一种高光谱遥感影像无损压缩方法与应用

针对遥感影像巨大数据量给传输、存储造成巨大压力和压缩比低的问题,本文提出了一种改进的自适应波段重排和最小均方误差预测的高效无损压缩方法。该方法能自适应地确定波段的最佳顺序,并根据最小均方误差预测充分利用这种排序相关性消除影像冗余。首先,该方法对高光谱影像波段自适应分组,在每个组内利用最小生成树算法排序,以提升相邻波段的谱间相关性。然后,对组内波段自适应地选择上下文进行谱间和谱内预测,去除高光谱影像的冗余。最后,对预测残差进行二进制算术编码去除统计冗余,完成高光谱影像无损压缩。基于资源一号高光谱影像的试验结果表明,本文方法有效利用了谱内、谱间相关性,改善了预测性能,优于常用的压缩方法。     

一种基于预测树的多光谱遥感图像无损压缩方法

最小绝对权值（ＭＡＷ）预测树方法是一种有效的多光谱遥感图像无损压缩方法,但其中构造预测树的算法复杂,实现困难。本文对预测树方法进行改进,提出一种侧邻域最小绝对权值（ＳＮＭＡＷ）预测树方法,通过改变预测树的四邻域定义,使构造预测树的算法简化,并且,实验结果表明,对不同类型的多光谱遥感图像,ＳＮＭＡＷ的压缩效果与ＭＡＷ的压缩效果相近或有所改善。     

基于小波变换的多光谱图像压缩方法

在分析多光谱图像小波变换后系数特点的基础上,提出了一种共享有效图的小波变换压缩方法（ＳＳＭＷＴ）。该方法将小波变换压缩技术中的零树编码推广到多光谱图像压缩中,利用多光谱图像的结构相关性,对多幅小波图像只需构造一幅有效图,同时去除空间冗余和谱间结构冗余,并与Ｋ－Ｌ变换相结合,进一步去除谱间统计冗余,实验表明了该方法的有效性。     

一种结合四元数与直方图的多光谱图像自适应边缘检测方法

针对图像自适应边缘检测的难点和传统多光谱遥感图像边缘检测方法的局限性,提出了一种结合四元数与直方图的自适应边缘检测方法。该方法在四元数空间,利用矢量旋转完成了多光谱图像的边缘检测,并通过直方图统计的方法获取自适应阈值,实现了边缘图像的检测。利用陆地多光谱遥感图像和水域多光谱遥感图像分别进行实验,验证了方法的有效性。     

改进的边折叠三角网简化优化算法研究

本文提出了一种改进的“边折叠”模型三角网简化算法。该算法通过对误差变量的选择,建立了有效的边“折叠价值”计算公式对简化进行局部误差控制。算法很好地解决了约束型狄洛尼三角网中的数据冗余问题,提高了三维模型数据的传输速度和显示的实时性,最后利用单侧豪斯道夫距离给出了模型简化前后整体的误差变化。     

基于数学形态学的IKONOS多光谱图像分割方法研究

利用数学形态学方法,研究与探讨了IKONOS多光谱图像的分割技术.提出一种结合图像边缘特征和纹理特征的混合分割新算法.在高分辨率多光谱遥感图像K-L变换的基础上,采用多尺度多方向形态学梯度算子提取边缘特征.应用数学形态学滤波及局部方差统计特征对图像对象进行标记,最后采用强制最小过程,进行标记控制的分水岭分割.研究结果表明,提出的分割算法优于仅利用边缘特征的分水岭分割算法,同时,该算法能较好地解决分割过程中存在的过分割与欠分割问题,是一种适合高分辨率多光谱遥感图像的分割算法.     

