基于双向波段预测的超光谱图像无损压缩

《基于双向波段预测的超光谱图像无损压缩》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、第27卷第3期吉林大学学报(信息科学版)Vol

2、27No．32009年5月JournalofJilinUniversity(InformationScienceEdition)Mav2009文章编号：1671-5896(2009)03-0304-05基于双向波段预测的超光谱图像无损压缩王朗，郭树旭(吉林大学电子科学与工程学院，长春130012)摘要：为了解决超光谱图像海量数据无损压缩计算复杂度高、实时性差的问题，将预测树模型和双向多波段谱间预测算法用于超光谱无损压缩研究。在对超光谱图像进行基于预测树模型的谱内预测的基础上，通过双向谱间多波段预测，利

3、用谱间局部统计冗余和结构冗余，建立了对预测树模型误差进行自适应补偿的预测器模型，设计了一种基于“权重”的方法。该方法利用已编码像素对系数进行自适应估计。采用SPIHT(SetPartitioninginHierarchicalTrees)算法对去冗余后的残差图像进行编码。试验结果表明，该算法在较低的计算复杂度下，压缩比优于目前流行的无损压缩算法。关键词：超光谱图像；双向波段预测；误差补偿；预测树模型中图分类号：TP751文献标识码：AHyperspectralImageLosslessCompressionAlgorithmBasedonBidir

4、ecti0nalInterbandPredictionWANGLang，GUOShu—XU(CollegeofElectronicScienceandEngineering，JilinUniversity，Changehun130012，China)Abstract：Toimprovethereal—timeperformanceofthecurrentcompressionalgorithmsonhyperspectralimage，anewlosslesscompressionmethodbasedonpredictiontreewitherr

5、orvariancescompensatedforhyperspectralim—ageisproposed．Themethodincorporatespredictiontreeandadaptiveinterbandpredictiontechniques．Thebi-directionalinterbandpredictiontocurentbandisappliedtohyperspectralimagecompression．Theerorcreatedbypredictiontreeiscompensatedbylinearadapti

6、vepredictorwhichde—corelatesspectralstatisticredundancy．Inconsiderationofthecomplexityforthecoeficients’calculation，acorelation—drivenadaptiveestimatorisde—signedwithwhichparametersareuniquelydeterminedbythepreviouslycodedpixels．Afterde-correlatingintra—bandandinterbandredunda

7、ncy，aneficientwaveletcodingmethod，SPIHT(SetPartitioninginHierarchicalTreeS)，isusedtoencoderesidualimage．Theexperimentsshowthattheproposedmethodachievesbothlow0一verheadandhighcompressionratioincomparisonwiththepopularlosslesscompressionalgorithm．Keywords：hyperspectralimage；bidi

8、rectionalinterbandprediction；errorcompensated；predictiontreemodel引言超光谱图像是同一地物在上百个不同频率的电磁波谱段上的成像，它在普通二维图像的基础上增加了一维光谱信息。光谱维包含像素的光谱曲线特征，有利于地物的分类和识别。超光谱图像可广泛应用于大气污染监控和地表矿藏勘探等，发展前景广阔。然而，超光谱图像的海量数据对传输、存储和处理带来巨大负担。因此，研究超光谱图像的有效压缩算法，对推广超光谱图像的应用具有重要意义。超光谱图像是一种特殊的三维数据，具有谱间相关性和空间相关性，同时谱间

9、相关性远大于空间相收稿日期：2009-03-02作者简介：王朗(1980一)，男，长春人，吉林大学博士研究生，主要从事数字