基于稀疏k-svd的極化sar圖像壓縮方法
【專利摘要】本發(fā)明公開了一種基于稀疏K-SVD的極化SAR圖像壓縮方法，主要解決現(xiàn)有技術(shù)極化SAR圖像通道之間存在冗余，以及在壓縮比過大時(shí)重建圖像模糊不清、紋理細(xì)節(jié)丟失的問題。其實(shí)現(xiàn)步驟為：(1)輸入圖像，并對圖像通道之間進(jìn)行DCT變換；(2)對每個(gè)通道進(jìn)行9/7小波分解；(3)將分解得到的系數(shù)輸入到K-SVD算法中訓(xùn)練字典；(4)用字典對圖像進(jìn)行稀疏表示；(5)對稀疏系數(shù)進(jìn)行編碼預(yù)處理；(6)對編碼預(yù)處理后的稀疏系數(shù)進(jìn)行編碼并輸出碼流。本發(fā)明有效去除了極化SAR圖像通道之間的冗余，保持了壓縮重建結(jié)果圖像的紋理細(xì)節(jié)，使得重建圖像視覺效果更好，可用于極化SAR圖像的存儲(chǔ)和傳輸。
【專利說明】基于稀疏K-SVD的極化SAR圖像壓縮方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于圖像壓縮【技術(shù)領(lǐng)域】，更進(jìn)一步涉及極化合成孔徑雷達(dá)極化SAR圖像的 壓縮方法，可用于極化SAR圖像的傳輸和存儲(chǔ)。

【背景技術(shù)】
[0002] 極化合成孔徑雷達(dá)極化SAR是一種多極化、高分辨率的微波相干的成像雷達(dá)，能 夠全面記錄目標(biāo)散射特性信息，相比于單極化的雷達(dá)成像系統(tǒng)，極化SAR可以獲取更多感 興趣地物目標(biāo)的特征，然而極化SAR圖像的數(shù)據(jù)量也是巨大的，給數(shù)據(jù)的實(shí)時(shí)傳輸與存儲(chǔ) 造成了巨大的壓力，因此，極化SAR圖像的有效壓縮方法是迫切需要解決的關(guān)鍵技術(shù)問題。 極化SAR具有四個(gè)通道，壓縮極化SAR圖像不僅要考慮去除每個(gè)通道圖像的冗余，同時(shí)還要 考慮去除通道之間的冗余。
[0003] 傳統(tǒng)的圖像壓縮方法不能直接用于極化SAR圖像的壓縮，因?yàn)闃O化SAR圖像的特 性與自然圖像的特性相差很大，基于DCT的JPEG圖像壓縮方法重建圖像時(shí)會(huì)產(chǎn)生塊效應(yīng)， 基于DWT的JPEG2000可以有效去除自然圖像的冗余，但是若用于極化SAR圖像，依然有大 量冗余沒有被考慮到。字典學(xué)習(xí)是近幾年發(fā)展起來的信號表示方法，旨在用最少的元素表 示一個(gè)信號，該方法已經(jīng)被用到了合成孔徑雷達(dá)SAR圖像的壓縮。研究表明，基于壓縮圖像 本身訓(xùn)練的字典用于圖像壓縮要比基于公共訓(xùn)練集訓(xùn)練的字典用于圖像壓縮的壓縮效果 要更好，但是字典的傳送需要考慮在內(nèi)。稀疏K-SVD是一種雙重稀疏的字典學(xué)習(xí)算法，用該 方法表示信號,不僅可以稀疏表示信號,而且字典也可以被稀疏表示,大大減小了壓縮字典 所需的碼流。
[0004] 陳原等在文章 "Multi-polarimetric SAR image compression based on sparse representation"中提出了一種利用最小二乘法字典學(xué)習(xí)算法（Recursive Least Squares Dictionary Learning Algorithm，RLS_DLA)壓縮極化SAR的方法，該方法通過對比四個(gè)通 道之間的相關(guān)性，無損傳輸相關(guān)性最大的通道，用它來訓(xùn)練公共字典，稀疏表示其他三個(gè)通 道圖像，公用字典在一定程度上去除了通道之間的冗余，對每個(gè)通道圖像先做小波變換，然 后利用公共字典在小波域稀疏表示小波系數(shù)。該方法考慮到了通道之間的相關(guān)性，取得了 較好的壓縮結(jié)果，但是仍存在的不足是無損傳輸一個(gè)通道的圖像需要占用很大的碼流。