基于波段选择与学习字典的高光谱图像异常探测

针对高光谱影像数据中存在大量冗余,传统异常探测算法应用高光谱所有波段进行探测计算量巨大的问题,提出一种基于波段相似性线性预测与学习字典的异常探测算法。该算法首先通过对波段的相似性进行线性预测,找到最不相似的波段子集;然后,利用学习字典算法获得能够表征图像背景信息的背景字典,并通过低秩分解的算法将影像分解为低秩矩阵与稀疏矩阵;最后,使用经典RXD(Reed-X detector)探测算法对稀疏影像进行异常探测。实验结果表明,该算法可以在减少计算代价、保持波段原始信息不被破坏的同时,能够较好地实现了高光谱影像的异常探测。     

显著性权重RX高光谱异常点检测

高光谱图像异常点检测中,传统RX异常点检测算法忽略了空间相关性,背景估计不准确。本文提出了一种基于图像局部邻域光谱显著性分析的加权RX算法。该算法通过引入图像显著性分析,对基于概率密度为权重的图像背景建模进行改进,建立光谱显著性权重图,重新定义RX算法中的均值向量和协方差矩阵,并给不同的目标赋予不同的权值,达到优化背景估计的目的。利用合成高光谱数据和真实高光谱数据进行异常点检测实验,结果表明,对于同一组数据,本文算法检测到的异常点数比传统算法多,虚警率较低,有效地提高了检测率。     

一种改进的小波变换融合方法及其效果评价

针对传统小波变换融合方法易导致空间纹理信息丢失的缺陷,结合局部方差和局部差异加权算法的优点,提出了一种基于局部算法改进的小波变换融合方法。采用该方法对IKONOS多光谱与全色波段图像进行融合实验,分别从基于视觉效果、数理统计以及面向对象分类精度3个方面分析评价该方法的融合效果。结果表明:改进的融合方法综合了小波变换和局部算法的优点,显著地改善了图像的融合效果,是一种高效的图像融合方法。应用该方法融合后图像的方差由原来的98.28提高到164.32,信息熵由5.30增加到7.85,平均梯度从1.972提高到8.807,图像分类精度提高了10.24%。     

空-谱协同正则化稀疏超图嵌入的高光谱图像分类

传统依据图嵌入的高光谱图像维数约简算法多数仅利用光谱信息表征像元间单一关系，忽视了数据间的多元几何结构。本文提出了一种面向高光谱图像分类的空-谱协同正则化稀疏超图嵌入算法（SSRSHE）。该算法首先利用稀疏表示揭示像元之间的相关性，自适应选择近邻，并构建稀疏本征超图和惩罚超图，以有效表征像元间的复杂多元关系，并进行正则化处理。然后利用遥感图像空间一致性原则，计算局部空间邻域散度来保持样本局部邻域结构，并引入样本总体散度来保持高光谱数据的整体结构。在低维嵌入空间中，尽可能使类内数据聚集、类间数据远离，提取鉴别特征用于分类。在Indian Pines和PaviaU高光谱遥感数据集上试验结果表明，本文算法总体分类精度分别达到86.7%和92.2%。相比传统光谱维数约简算法，该算法可有效改善高光谱图像地物分类性能。     

一种结合整型最佳谱间预测与SPIHT的MODIS影像无损压缩算法

针对MODIS(Moderate Resolution Imaging Spectroradiometer)影像数据海量并具有重要研究价值的特点,研究MODIS影像的无损压缩算法。采用最佳线性预测方法,通过波段相关性排序确定波段最优预测顺序,并自适应计算"预测波段"与"当前波段"的二阶最佳预测器系数,减少谱间冗余;以多级树集合分裂树(Set Partitioning In Hierarchical Trees,SPIHT)编码算法降低谱内相关。为确保无损压缩,对线性预测系数进行最佳逼近取整操作,并采用基于提升格式的D5/3整数小波变换。实验结果表明本文提出的算法在压缩比上性能较3DSPIHT等算法突出。     

基于分类K—L变换的多波段遥感图像近无损压缩方法

去除空间和谱间相关性是多波段遥感图像压缩中的重要环节，为了得到更好的去相关效果，将矢量量化方法引入多波段遥感图像压缩中，以去除对应同一地物的波段矢量间的相关性，再通过分类K－L变换去除量化误差图像的变间相关性，对K－L变换后的特征图像采用预测树的方法进一步去除谱间结构相关性和空间相关性，实验结果表明，该方法可以取得很好的压缩效果。     

Classification and Extraction of Spatial Features in Urban Areas Using High-Resolution Multispectral Imagery

