像在軌分類及異常目標在軌檢測等系統(tǒng)中。

【專利附圖】

【附圖說明】
[0017] 圖1是本發(fā)明高光譜圖像在軌壓縮流程圖。

【具體實施方式】
[0018] 為使本發(fā)明的目的、技術方案和優(yōu)點更加清楚明白，下面結合【專利附圖】

【附圖說明】本發(fā)明技 術方案中所涉及的技術問題。應指出的是，所描述的實施方式僅旨在便于對本發(fā)明的理解， 而對其不起任何限定作用。
[0019] 如圖1示出本發(fā)明基于光譜稀疏特性和目標顯著特性的高光譜圖像在軌壓縮方 法，該方法包括步驟如下：
[0020] 步驟S1光譜分組與波段重排：根據高光譜圖像波段間的相似性對波段進行自適 應的光譜分組和波段重排，得到初始字典、壓縮維數(shù)、最優(yōu)波段順序和最優(yōu)波段順序的高光 譜圖像。具體過程如下：
[0021] 步驟S11數(shù)據重排：將每一波段的二維圖像轉換為一維向量，然后按照波段順序 將整個三維的高光譜圖像I重排為二維矩陣X=(Xl ;x2;…Xi;Xp)T，設Xi表示將第i個波 段圖像按照"先列后行"順序重新排列的IX(mXn)維的行向量；其中，i為波段的序號，i =1，2, 3,…，p，m為高光譜圖像的高度，n為高光譜圖像的寬度，p為高光譜圖像的波段數(shù)， T為二維矩陣的轉置。
[0022] 步驟S12波段重排及初始字典學習：根據波段間光譜響應的相關性調整波段的排 列順序、對波段進行分組并為每組確定聚類中心，聚類中心即為初始字典。波段重排及初始 字典學習是通過對各波段的光譜響應進行自動聚類實現(xiàn)，自動聚類將波段間的互相關系數(shù) 作為相似性度量準則，在初始化時把所有的波段看成潛在的中心點，然后通過迭代傳播責 任感消息和可用性消息尋找每個波段的聚類中心并確定每個波段的分組類別。責任感消息 r(il，i2)表示第i2個波段適合作為第il個波段的聚類中心的程度，il和i2為波段的序 號，;11 = 1，2,3，*"，口，12 = 1，2,3，*"，口?？捎眯韵?(;[1，12)表示第;[1個波段選擇 第i2個波段作為其聚類中心的可能性。波段重排及初始字典學習的具體步驟如下：
[0023] 步驟S121 :可用性消息的初始狀態(tài)：a(il，i2) = 0 ;
[0024] 步驟S122 :根據可用性消息更新所有的責任感消息，即

【權利要求】
1. 一種高光譜圖像在軌壓縮方法，包括如下步驟： 步驟S1 :根據高光譜圖像波段間的相似性對波段進行白適應的光譜分組和波段重排， 得到初始字典、壓縮維數(shù)和最優(yōu)波段順序、最優(yōu)波段順序重排的高光譜圖像； 步驟S2 :利用初始字典、光譜稀疏特性和光譜曲線的結構特征，將最優(yōu)波段順序重排 的高光譜圖像壓縮到光譜維數(shù)較低的特征空間，得到具有保持光譜曲線可分性的結構字 血. 步驟S3:在特征空間中提取顯著性目標區(qū)域，利用稀疏矩陣存儲顯著性目標區(qū)域，對 特征空間中的背景區(qū)域的特征圖像進行降采樣，得到深度壓縮的背景區(qū)域； 步驟S4 :對稀疏矩陣存儲的顯著性目標區(qū)域、深度壓縮的背景區(qū)域以及結構字典數(shù)據 進行數(shù)據解壓縮，恢復每一個特征圖像，獲得恢復的高光譜圖像。
2. 根據權利要求1所述的高光譜圖像在軌壓縮方法，其特征在于，所述高光譜圖像壓 縮包括如下步驟： 步驟S21 :在初始字典基礎上交替迭代更新字典和表示系數(shù)，得到高光譜圖像的壓縮 模型； 步驟S22 :利用壓縮模型對最優(yōu)波段順序重排的高光譜圖像進行壓縮，得到光譜維數(shù) 較低的特征空間。
3. 根據權利要求2所述的高光譜圖像在軌壓縮方法，其特征在于，所述高光譜圖像壓 縮模型具有壓縮誤差和光譜曲線保持的兩項約束。
4. 根據權利要求1所述的高光譜圖像在軌壓縮方法，其特征在于，所述初始字典由字 典原子構成，所述字典原子的個數(shù)由光譜分組與波段重排的聚類數(shù)目自動確定。
5. 根據權利要求1所述的高光譜圖像在軌壓縮方法，其特征在于，所述提取顯著性目 標區(qū)域是根據平均波段高光譜圖像的顯著特征映射圖像的直方圖特性，提取顯著性目標區(qū) 域。
6. 根據權利要求1所述的高光譜圖像在軌壓縮方法，其特征在于，所述稀疏矩陣存儲 顯著性目標區(qū)域是保持顯著性目標區(qū)域的完整細節(jié)的目標區(qū)域。
7. 根據權利要求6所述的高光譜圖像在軌壓縮方法，其特征在于，所述用稀疏矩陣存 儲顯著性目標區(qū)域是未經下采樣的特征圖像，且保留了目標細節(jié)特征的目標數(shù)據。
8. 根據權利要求1所述的高光譜圖像在軌壓縮方法，其特征在于，所述數(shù)據解壓縮包 括如下步驟： 步驟S41 :根據稀疏矩陣存儲的目標區(qū)域、深度壓縮的背景區(qū)域恢復每一個特征圖像； 步驟S42 :根據特征圖像和結構字典數(shù)據恢復高光譜圖像。
9. 根據權利要求8所述的高光譜圖像在軌壓縮方法，其特征在于，所述恢復每一個特 征圖像時顯著性目標區(qū)域的數(shù)據來自稀疏矩陣存儲的、未經下采樣的目標數(shù)據，用于保證 數(shù)據解壓后目標細節(jié)。
【文檔編號】G06T9/00GK104408751SQ201410583964
【公開日】2015年3月11日 申請日期:2014年10月27日 優(yōu)先權日:2014年10月27日
【發(fā)明者】霍春雷, 潘春洪, 周志鑫 申請人:中國科學院自動化研究所