本發(fā)明屬于信號(hào)處理技術(shù)領(lǐng)域，涉及一種遙感圖像壓縮方法，具體涉及一種基于樣本二叉樹(shù)字典學(xué)習(xí)的全色遙感圖像壓縮方法，可用于高空間分辨率的全色像存儲(chǔ)和傳輸，同時(shí)卻不損害數(shù)據(jù)的可用性。

背景技術(shù)：

遙感圖像根據(jù)光譜維數(shù)分為全色遙感圖像和多光譜遙感圖像，多光譜遙感圖像的空間分辨率低，光譜分辨率高，擁有多個(gè)譜段，而全色遙感圖像空間分辨率高，光譜分辨率低，只有一個(gè)譜段，特別是隨著近些年遙感技術(shù)的發(fā)展，全色遙感圖像分辨率得到顯著提高，甚至達(dá)到亞米級(jí)分辨率?？臻g分辨率高的全色遙感圖像擁有著良好的視覺(jué)效果，但是空間分辨率提高的同時(shí)帶來(lái)了全色遙感圖像數(shù)據(jù)量增大的問(wèn)題，所以全色遙感圖像壓縮擁有著較高的研究?jī)r(jià)值。

字典學(xué)習(xí)的出現(xiàn)使得特定的信號(hào)在字典下的表示具有稀疏性，從而提升了稀疏編碼的效果，而稀疏編碼模型是近年來(lái)一種廣泛應(yīng)用的理論模型，該模型的目的為在過(guò)完備字典中搜索一組原子，而這組原子的線性組合能夠稀疏的表示信號(hào)，正是因?yàn)檫@種稀疏性為稀疏編碼模型用于全色遙感圖像壓縮提供了可能。

根據(jù)圖像壓縮后，能否完全恢復(fù)出原始圖像可以將全色遙感圖像壓縮方法分為無(wú)損的全色遙感圖像壓縮方法和有損的全色遙感圖像壓縮方法。

無(wú)損的全色遙感圖像壓縮方法利用了全色遙感圖像場(chǎng)景的冗余性，并通過(guò)高效的編碼技術(shù)準(zhǔn)確的重構(gòu)原始圖像，可以對(duì)具有空間均勻性高的全色遙感圖像達(dá)到大倍率壓縮的目的，卻不會(huì)丟失重要的信息，然而，無(wú)損壓縮技術(shù)不可能達(dá)到很大的壓縮比率，因此無(wú)損壓縮技術(shù)在大數(shù)據(jù)量的壓縮上存在著瓶頸；

有損的全色遙感圖像壓縮方法壓縮后的全色遙感圖像數(shù)據(jù)是有信息損失的，所以有損的全色遙感圖像壓縮方法允許人們用圖像質(zhì)量來(lái)衡量壓縮比，目前主要的基于變換的有損的全色遙感圖像壓縮方法有jpeg2000、傳統(tǒng)的基于字典學(xué)習(xí)的壓縮方法，其中，jpeg2000是基于dwt變換的壓縮方法，dwt變換采用的是dwt字典，這種字典中是固定不變的，并不能保證樣本在這種字典下的表示是稀疏的。傳統(tǒng)的基于字典學(xué)習(xí)的壓縮方法，通過(guò)迭代訓(xùn)練使字典使其能夠適應(yīng)特定的圖像，圖像在訓(xùn)練的字典下進(jìn)行稀疏編碼，得到稀疏編碼的系數(shù)，對(duì)其量化編碼，得到壓縮后的二進(jìn)制碼流，解決了特定的紋理信息簡(jiǎn)單的樣本在固定字典下不具備稀疏性的問(wèn)題，但是單一的字典表示能力有限，紋理信息復(fù)雜的樣本在學(xué)習(xí)到的字典下也不具有好的稀疏性，所以，jpeg2000和傳統(tǒng)的基于字典學(xué)習(xí)的壓縮方法，均不能有效表示大場(chǎng)景、紋理結(jié)構(gòu)復(fù)雜的全色遙感圖像。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于針對(duì)上述已有技術(shù)的不足，提出了一種基于樣本二叉樹(shù)字典學(xué)習(xí)的全色遙感圖像壓縮方法，用于解決現(xiàn)有全色遙感圖像壓縮方法中存在的結(jié)構(gòu)復(fù)雜的紋理信息不能夠得到有效表示的技術(shù)問(wèn)題。

