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。     

基于误差补偿预测树的多光谱遥感图像无损压缩方法

预测树方法是一种有效的无损多光谱图像压缩技术,将自适应线性预测方法与传统预测树方法相结合,提出了一种多光谱遥感图像的误差补偿预测树压缩方法。该方法利用多光谱图像谱间的局部统计冗余和结构冗余建立自适应预测器,对传统预测树方法产生的误差进行补偿,从而进一步减少了多光谱图像的数据量;并且利用多光谱图像的局部平稳特性对算法进行了简化。实验结果表明,该方法得到的压缩比与原始预测树方法相比有明显提高,同时算法简化后可以使计算复杂度大幅度降低。     

Correlation-based band-ordering heuristic for lossless compression of hyperspectral sounder data

A novel algorithm for the lossless compression of hyperspectral sounding data is presented. The algorithm rests upon an efficient technique for three-dimensional image band reordering. The technique is based on a correlation factor. The correlation-based band ordering gives 5% higher compression ratios than natural ordering does. On the other hand, the obtained compression ratios are within a percent of those produced by optimal ordering, but the computational time is much lower compared to the optimal ordering. The low computational complexity of the algorithm is based on the use of correlation for the band ordering. Moreover, the algorithm results in 7% to 12% improvement over fast nearest neighbor reordering scheme versions of JPEG-LS and the context-based adaptive lossless image codec algorithms.     

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。     

基于预测树的天气雷达回波数据无损压缩

利用了各层回波图像间的相关系数建立预测排序树,采用了自适应算术编码实现天气雷达回波数据的无损压缩,实现了天气雷达回波数据的有效压缩。     

多尺度字典学习的高光谱图像压缩算法

结合小波变换及字典学习提出了一种针对高光谱图像的压缩算法。该算法首先通过小波变换构建多尺度样本集,在小波域使用K-均值奇异值分解(K-SVD)方法学习得到原子尺寸不同的多尺度字典,然后在稀疏表示的过程中,定义一个原子使用频次筛选因子,通过统计局部最优波段稀疏表示时原子使用情况,结合筛选因子对字典原子进行优化筛选,使用精简后的字典对其余波段进行稀疏求解,最后针对不同尺度的表示系数采用自适应的量化编码。实验结果表明,与目前常用的3D-SPIHT和其他的多尺度字典学习算法相比,本文算法在中低比特率下,具有更好的重建性能。     

高光谱图像数据变换编码压缩方法

三维ＤＣＴ变换编码包括谱段方向的一维ＤＣＴ变换和由此产生的特征值图像的二维ＤＣＴ变换编码。谱段方向一维ＤＣＴ变换的主要作用是去除光谱方向的数据相关性,并产生由ＤＣＴ系数构成的并与各个谱段相对应的特征值图像。特征值图像的压缩由ＪＰＥＧ算法完成,图像的压缩比由ＪＰＥＧ的量化因子ｑ控制。图像边缘特征对高光谱图像的应用具有非常重要的意义,在高光谱图像的压缩过程中要尽量保持图像的边缘特征。我们设计了具有图像     

高光谱图像子空间的波段选择

为降低高光谱遥感数据光谱空间的冗余度,提出一种快速的波段选择方法。该方法在波段子空间下进行,依次选择各子空间中方差最大的波段作为初始波段,设定目标函数,然后逐子空间替换波段使得目标性能更加优化,直至没有替换可以使得目标更优为止。在两个公开高光谱影像数据集上对比3种常用波段选择方法(ABC、AP、ABS)来验证提出方法的有效性,实验结果表明:(1)在印第安纳数据上,本文方法与ABC、AP、ABS所选波段子集相比平均相关性分别降低22.04%、52.61%、55.71%,最佳指数分别提高0.58%、51.73%、0.95%,总体分类精度分别提高0.16%、1.39%、23.07%,在搜索效率上与同类型的ABC方法相比提高6.61%—69.02%;(2)在帕维亚大学数据上,本文方法与ABC、AP、ABS所选波段子集相比平均相关性分别降低2.38%、0.51%、32.83%,最佳指数分别提高1.34%、17.97%、12.92%,总体分类精度分别提高0.31%、0.69%、8.53%,在搜索效率上与同类型的ABC方法相比提高19.13%—86.34%。本文提出的波段选择方法能够选择合适的波段子集满足不同的应用需要,是一种有效的波段选择方法。     

基于自适应四叉树分割的遥感图像压缩算法

遥感图像具有不同于一般图像的特点,针对遥感图像对压缩算法的特殊要求,提出了自适应四叉树分割算法实现图像的分块,以各像块的均值近似表示该像块的灰度值,从而以尺量少的数值获得对原始图像的最佳逼近,再对辐近误差进行自适应分割和基于像块方差的自适应量化,最后对各分量进行Huffman编码.实验表明,本算法能表现出良好的实用性能,比JPEG算法更适用于遥感图像的压缩.     

