[发明专利]基于边缘的高光谱图像自适应无损预测编码系统及方法

说明书

技术领域

本发明涉及图像处理技术领域，更进一步涉及一种高光谱图像无损编码系统与方法，可用于各种高光谱数据处理及传输。

背景技术

高光谱图像是由成像光谱仪对同一地物在数百个谱段上成像所获取的同时包含空间信息和光谱信息的三维数据立方体，被广泛应用于资源勘探、目标识别、环境保护等方面。由于高光谱图像数据量非常庞大，需要采用有效的压缩技术以便图像的存储和传输。实际应用中对高光谱图像的重建图像质量要求比较高，应对高光谱图像进行无损压缩。

在现有压缩方法中，以JPEG-LS(Joint Photographic Experts Group Lossless and near-lossless compression of conituous_tone still image)为代表的基于预测的压缩方法，利用了高光谱图像较强的空间相关性进行自适应预测编码，具有很低的复杂度和良好的无损及近无损压缩性能，已广泛应用于星上高光谱图像压缩。但是该方法只能对高光谱图像的一个谱段图像进行谱内空间预测，没有利用高光谱图像的谱间相关性。

为了去除高光谱图像的谱间冗余，进一步提高压缩效率，通常采用“谱间去相关+熵编码”的压缩方法，即先对当前谱段图像和参考谱段图像进行差分或线性预测，然后再对残差图像进行熵编码。其中当前谱段是指当前需要被编码的谱段图像，而参考谱段是指与当前谱段相关性较强、用来对当前谱段进行预测的谱段图像，一般情况下，为了减小传输边信息及实现无损编码，参考谱段本身应在当前谱段之前完成编码。于是在JPEG-LS的基础之上提出了差分JPEG-LS(Differential JPEG-LS)，该方法先对高光谱图像的相邻谱段进行差分处理，以去除谱间相关性，再对差分后的残差图像进行JPEG-LS无损压缩。

为了利用高光谱图像的校正特性，Jarno Mielikainen提出了LUT，（Jarno Mielikainen,Lossless Compression of Hyperspectral Images Using Lookup Tables,IEEE SIGNAL PROCESSING LETTERS,VOL.13,NO.3,MARCH2006.）,该方法是一种基于查找表的压缩方法；Bormin Huang等人在LUT的基础之上增加一个尺度因子，提出了LAIS-LUT，（Bormin Huang,and Y.Sriraja,Lossless Compression of Hyperspectral Imagery via Lookup Tables with Predictor Selection,Image and Signal Processing for Remote Sensing XII,Proc.of SPIE,Vol.6365,63650L,2006.），该方法提供了两个预测值以供选择。

在实际应用中，要求压缩方法不仅压缩比高，而且时间复杂度和空间复杂度低。因此，被广泛采用的压缩方法是SLSQ，（Francesco Rizzo,Bruno Carpentieri,Giovanni Motta,and James A.Storer,Low-Complexity Lossless Compression of Hyperspectral Imagery via Linear Prediction,IEEE SIGNAL PROCESSING LETTERS,VOL.12,NO.2,FEBRUARY2005.），该方法提供了一种基于最小均方误差的谱间线性预测器，去除高光谱图像的大量谱间冗余信息以获得较高的无损压缩比，且线性运算具有较低的时间复杂度和空间复杂度。在SLSQ的基础上又提出了一种新方法SLSQ-OPT（Francesco Rizzo,Bruno Carpentieri,Giovanni Motta,and James A.Storer,Low-Complexity Lossless Compression of Hyperspectral Imagery via Linear Prediction,IEEE SIGNAL PROCESSING LETTERS,VOL.12,NO.2,FEBRUARY2005.），该方法在谱内预测和谱间预测中自适应选择预测模式，以增加少量复杂度为代价，进一步提高了压缩比。

上述现有方法均忽略了一个重要因素，即在去相关时由于没有考虑高光谱图像的边缘信息，导致压缩去相关不彻底，使得压缩比受限制。基于边缘的预测方法可以改善预测的性能，这是因为沿边缘方向的像素点之间的相关性更强。

发明内容