本發(fā)明的技術(shù)思路是：通過(guò)圖像樣本復(fù)雜度的評(píng)價(jià)函數(shù)，區(qū)分圖像中簡(jiǎn)單樣本和復(fù)雜樣本，對(duì)訓(xùn)練圖像和待壓縮圖像分別進(jìn)行預(yù)處理得到樣本集y和t，由樣本集y和t分別建立訓(xùn)練樣本二叉樹(shù)和測(cè)試樣本二叉樹(shù)，完成不同復(fù)雜度樣本的劃分，訓(xùn)練樣本二叉樹(shù)葉節(jié)點(diǎn)上不同復(fù)雜度的樣本用來(lái)訓(xùn)練不同尺度的字典，而測(cè)試樣本二叉樹(shù)葉節(jié)點(diǎn)上不同復(fù)雜度的樣本集在對(duì)應(yīng)字典下稀疏編碼，得到系數(shù)矩陣，系數(shù)矩陣經(jīng)過(guò)量化編碼得到二進(jìn)制碼流。

根據(jù)上述技術(shù)思路，實(shí)現(xiàn)本發(fā)明目的采取的技術(shù)方案包括如下步驟：

(1)從一幅或多幅全色訓(xùn)練圖像中隨機(jī)抽取多個(gè)大小為的非平滑圖像塊，并將每個(gè)圖像塊拉成列矢量，再將這些列矢量排成矩陣，得到樣本集其中，yi為第i個(gè)圖像塊拉成的列矢量，i＝1,2,…,n，n為樣本數(shù)量，n為列矢量的維數(shù)；

(2)建立m層葉節(jié)點(diǎn)個(gè)數(shù)和層數(shù)相同的樣本二叉樹(shù)，并獲取多個(gè)訓(xùn)練樣本集：

2a)定義圖像塊復(fù)雜度函數(shù)bc(x)：

其中，x為包含4個(gè)子圖像塊xs的圖像塊，s為子圖像塊xs的序號(hào)，std為方差函數(shù)；

2b)確定樣本二叉樹(shù)根節(jié)點(diǎn)的左孩子節(jié)點(diǎn)和右孩子節(jié)點(diǎn)：將圖像塊復(fù)雜度函數(shù)bc(x)作為聚類(lèi)特征，對(duì)步驟(1)中的非平滑圖像塊進(jìn)行聚類(lèi)，得到樣本二叉樹(shù)第二層簡(jiǎn)單樣本y1l、樣本二叉樹(shù)第二層復(fù)雜樣本y1r和判定簡(jiǎn)單樣本和復(fù)雜樣本的判定標(biāo)準(zhǔn)b1，并將y1l作為樣本二叉樹(shù)根節(jié)點(diǎn)的左孩子節(jié)點(diǎn)，將y1r作為樣本二叉樹(shù)根節(jié)點(diǎn)的右孩子節(jié)點(diǎn)，其中，n1l為該層左孩子節(jié)點(diǎn)的樣本個(gè)數(shù)，n1r為該層右孩子節(jié)點(diǎn)的樣本個(gè)數(shù)；

2c)將樣本二叉樹(shù)第二層復(fù)雜樣本y1r中每個(gè)圖像塊不重疊地切分成四塊，得到樣本二叉樹(shù)第二層切分后的復(fù)雜樣本y′1r；

2d)確定復(fù)雜樣本y′1r所在節(jié)點(diǎn)的左孩子節(jié)點(diǎn)和右孩子節(jié)點(diǎn)：將圖像塊復(fù)雜度函數(shù)bc(x)作為聚類(lèi)特征，對(duì)樣本二叉樹(shù)第二層切分后的復(fù)雜樣本y′1r中的圖像塊進(jìn)行聚類(lèi)，得到樣本二叉樹(shù)第三層簡(jiǎn)單樣本y2l、樣本二叉樹(shù)第三層復(fù)雜樣本y2r和樹(shù)的第三層中簡(jiǎn)單樣本和復(fù)雜樣本的判定標(biāo)準(zhǔn)b2，并將y2l作為y′1r所在節(jié)點(diǎn)的左孩子節(jié)點(diǎn)，將y2r作為y′1r所在節(jié)點(diǎn)的右孩子節(jié)點(diǎn)，其中，n2l為該層左孩子節(jié)點(diǎn)的樣本個(gè)數(shù)，n2r為該層右孩子節(jié)點(diǎn)的樣本個(gè)數(shù)；