[0005] 張文超等在文章"Compression of Multi-polarimetric SAR intensity images based on3D_matrix transform"中提出了一種一維DCT、二維DWT組成的3D矩陣變換壓縮 極化SAR的方法，該方法通過對每個(gè)通道相同位置上的像素做一維DCT變換以去除通道之 間的冗余，通過對每通道圖像做二維DWT變換以去除圖像中的冗余，然后利用SPIHT編碼算 法對系數(shù)統(tǒng)一編碼。該方法可以自由控制每個(gè)通道的碼流，得到了優(yōu)于JPEG2000的壓縮結(jié) 果，但是仍存在的不足是通過DWT去除圖像冗余延續(xù)了 SPIHT以及JPEG2000圖像壓縮算法 的優(yōu)缺點(diǎn)，直接用于極化SAR仍有大量冗余沒有被去除。


【發(fā)明內(nèi)容】

[0006] 本發(fā)明的目的在于克服上述現(xiàn)有技術(shù)的不足，提出了 一種基于稀疏K-SVD的極化 SAR圖像壓縮方法，以更好的保持重建圖像的邊緣和細(xì)節(jié)信息，提高重建圖像的質(zhì)量。
[0007] 為實(shí)現(xiàn)本發(fā)明目的的技術(shù)方案包括如下步驟：
[0008] (1)輸入任選的一組含有4個(gè)通道的極化SAR圖像；
[0009] (2)對輸入的極化SAR圖像通道之間進(jìn)行一維DCT變換，以去除通道之間的冗余， 得到四個(gè)DCT系數(shù)平面；
[0010] (3)對每個(gè)DCT系數(shù)平面做三層9/7小波分解，得到四個(gè)混合系數(shù)平面；
[0011] ⑷訓(xùn)練字典：
[0012] 將四個(gè)混合系數(shù)平面的高頻部分劃分成N個(gè)8X8的小塊，每個(gè)平面任意選取3000 個(gè)小塊，作為訓(xùn)練集，N的數(shù)量取決于極化SAR圖像的大小；
[0013] 將每個(gè)小塊按照從上到下、從左到右的順序排列成一個(gè)64X 1的訓(xùn)練向量；
[0014] 將所有的訓(xùn)練向量以及DCT基字典輸入到稀疏K-SVD字典學(xué)習(xí)算法中，訓(xùn)練出求 解稀疏系數(shù)矩陣所需的字典；
[0015] ⑶稀疏編碼：
[0016] 將四個(gè)混合系數(shù)平面所有的64X1的向量以及所得到的字典輸入到正交匹配追 蹤OMP算法中，按照下式求稀疏系數(shù)矩陣：

【權(quán)利要求】
1. 一種基于稀疏K-SVD的極化SAR圖像壓縮方法，包括如下步驟： (1) 輸入任選的一組含有4個(gè)通道的極化SAR圖像； (2) 對輸入的極化SAR圖像通道之間進(jìn)行一維DCT變換，以去除通道之間的冗余，得到 四個(gè)DCT系數(shù)平面； (3) 對每個(gè)DCT系數(shù)平面做三層9/7小波分解，得到四個(gè)混合系數(shù)平面； ⑷訓(xùn)練字典： 將四個(gè)混合系數(shù)平面的高頻部分劃分成N個(gè)8X8的小塊，每個(gè)平面任意選取3000個(gè) 小塊，作為訓(xùn)練集，N的數(shù)量取決于極化SAR圖像的大?。? 