[发明专利]基于低秩表示的迭代高光谱图像无损压缩方法

说明书

本发明公开了一种基于低秩表示的迭代高光谱图像无损压缩方法，解决了传统压缩方法忽略了图像空间的相关性，聚类结果不稳定，模块之间无联系的问题。实现步骤包括：定义光谱角相似性度量方法；对原始图像粗略聚类；低秩表示求解粗略聚类块系数矩阵；对系数矩阵再聚类得到初始聚类结果；对初始聚类结果迭代优化得到最终聚类块的预测系数与预测残差；接着进行熵编码，得到待传输的码流文件；熵解码后在解码端对码流文件解压缩，得到无损压缩后的高光谱图像。本发明定义光谱角相关性度量方法，增加对空间相关性的利用；低秩表示与子空间聚类相结合，增加聚类结果稳定性；通过迭代优化关联各个模块，增加了结果压缩比。应用于影像压缩领域。

技术领域

本发明属于影像处理技术领域，涉及影像的无损压缩，具体是一种基于低秩表示的迭代高光谱图像无损压缩方法，用于高光谱影像压缩。

背景技术

高光谱图像是由同一地物对不同波段的电磁波反射成像而得,在可见光到近红外光谱范围内的波段数可达到数百个。高光谱图像纳米级的光谱分辨率使得高光谱图像具有丰富的光谱信息,可以提供地物的精确细节,在环境监测、军事侦查、资源管理、矿产勘探以及植被研究等方面具有广泛的应用。经过几十年的发展,成像光谱仪所获取的数据量随着空间分辨率和光谱分辨率的不断提高而急剧膨胀,其庞大的数据量对高光谱图像的存储和传输造成了巨大的负担,也严重制约着高光谱图像的应用前景。因此,为了提高存储和传输效率并降低成本,对高光谱图像的压缩势在必行。

高光谱图像无损压缩算法的研究是解决数据传输与信道容量之间矛盾的主要方法，也是实现数据高效储存的便捷途径。目前，高光谱图像的压缩方法中，基于预测的方法效果最佳。但是，目前存在的基于预测的高光谱图像无损压缩算法存在一些问题。首先，现有的方法大多关注光谱间的相关性，而忽略了图像空间的相关性。然而，作为图像，其空间的相关性是不可以忽略的。其次，目前大多数预测方法使用k-means对高光谱的谱线进行聚类。然而，k-means有一定的随机性，其聚类结果不够稳定，而聚类结果的好坏直接决定了压缩结果的好坏，造成了不稳定的压缩结果。最后，传统预测式模型的三个模块：聚类、预测和熵编码三个模块完全独立，而其各个模块又是相互联系相互影响的。

综上，目前存在的高光谱图像无损压缩方法中，存在的问题有：没有充分利用高光谱图像的空谱相关性，基于k-means的聚类结果不稳定且不准确，没有充分利用聚类、预测和熵编码三个模块之间的关系，这些问题直接影响到压缩结果。

发明内容

本发明的目的在于克服上述已有技术的缺点和不足，提出一种充分利用高光谱影像空谱相关性的基于低秩表示的迭代高光谱图像无损压缩方法，该方法在无损时能达到更高的压缩比。

本发明是一种基于低秩表示的迭代高光谱图像无损压缩方法，其特征在于，包括有如下步骤：

(1)定义一个光谱角相似性度量方法：光谱角相似性度量方法结合光谱角和欧式距离对高光谱图像进行相似性度量；

(2)对原始图像进行粗略的聚类初始化：输入高光谱图像数据和期望的超像素个数K，并利用定义的光谱角相似性度量方法对输入的高光谱图像数据进行超像素计算，得到粗略的聚类块；

(3)用低秩表示求解粗略聚类块间的系数矩阵：通过低秩表示寻找每个粗略聚类块中各个聚类块之间的相关性，并求出高光谱图像的粗略聚类块的相关性系数矩阵；

(4)得到初始聚类结果：利用粗略聚类块的相关性系数矩阵进行子空间聚类，子空间聚类对每个粗略聚类块的相关性系数排序并进行进一步聚类以缩小聚类的数目，得到高光谱图像数据初始的聚类结果；

(5)对初始的聚类结果进行迭代优化，得到预测残差与预测系数：首先根据初始聚类结果，分块进行预测，得到各个初始聚类块的预测系数与预测残差；然后用预测残差的零范数作为约束条件，对每个初始聚类块进行迭代优化，得到最终聚类块的预测系数与预测残差；