2e)將樣本二叉樹(shù)第三層復(fù)雜樣本y2r中每個(gè)圖像塊不重疊地切分成四塊，得到樣本二叉樹(shù)第三層切分后的復(fù)雜樣本y′2r；

2f)將圖像塊復(fù)雜度函數(shù)bc(x)作為聚類(lèi)特征，按照自上而下的順序，對(duì)樣本二叉樹(shù)第三層到第m-1層切分后的復(fù)雜樣本中的圖像塊進(jìn)行聚類(lèi)，得到第三層到第m-1層的復(fù)雜樣本所在節(jié)點(diǎn)的左孩子節(jié)點(diǎn)和右孩子節(jié)點(diǎn)，并將每一層的復(fù)雜樣本中每個(gè)圖像塊不重疊地切分成四塊，得到第四層到第m層的左孩子節(jié)點(diǎn)、右孩子節(jié)點(diǎn)和該層簡(jiǎn)單樣本和復(fù)雜樣本的判定標(biāo)準(zhǔn)，這些孩子節(jié)點(diǎn)與根節(jié)點(diǎn)以及第二層和第三層確定的孩子節(jié)點(diǎn)，組成m層葉節(jié)點(diǎn)個(gè)數(shù)和層數(shù)相同的樣本二叉樹(shù)，得到樣本二叉樹(shù)各葉子節(jié)點(diǎn)訓(xùn)練樣本集y1l,y2l,...,y(m-1)l,y′(m-1)r，其中，y1l,y2l,...,y(m-1)l分別為樣本二叉樹(shù)第二層到第m層左孩子節(jié)點(diǎn)訓(xùn)練樣本集，y′(m-1)r為第m層右孩子節(jié)點(diǎn)y(m-1)r切分后的訓(xùn)練樣本集；

(3)對(duì)樣本二叉樹(shù)各葉子節(jié)點(diǎn)訓(xùn)練樣本集y1l,y2l,...,y(m-1)l,y′(m-1)r分別進(jìn)行字典訓(xùn)練，得到m個(gè)字典d1,d2…dm；

(4)從待壓縮圖像中按照自上至下、自左至右順序抽取大小為的圖像塊，并將每個(gè)圖像塊拉成列矢量，再將這些列矢量排成矩陣，得到樣本集其中，ti為第i個(gè)圖像塊拉成的列矢量，i＝1,2,…,m，m為樣本數(shù)量，n為t中列矢量的維數(shù)；

(5)建立m層葉節(jié)點(diǎn)個(gè)數(shù)和層數(shù)相同的測(cè)試樣本二叉樹(shù)，并獲取多個(gè)測(cè)試樣本集：

5a)對(duì)測(cè)試樣本集t進(jìn)行分支操作：將測(cè)試樣本集t中樣本復(fù)雜度小于判定標(biāo)準(zhǔn)b1的樣本作為測(cè)試樣本二叉樹(shù)第二層的簡(jiǎn)單樣本t1l，并將該簡(jiǎn)單樣本t1l作為測(cè)試樣本二叉樹(shù)根節(jié)點(diǎn)的左孩子節(jié)點(diǎn)，同時(shí)將測(cè)試樣本集t中樣本復(fù)雜度大于判定標(biāo)準(zhǔn)b1的樣本作為測(cè)試樣本二叉樹(shù)第二層的復(fù)雜樣本t1r，并將該復(fù)雜樣本t1r作為測(cè)試樣本二叉樹(shù)根節(jié)點(diǎn)的右孩子節(jié)點(diǎn)；

5b)將測(cè)試樣本二叉樹(shù)第二層的復(fù)雜樣本t1r中每個(gè)圖像塊不重疊的分成四塊，得到樣本二叉樹(shù)第二層切分后的復(fù)雜樣本t′1r；