將每個(gè)小塊按照從上到下、從左到右的順序排列成一個(gè)64X 1的訓(xùn)練向量； 將所有的訓(xùn)練向量以及DCT基字典輸入到稀疏K-SVD字典學(xué)習(xí)算法中，訓(xùn)練出求解稀 疏系數(shù)矩陣所需的字典； (5) 稀疏編碼： 將四個(gè)混合系數(shù)平面所有的64X 1的向量以及所得到的字典輸入到正交匹配追蹤OMP 算法中，按照下式求稀疏系數(shù)矩陣：
其中，min表示取最小值操作，I卜Il^表示F范數(shù)，Y表示訓(xùn)練集，①表示基字典，A表示 字典稀疏表示矩陣，W表示稀疏系數(shù)矩陣，I I ? I I ^表示0范數(shù)，Wi表示稀疏系數(shù)矩陣的第i 列向量，Ttl表示第i列向量非零系數(shù)的個(gè)數(shù)，a」表示字典表示矩陣第j列向量，Ptl表示第j 列向量非零系數(shù)的個(gè)數(shù)； (6) 根據(jù)稀疏表示矩陣W以及字典表示矩陣A系數(shù)的大小設(shè)定一個(gè)閾值，將稀疏表示矩 陣W以及字典表示矩陣A值小于該閾值的非零元素置零，并且在不影響AW乘積結(jié)果的前提 下將字典表示矩陣A的列以及稀疏表示矩陣W的行同時(shí)升序排列或者降序排列，以減少傳 送所需碼流； (7) 對9/7小波分解后的4個(gè)低頻子帶先進(jìn)行DPCM預(yù)測編碼壓縮，對預(yù)測誤差用 Huffman編碼進(jìn)行無損壓縮；對編碼預(yù)處理后的稀疏系數(shù)矩陣W和字典表示矩陣A進(jìn)行無 損壓縮，對非零系數(shù)以及非零系數(shù)的位置信息用Huffman編碼進(jìn)行壓縮； (8) 輸出碼流。
2. 根據(jù)權(quán)利要求1所述基于稀疏K-SVD的極化SAR圖像壓縮方法，其特征在于，所述步 驟（2)中去除通道之間的冗余，按如下步驟進(jìn)行： (2a)將四個(gè)通道的圖像排列成四個(gè)平面，并將四個(gè)平面對齊； (2b)對四個(gè)平面上相同位置的像素做一維DCT變換，直到四個(gè)平面上所有的像素均做 完一維DCT變換。
3. 根據(jù)權(quán)利要求1所述基于稀疏K-SVD的極化SAR圖像壓縮方法，其特征在于，步驟 (4)所述的將所有的訓(xùn)練向量以及DCT基字典輸入到稀疏K-SVD字典學(xué)習(xí)算法中，訓(xùn)練出求 解稀疏系數(shù)矩陣所需的字典，按如下步驟進(jìn)行： (4a)設(shè)定字典更新的最大迭代次數(shù)1 ; (4b)對于每一個(gè)訓(xùn)練向量，利用匹配追蹤算法計(jì)算向量在初始字典OAtl上的稀疏表示 系數(shù)，直到能夠近似的表示原向量并且非零系數(shù)個(gè)數(shù)最少，其中Atl是隨機(jī)的初始字典表示 矩陣，〇表示基字典； (4c)對字典表示矩陣A進(jìn)行迭代更新，在每次迭代中依次更新字典表示矩陣A的每一 列，直到所有的列都更新完畢；若字典更新的迭代次數(shù)小于設(shè)定的最大迭代次數(shù)1，則繼續(xù) 更新字典表示矩陣A的每一列。
【文檔編號】G06T9/00GK104331913SQ201410663762
【公開日】2015年2月4日 申請日期:2014年11月19日 優(yōu)先權(quán)日:2014年11月19日
【發(fā)明者】白靜, 焦李成, 符俢亮, 劉斌, 王爽, 馬晶晶, 馬文萍, 楊淑媛 申請人:西安電子科技大學(xué)