Classification and extraction of spatial features are investigated in urban areas from high spatial resolution multispectral imagery. The proposed approach consists of three steps. First, as an extension of our previous work [pixel shape index (PSI)], a structural feature set (SFS) is proposed to extract the statistical features of the direction-lines histogram. Second, some methods of dimension reduction, including independent component analysis, decision boundary feature extraction, and the similarity-index feature selection, are implemented for the proposed SFS to reduce information redundancy. Third, four classifiers, the maximum-likelihood classifier, backpropagation neural network, probability neural network based on expectation-maximization training, and support vector machine, are compared to assess SFS and other spatial feature sets. We evaluate the proposed approach on two QuickBird datasets, and the results show that the new set of reduced spatial features has better performance than the existing length-width extraction algorithm and PSI     

融合形状和光谱的高空间分辨率遥感影像分类

提出了一种像元形状指数及基于形状和光谱特征融合的高（空间）分辨率遥感影像分类方法。形状和光谱是遥感影像纹理的具体表现形式,尤其在高分辨率影像中地物细节得到充分表达,相邻像元的关系及其共同表征的形状特性成为分类的重要因素。本文用像元及其邻域的关系来描述其空间结构,同时为了更全面地利用影像特征,提出了基于支持向量机的形状和光谱融合分类方法。实验证明,该方法计算简便且能有效表达高分辨率影像的地物特征,提高分类精度。     

基于整数小波变换的多光谱图像无损压缩

多光谱图像一般都采用预测方法去除空间冗余和谱内冗余实现无损压缩。通过用提升方法构造整数小波变换, 将变换方法用于去除空间冗余；通过分类方法构造谱间预测器，用预测方法去除谱间冗余，两者相结合，实现无损压缩。由于变换方法的去相关性能良好，使该方法压缩效果大大改善。     

An Efficient Reordering Prediction-Based Lossless Compression Algorithm for Hyperspectral Images

In this letter, we propose an efficient lossless compression algorithm for hyperspectral images; it is based on an adaptive spectral band reordering algorithm and an adaptive backward previous closest neighbor (PCN) prediction with error feedback. The adaptive spectral band reordering algorithm has some strong points. It can adaptively determine the range of spectral bands needed to be reordered, and it can efficiently find the optimum branches. Hyperspectral images have a large number of spectral bands, which express the same land cover structure and have high correlation. The adaptive backward PCN prediction with error feedback can sufficiently make use of this correlation. Experiments show that implementing both the reordering of the spectral bands before prediction and the prediction with error feedback improve compression performance     

Crisp and Fuzzy Adaptive Spectral Predictions for Lossless and Near-Lossless Compression of Hyperspectral Imagery

This letter presents an original approach that exploits classified spectral prediction for lossless/near-lossless hyperspectral-image compression. Minimum-mean-square-error spectral predictors are calculated, one for each small spatial block of each band, and are classified (clustered) to yield a user-defined number of prototype predictors that are capable of matching the spectral features of different classes of pixel spectra for each wavelength. Such predictors are used to achieve a prediction, either crisp or fuzzy. Unlike most of the methods reported in the literature, the proposed approach exploits a purely spectral prediction that is suitable in compressing the data in band-interleaved-by-line format, as they are available at the output of the onboard instrument. In that case, the training phase, i.e., clustering and refining of predictors for each wavelength, may be moved offline. Experimental results on Airborne Visible InfraRed Imaging Spectrometer data show improvements over the most advanced methods in the literature, with a computational complexity that is far lower than that of analogous methods by the same and other authors.     

A Multispectral Remote Sensing Data Spectral Unmixing Algorithm Based on Variational Bayesian ICA

Mixed pixel is a key issue in medium to coarse resolution remote sensing image, and it seriously restricts the remote sensing classification. This paper presents an Independent component analysis (ICA) algorithm based on the variational Bayesian (VB) methods, named VBICA, for spectral unmixing in multispectral remote sensing image. The model assumes that the mixed pixels to be separated are given as linear mixtures. The matrixes of linear mixtures are assumed to be unknown. In the Bayesian framework, the endmember and abundance have finally been achieved with Bayesian inference and approximate variational algorithm. The proposed method is evaluated and tested on a numerical simulative image from the noise resistance, area size, pixel purity, estimated number of endmembers and real multispectral remote sensing image of 100?×?100 pixels. Experimental results on simulated image demonstrated that compared to the Fast ICA algorithm, the proposed algorithm can give more accurate results, and the validity of the proposed algorithm is verified by the real multispectral remote sensing image of the similarity on spectral curves, average similarity and ground objects distribution maps.