5c)對(duì)樣本二叉樹(shù)第二層切分后的復(fù)雜樣本t′1r進(jìn)行分支操作：將t1r中樣本復(fù)雜度小于b2的樣本作為測(cè)試樣本二叉樹(shù)第三層簡(jiǎn)單樣本t2l，并將該簡(jiǎn)單樣本t2l作為復(fù)雜樣本t′1r所在節(jié)點(diǎn)的左孩子節(jié)點(diǎn)，將t1r中樣本復(fù)雜度大于b2的樣本作為測(cè)試樣本二叉樹(shù)第三層復(fù)雜樣本t2r，并將該復(fù)雜樣本t2r作為復(fù)雜樣本t′1r所在節(jié)點(diǎn)的右孩子節(jié)點(diǎn)；

5d)將測(cè)試樣本二叉樹(shù)第三層復(fù)雜樣本t2r中每個(gè)圖像塊不重疊地切分成四塊，得到測(cè)試樣本二叉樹(shù)第三層切分后的復(fù)雜樣本t′2r；

5e)按照自上而下的順序，確定第三層到第m-1層的復(fù)雜樣本所在節(jié)點(diǎn)的左孩子節(jié)點(diǎn)和右孩子節(jié)點(diǎn)，并將每一層的復(fù)雜樣本中每個(gè)圖像塊不重疊地切分成四塊，第四層到第m層的左孩子節(jié)點(diǎn)和右孩子節(jié)點(diǎn)與根節(jié)點(diǎn)以及第二層和第三層確定的孩子節(jié)點(diǎn)組成m層葉節(jié)點(diǎn)個(gè)數(shù)和層數(shù)相同的的測(cè)試樣本二叉樹(shù)，得到測(cè)試樣本二叉樹(shù)各葉子節(jié)點(diǎn)測(cè)試樣本集t1l,t2l,...,t(m-1)l,t′(m-1)r，其中，t1l,t2l,...,t(m-1)l分別為測(cè)試樣本二叉樹(shù)第二層到第m層左孩子節(jié)點(diǎn)測(cè)試樣本集，t′(m-1)r為第m層右孩子節(jié)點(diǎn)t(m-1)r切分后的測(cè)試樣本集；

(6)對(duì)步驟(5)中建立的測(cè)試樣本二叉樹(shù)各葉子節(jié)點(diǎn)下的測(cè)試樣本集t1l,t2l,...,t(m-1)l,t′(m-1)r，在步驟(3)中對(duì)應(yīng)字典下進(jìn)行稀疏編碼，即樣本tkl在字典dk進(jìn)行稀疏編碼，其中，k＝1,…,m-1，k為樣本或字典序號(hào)；而樣本t(m-1)r在字典dm下進(jìn)行稀疏編碼，得到稀疏編碼系數(shù)x1l...xkl...x(m-1)l、x(m-1)r；

(7)對(duì)稀疏編碼系數(shù)x1l...xkl...x(m-1)l、x(m-1)r進(jìn)行量化編碼，得到二進(jìn)制碼流。

本發(fā)明與現(xiàn)有的技術(shù)相比，具有以下優(yōu)點(diǎn)：

本發(fā)明通過(guò)定義圖像塊復(fù)雜度函數(shù)，對(duì)簡(jiǎn)單樣本和復(fù)雜樣本進(jìn)行了區(qū)分，并提出基于樣本二叉樹(shù)的字典學(xué)習(xí)方法，實(shí)現(xiàn)對(duì)不同復(fù)雜度樣本的劃分和學(xué)習(xí)，得到多個(gè)不同尺度的字典，這種不同尺度的字典能夠有效表示全色遙感圖像的復(fù)雜的局部紋理信息，與現(xiàn)有技術(shù)相比，提高了psnr指標(biāo)和主觀視覺(jué)評(píng)價(jià)。

