[发明专利]基于正交匹配追踪的超光谱图像预测压缩方法

说明书

基于正交匹配追踪的超光谱图像预测压缩方法，涉及图像处理技术领域，针对现有技术中已有超光谱数据压缩方法没有综合考虑超光谱图像在光谱维度上的局部相关性和整体数据分布以及选取多个预测数据时的互相影响进而导致预测准确性低的问题，本申请通过OMP算法自动地在已知数据中根据每一次输入的待预测数据选择指定书目的最优预测参考通道，如果具有先前已知的数据(如过往已经传输过的超光谱图像)，可以利用这些数据初始化已知数据集合，OMP算法会自动进行选择，也就是说增加更多的已知数据不仅不会带来更大的预测系数体积，并且提高了本申请的预测准确性。

技术领域

本发明涉及图像处理技术领域，具体为基于正交匹配追踪的超光谱图像预测压缩方法。

背景技术

超光谱大气探测为气象领域提供了重要的大气资料。探测技术的提高使得光谱分辨率极大提升，使得探测仪能够获得包含更加丰富和精细的大气状态参数信息，大量探测器每天产生庞大数据给地面数据的传输和存储带来了巨大困难，目前应用较为广泛的IASI数据，在3.62-15.5um的波段范围内具有8461个探测通道，每个通道空间分辨率为60×1530×16bits，这样一幅IASI超光谱图像的数据量大约为1.45Gbytes，如此巨大的数据量给超光谱图像的存储传输和应用处理带来巨大困难，另外，超光谱图像主要用于反演大气温湿度和微量气体等，这些地球物理参数的物理反演涉及到求解辐射传输积分方程，这类方程通常存在非线性问题，微小的数据扰动会带来巨大影响，因此，十分必要研究一种针对于超光谱大气红外遥感图像的无损压缩方法。

超光谱图像不仅具有类似于普通图像的空间相关性，而且具有极强的光谱相关性，其压缩方法主要是去除空间上和光谱上的冗余性达到减小熵的目的，结合熵编码减小数据量。就国内外公开的文献来看，现有的压缩方法跟三维地物高光谱图像及其他传统图像的研究类似，主要可以分为三类，基于预测技术、基于变换技术以及基于矢量量化技术的压缩方法。基于预测和矢量量化的技术都是利用超光谱图像的局部相关性例如C-DPCM-RLSO方法，基于变换的方法更加注重超光谱图像整体上的数据去相关，例如目前被认为去除光谱间线性相关性最优的PCA(主成分分析)方法。而基于小波的方法，例如3D-SPIHT方法，都是先对空间二维和光谱一维上分别进行小波变换，在对小波系数和误差量化编码。而目前效果较好的多级聚类RKLT+M-CALIC方法虽然采用了可逆KL变换和谱间线性预测，但也没有很好的利用已预测的光谱信息和空间数据分布对光谱维度的影响。

目前已有超光谱数据压缩方法没有综合考虑超光谱图像在光谱维度上的局部相关性和整体数据分布以及选取多个预测数据时的互相影响。

发明内容

本发明的目的是：针对现有技术中已有超光谱数据压缩方法没有综合考虑超光谱图像在光谱维度上的局部相关性和整体数据分布以及选取多个预测数据时的互相影响进而导致预测准确性低的问题，提出基于正交匹配追踪的超光谱图像预测压缩方法。

本发明为了解决上述技术问题采取的技术方案是：

基于正交匹配追踪的超光谱图像预测压缩方法，包括以下步骤：

步骤一：设定参考通道数目上限S和空间聚类分组数k；

步骤二：获取待压缩的超光谱图像，将M×N×K维超光谱图像的前两个维度合并形成(M×N)×K维度的矩阵X，并记录原始数据维度M,N,K；

步骤三：使用聚类算法将矩阵X按行进行中心化后，得到均值mu，然后将矩阵X按行分为k组，得到分组索引idx，并根据分组索引idx得到子矩阵x⁽¹⁾,x⁽²⁾...x^(k)，最后记录均值mu和分组索引idx；