[发明专利]一种基于线性预测去相关的矢量量化高光谱图像压缩方法

权利要求书

1.一种基于线性预测去相关的矢量量化高光谱图像压缩方法，其特征在于，包括以下步骤：

步骤一：采集待压缩高光谱图像，将待压缩高光谱图像的所有谱带使用聚类的方法分为多个类，将每一类的聚类中心作为生成的参考谱带；

步骤二：使用参考谱带对待压缩高光谱图像中所有的谱带进行预测，将参考谱带看作一组基底，将待压缩高光谱图像中所有的谱带都投影到这组基底上，通过投影的系数预测这些谱带；预测残差就是去冗余后的结果；

步骤三：对预测残差进行VQ编码，完成待压缩高光谱图像的压缩；最终图像被压缩为两部分，谱带预测算法的参考谱带和投影系数，以及VQ算法中的码书和索引值。

2.根据权利要求1所述的一种基于线性预测去相关的矢量量化高光谱图像压缩方法，其特征在于，步骤一具体包括：

参考谱带生成过程：

1.1)计算所有谱带间的互相关系数矩阵；

1.2)将互相关系数矩阵中的每一行作为特征向量进行K-means聚类；

1.3)对相同类的谱带求平均谱带作为参考谱带；

在聚类算法中通过计算所有谱带之间的互相关系数向量作为聚类算法的输入特征，任意谱带间的互相关系数计算方法如下：

公式(1)中i，j分别表示任意像素点的空间位置，M和N表示待压缩高光谱图像的长和宽，p和q则表示两个不同谱带；r_q(p)＝r_p(q)，r_p(q)表示谱带p和q的互相关系数，I(i,j,q)表示高光谱图像中任意一点，表示谱带q的均值；

通过计算所有谱带间的互相关系数得到互相关系数矩阵R，R是由vec_q(q＝1,2,...,P)组成的；

vec_q＝{r_q(1),r_q(2),...,r_q(p),...,r_q(P)},p＝1,2,...,P (2)

P表示谱带个数；

获取了任意谱带的互相关系数向量vec_q后，使用K-means算法对所有的互相关系数向量进行聚类；

聚类算法的过程如下：

输入：所有谱带的P个互相关系数向量vec_q以及聚类个数K，q＝1,2,...,P；

2.1)随机生成K个聚类中心

2.2)计算所有互相关系数向量到K个聚类中心的距离，将每一互相关系数向量划分入距离最近的一个聚类中心所属的类中；

2.3)对每一类的所有互相关系数向量求均值作为该类新的聚类中心；

2.4)当时，算法停止，输出为最终的聚类中心，此时每一互相关系数向量所属的类为最终的分类结果，否则重复步骤2.2)；

输出：所有输入互相关系数向量的分类结果和聚类中心

最终通过聚类算法获得的聚类结果为所有谱带的最终分类结果；

通过公式(4)获得ref_k,k＝1,2,...,K为获得的最终参考谱带。

3.根据权利要求2所述的一种基于线性预测去相关的矢量量化高光谱图像压缩方法，其特征在于，步骤二具体包括：

在进行谱带预测时：

公式中y表示待预测谱带，ref_k表示参考谱带，而w_k表示谱带y在该参考谱带上的投影；n_k为噪声，通过求解w_k获得预测系数。