附圖說(shuō)明

圖1是本發(fā)明的實(shí)現(xiàn)流程圖；

圖2是本發(fā)明仿真實(shí)驗(yàn)采用的測(cè)試圖像；

圖3是本發(fā)明與ksvd算法、jpeg2000，在bpp為0.3時(shí)的壓縮重構(gòu)測(cè)試圖像的仿真效果對(duì)比圖；

圖4是本發(fā)明與ksvd算法、jpeg2000，在bpp為0.5時(shí)的壓縮重構(gòu)測(cè)試圖像仿真效果對(duì)比圖；

圖5是本發(fā)明與ksvd算法、jpeg2000在bpp為0.7時(shí)，的壓縮重構(gòu)測(cè)試圖像仿真效果對(duì)比圖；

圖6是本發(fā)明與ksvd算法、jpeg2000對(duì)測(cè)試圖像進(jìn)行壓縮仿真，得到的不同bpp下的psnr折線圖。

具體實(shí)施方法

以下結(jié)合附圖和具體實(shí)施例，對(duì)本發(fā)明作進(jìn)一步詳細(xì)描述。

參照?qǐng)D1，基于樣本二叉樹(shù)字典學(xué)習(xí)的全色遙感圖像壓縮方法，包括如下步驟：

步驟1、從一幅或多幅全色訓(xùn)練圖像中隨機(jī)抽取100000個(gè)大小為16×16的非平滑圖像塊，并將每個(gè)圖像塊拉成列矢量，再將這些列矢量排成矩陣，得到樣本集其中，yi為第i個(gè)圖像塊拉成的列矢量，i＝1,2,…,100000；

步驟2、建立三層葉節(jié)點(diǎn)個(gè)數(shù)和層數(shù)相同的樣本二叉樹(shù)，并獲取三個(gè)訓(xùn)練樣本集：

2a)定義圖像塊復(fù)雜度函數(shù)bc(x)：

其中，x為包含4個(gè)子圖像塊xs的圖像塊，s為子圖像塊xs的序號(hào)，std為方差函數(shù)；

2b)確定樣本二叉樹(shù)根節(jié)點(diǎn)的左孩子節(jié)點(diǎn)和右孩子節(jié)點(diǎn)：將圖像塊復(fù)雜度函數(shù)bc(x)作為聚類(lèi)特征，采用fcm算法對(duì)樣本集y中的樣本進(jìn)行聚類(lèi)，得到樣本二叉樹(shù)第二層簡(jiǎn)單樣本y1l、樣本二叉樹(shù)第二層復(fù)雜樣本y1r和判定簡(jiǎn)單樣本和復(fù)雜樣本的判定標(biāo)準(zhǔn)b1，并將y1l作為樣本二叉樹(shù)根節(jié)點(diǎn)的左孩子節(jié)點(diǎn)，將y1r作為樣本二叉樹(shù)根節(jié)點(diǎn)的右孩子節(jié)點(diǎn)，其中，n1l為該層左孩子節(jié)點(diǎn)的樣本個(gè)數(shù)，n1r為該層右孩子節(jié)點(diǎn)的樣本個(gè)數(shù)，fcm算法步驟為：

2b1)隸屬度矩陣u中的元素初始化為0.5；

2b2)固定隸屬度u，更新聚類(lèi)中心ci，更新公式為：

其中，w為控制算法柔性的參數(shù)，且w＝2，ci為第i個(gè)聚類(lèi)中心，i＝1,2，aj為樣本集y中第j個(gè)樣本的樣本復(fù)雜度，n為樣本個(gè)數(shù)，uij為隸屬度矩陣u的第i行第j列的元素，表示aj屬于聚類(lèi)中心ci的概率，并滿(mǎn)足

2b3)計(jì)算代價(jià)函數(shù)j(u,c1,...cc)，如果代價(jià)函數(shù)的值小于0.001，則停止算法，并得到隸屬度矩陣u′，并跳轉(zhuǎn)到步驟2b5)，代價(jià)函數(shù)j(u,c1,...cc)為：

其中，dij²＝||aj-ci||為樣本集y中第j個(gè)樣本的樣本復(fù)雜度到第i個(gè)聚類(lèi)中心的歐式距離；

2b4)更新隸屬度矩陣u，跳轉(zhuǎn)到步驟2b2)，隸屬度矩陣u中第i行、第j列的元素的更新公式為：

2b5)根據(jù)隸屬度矩陣u′得到樣本二叉樹(shù)第二層簡(jiǎn)單樣本y1l、樣本二叉樹(shù)第二層復(fù)雜樣本y1r簡(jiǎn)單樣本和復(fù)雜樣本的判定標(biāo)準(zhǔn)b1；

2c)將樣本二叉樹(shù)第二層復(fù)雜樣本y1r中每個(gè)圖像塊不重疊地切分成四塊，得到樣本二叉樹(shù)第二層切分后的復(fù)雜樣本y′1r；

2d)確定復(fù)雜樣本y′1r所在節(jié)點(diǎn)的左孩子節(jié)點(diǎn)和右孩子節(jié)點(diǎn)：將圖像塊復(fù)雜度函數(shù)bc(x)作為聚類(lèi)特征，采用fcm算法對(duì)樣本二叉樹(shù)第二層切分后的復(fù)雜樣本y′1r中的圖像塊進(jìn)行聚類(lèi)，得到樣本二叉樹(shù)第三層簡(jiǎn)單樣本y2l、樣本二叉樹(shù)第三層復(fù)雜樣本y2r和樹(shù)的第三層中簡(jiǎn)單樣本和復(fù)雜樣本的判定標(biāo)準(zhǔn)b2，并將y2l作為y′1r所在節(jié)點(diǎn)的左孩子節(jié)點(diǎn)，將y2r作為y′1r所在節(jié)點(diǎn)的右孩子節(jié)點(diǎn)，其中，n2l為該層左孩子節(jié)點(diǎn)的樣本個(gè)數(shù)，n2r為該層右孩子節(jié)點(diǎn)的樣本個(gè)數(shù)；

2e)將樣本二叉樹(shù)第三層復(fù)雜樣本y2r中每個(gè)圖像塊不重疊的切分成四塊，得到樣本二叉樹(shù)第三層切分后的復(fù)雜樣本y′2r；

步驟3、對(duì)樣本二叉樹(shù)三個(gè)葉子節(jié)點(diǎn)訓(xùn)練樣本集y1l、y2l和y′2r分別采用ksvd算法進(jìn)行字典訓(xùn)練，得到三個(gè)字典d1、d2和d3，ksvd算法步驟為：

3a)初始化字典d、迭代次數(shù)m、樣本h，并設(shè)定最大迭代次數(shù)：

用1初始化迭代次數(shù)m，設(shè)定最大迭代次數(shù)為25次，并采用dct字典對(duì)字典d進(jìn)行初始化，得到初始化后的字典d⁽¹⁾，用樣本二叉樹(shù)第二層簡(jiǎn)單樣本y1l、樣本二叉樹(shù)第三層簡(jiǎn)單樣本y2l和樣本二叉樹(shù)第三層切分后的復(fù)雜樣本y′2r中的一個(gè)樣本集對(duì)樣本集h進(jìn)行初始化，其中，di為第i個(gè)字典原子，p為字典原子的個(gè)數(shù)，且i＝1,...,p，k為原子的大??；

3b)采用omp算法對(duì)樣本h在字典d^(m)下進(jìn)行稀疏編碼，得到系數(shù)矩陣其中，d^(m)為第m次迭代中的字典，m＝1,...,25，xi為系數(shù)矩陣x中的第i列系數(shù)，m為樣本集h中的樣本個(gè)數(shù)；

3c)采用系數(shù)矩陣x，對(duì)字典d^(m)中的原子di進(jìn)行更新，得到更新后的字典d^′(m)，更新公式為：

其中，為系數(shù)矩陣x的第i行系數(shù)；

3d)對(duì)第m+1次迭代中的字典進(jìn)行更新，即d^(m+1)＝d^′(m)，并更新迭代次數(shù)，即m＝m+1，如果迭代次數(shù)m≤25，則跳轉(zhuǎn)到步驟3b)，否則，停止算法，得到第25次迭代中更新后的字典d^′(25)，執(zhí)行步驟3e)；

3e)如果步驟3a)中用樣本二叉樹(shù)第二層簡(jiǎn)單樣本y1l對(duì)樣本集y進(jìn)行初始化，則步驟3d)中得到的更新后的字典d^′(25)即為訓(xùn)練好的字典d1，如果步驟3a)中用樣本二叉樹(shù)第三層簡(jiǎn)單樣本y2l對(duì)樣本集y進(jìn)行初始化，則步驟3d)中得到的更新后的字典d^′(25)即為訓(xùn)練好的字典d2，如果步驟3a)中用樣本二叉樹(shù)第三層切分后的復(fù)雜樣本y′2r對(duì)樣本集y進(jìn)行初始化，則步驟3d)中得到的更新后的字典d^′(25)即為訓(xùn)練好的字典d3。

步驟4、從待壓縮圖像中按照自上至下、自左至右順序抽取大小為16×16的圖像塊，并將每個(gè)圖像塊拉成列矢量，再將這些列矢量排成矩陣，得到樣本集其中，ti為第i個(gè)圖像塊拉成的列矢量，i＝1,2,…,m，m為樣本數(shù)量；

步驟5、建立三層葉節(jié)點(diǎn)個(gè)數(shù)和層數(shù)相同的測(cè)試樣本二叉樹(shù)，并獲取三個(gè)測(cè)試樣本集：

5a)將測(cè)試樣本集t中樣本復(fù)雜度小于判定標(biāo)準(zhǔn)b1的樣本作為測(cè)試樣本二叉樹(shù)第二層的簡(jiǎn)單樣本t1l，并將該簡(jiǎn)單樣本t1l作為測(cè)試樣本二叉樹(shù)根節(jié)點(diǎn)的左孩子節(jié)點(diǎn)，同時(shí)將測(cè)試樣本集t中樣本復(fù)雜度大于判定標(biāo)準(zhǔn)b1的樣本作為測(cè)試樣本二叉樹(shù)第二層的復(fù)雜樣本t1r，并將該復(fù)雜樣本t1r作為測(cè)試樣本二叉樹(shù)根節(jié)點(diǎn)的右孩子節(jié)點(diǎn)；

5b)將測(cè)試樣本二叉樹(shù)第二層的復(fù)雜樣本t1r中每個(gè)圖像塊不重疊的分成四塊，得到樣本二叉樹(shù)第二層切分后的復(fù)雜樣本t′1r；

5c)對(duì)樣本二叉樹(shù)第二層切分后的復(fù)雜樣本t′1r進(jìn)行分支操作：將t1r中樣本復(fù)雜度小于b2的樣本作為測(cè)試樣本二叉樹(shù)第三層簡(jiǎn)單樣本t2l，并將該簡(jiǎn)單樣本t2l作為復(fù)雜樣本t′1r所在節(jié)點(diǎn)的左孩子節(jié)點(diǎn)，將t1r中樣本復(fù)雜度大于b2的樣本作為測(cè)試樣本二叉樹(shù)第三層復(fù)雜樣本t2r，并將該復(fù)雜樣本t2r作為復(fù)雜樣本t′1r所在節(jié)點(diǎn)的右孩子節(jié)點(diǎn)；

5d)將測(cè)試樣本二叉樹(shù)第三層復(fù)雜樣本t2r中每個(gè)圖像塊不重疊地切分成四塊，得到測(cè)試樣本二叉樹(shù)第三層切分后的復(fù)雜樣本t′2r；

步驟6、測(cè)試樣本二叉樹(shù)各葉子節(jié)點(diǎn)下的測(cè)試樣本集t1l、t2l和t′3r，均采用omp算法分別在字典d1、d2和d3下進(jìn)行稀疏編碼，得到稀疏編碼系數(shù)x1l、x2l和x3r；

步驟7、對(duì)稀疏編碼系數(shù)x1l、x2l和x3r進(jìn)行量化編碼，實(shí)現(xiàn)步驟為：

7a)對(duì)稀疏編碼系數(shù)x1l、x2l和x3r中的元素取整，得到量化后的稀疏編碼系數(shù)x1l、x2l和x3r；

7b)對(duì)量化后的稀疏編碼系數(shù)x1l、x2l和x3r中的非零系數(shù)以及非零系數(shù)對(duì)應(yīng)的索引分別進(jìn)行霍夫曼編碼，得到二進(jìn)制碼流。

以下結(jié)合仿真實(shí)驗(yàn)，對(duì)本發(fā)明的技術(shù)效果進(jìn)一步說(shuō)明：

1)實(shí)驗(yàn)條件：

本實(shí)驗(yàn)所用的圖像數(shù)據(jù)為quickbird衛(wèi)星的pan圖，quickbird衛(wèi)星于2001年10月成功發(fā)射，是地理變化、森林氣候等遙感數(shù)據(jù)的重要來(lái)源。它的傳感器可以拍攝多光譜波段和全波段圖像，而且是提供亞米級(jí)分辨率的最早商業(yè)衛(wèi)星，全波段的空間分辨率可以達(dá)到0.65m，光譜波段的空間分辨率可以達(dá)到2.62米。本實(shí)驗(yàn)中的pan圖拍攝的是城市影像，總共5幅圖像，其中1幅圖像用來(lái)做測(cè)試圖像，分辨率為2048×2048，如圖2所示；4幅用來(lái)做訓(xùn)練圖像，其中3幅分辨率為2048×2048，1幅分辨率為4001×6001。

實(shí)驗(yàn)仿真環(huán)境：采用軟件matlab2014r作為仿真工具，cpu為intelcorei3-2310m，主頻為2.10ghz，內(nèi)存4g，操作系統(tǒng)為windows8.1專(zhuān)業(yè)版。

2)仿真內(nèi)容及結(jié)果分析：

仿真1：在0.3、0.5、0.7bpp下，分別采用ksvd算法、jpeg2000以及本發(fā)明對(duì)測(cè)試圖像進(jìn)行壓縮仿真，重構(gòu)出的效果分別如圖3、圖4、圖5所示。

圖3(a)是ksvd算法，在bpp為0.3時(shí)，對(duì)測(cè)試圖像進(jìn)行壓縮重構(gòu)后的圖像；

圖3(b)是jpeg2000，在bpp為0.3時(shí)，對(duì)測(cè)試圖像進(jìn)行壓縮重構(gòu)后的圖像；

圖3(c)是本發(fā)明，在bpp為0.3時(shí)，對(duì)測(cè)試圖像進(jìn)行壓縮重構(gòu)后的圖像；

圖4(a)是ksvd算法，在bpp為0.5時(shí)，對(duì)測(cè)試圖像進(jìn)行壓縮重構(gòu)后的圖像；

圖4(b)是jpeg2000，在bpp為0.5時(shí)，對(duì)測(cè)試圖像進(jìn)行壓縮重構(gòu)后的圖像；

圖4(c)是本發(fā)明，在bpp為0.5時(shí)，對(duì)測(cè)試圖像進(jìn)行壓縮重構(gòu)后的圖像；

圖5(a)是ksvd算法，在bpp為0.7時(shí)，對(duì)測(cè)試圖像進(jìn)行壓縮重構(gòu)后的圖像；

圖5(b)是jpeg2000，在bpp為0.7時(shí)，對(duì)測(cè)試圖像進(jìn)行壓縮重構(gòu)后的圖像；

圖5(c)是本發(fā)明，在bpp為0.7時(shí)，對(duì)測(cè)試圖像進(jìn)行壓縮重構(gòu)后的圖像。

從圖3、圖4和圖5的實(shí)驗(yàn)結(jié)果可以看出，在相同的bpp下，jpeg2000重構(gòu)出的圖像紋理信息模糊，ksvd算法由于單一字典對(duì)測(cè)試樣本的表示有限，所以重構(gòu)的圖像也不理想，并且存在塊效應(yīng)現(xiàn)象，而本發(fā)明重構(gòu)的圖像在街道和房屋這些紋理信息上較為清晰，所以與jpeg2000方法以及ksvd算法相比，本發(fā)明重構(gòu)圖像的視覺(jué)效果要好。

仿真2：在不同的bpp下，分別采用ksvd算法、jpeg2000以及本發(fā)明對(duì)測(cè)試圖像進(jìn)行壓縮的仿真實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如表1和圖6所示：

表1

圖6是本發(fā)明與ksvd算法、jpeg2000對(duì)測(cè)試圖像進(jìn)行壓縮仿真，得到的不同bpp下的psnr折線圖；

表1是本發(fā)明與ksvd算法、jpeg2000對(duì)測(cè)試圖像進(jìn)行壓縮仿真，得到的不同bpp下的psnr表格。

從圖6和表1的結(jié)果來(lái)看，隨著bpp的增大，本發(fā)明與jpeg2000壓縮重構(gòu)的圖像的psnr的差距越來(lái)越小，而本發(fā)明與ksvd壓縮重構(gòu)的圖像的psnr差距越來(lái)越大，在保持相同的bpp下，本發(fā)明壓縮重構(gòu)的圖像的psnr比jpeg2000以及ksvd壓縮重構(gòu)的圖像的psnr要高，說(shuō)明本發(fā)明對(duì)測(cè)試圖像的壓縮仿真的效果要好，所以本發(fā)明更加優(yōu)越。