空间与谱间相关性分析的NMF高光谱解混

非负矩阵分解(NMF)技术是高光谱像元解混领域的研究热点。为了充分利用高光谱图像中丰富的空间与光谱相关性特征,改善基于NMF的高光谱解混算法性能,提出一种结合了空间与谱间相关性分析的NMF解混算法。算法针对NMF的通用性和局部极小问题,引入并结合高光谱图像两种典型的相关性特征,具体包括:基于马尔可夫随机场(MRF)模型,建立描述相邻像元空间相关特征的约束;通过复杂度映射技术,建立描述相邻波段谱间相关(光谱分段平滑)特征的约束;并将上述两种约束同时引入NMF解混目标函数中。实验结果表明,对于一般自然地物场景或人造地物场景,相对于分段平滑和稀疏约束的非负矩阵分解(PSNMFSC)、交互投影子梯度的非负矩阵分解(APSNMF)和最小体积约束的非负矩阵分解(MVCNMF)这3种代表性NMF解混参考算法,该算法可进一步提高高光谱解混精度;对于空间相关或谱间相关特征中某一种不显著的特殊场景,也具有更好的适应能力。通过将空间相关和谱间相关特征相结合,较全面地反映了高光谱数据与解混相关的重要特征,能够对绝大多数真实高光谱数据进行高精度解混,对高光谱解混及后续应用领域相关研究均具有参考价值。     

波段选择协同表达高光谱异常探测算法

高光谱遥感影像具有光谱分辨率极高的特点,承载了大量可区分不同类型地物的诊断性光谱信息以及区分亚类相似地物之间细微差别的光谱信息,在目标探测领域具有独特的优势。与此同时,高光谱遥感影像也带来了数据维数高、邻近波段之间存在大量冗余信息的问题,高维度的数据结构往往使得高光谱影像异常目标类和背景类之间的可分性降低。为了缓解上述问题,本文提出了一种基于波段选择的协同表达高光谱异常探测算法。首先,使用最优聚类框架对高光谱波段进行选择,获得一组波段子集来表示原有的全部波段,使得高光谱影像异常目标类与背景类之间的可分性增强。然后使用协同表达对影像上的像元进行重建,由于异常目标类和背景类之间的可分性增强,对异常目标像元进行协同表达时将会得到更大的残差,异常目标像元的输出值增大,可以更好地实现异常目标和背景类的分离。本文使用了3组高光谱影像数据进行异常目标探测实验,实验结果表明,该方法与其他现有高光谱异常目标探测算法对比,曲线下面积AUC(Area Under Curve)值更高,可以更好地实现异常目标与背景分离,能够更有效地对高光谱影像进行异常目标探测。     

Improved IHS Algorithm for Fusing High Resolution Satellite Images of Urban Areas

The intensity-hue-saturation method is used frequently in image fusion due to its efficiency and high spatial quality. The main shortage is its spectral distortion stemmed from replacement of intensity band with higher resolution image. In this study, a new method is introduced to improve the spectral quality of the Intensity-Hue-Saturation (IHS) algorithm. The goal of this study is to produce the fused image that has a better spectral and spatial quality with respect to the original images in term of visual comparison and the classification result. In this regard, an improved statistical approach is developed to combine an intensity band from IHS algorithm and an input high resolution image such as SAR or Panchromatic image. Then the intensity image is replaced by the combined image band. Final fused images are attained using the inverse IHS algorithm. The proposed fusion algorithm is tested on two data sets of: a) panchromatic and multi spectral bands of IKONOS image with the same acquisition date, and b) multi spectral and HH bands of IKONOS and TerraSAR-X images respectively with different acquisition dates. Moreover, the obtained results are compared with other fusion methods like IHS, Gungor, Brovey and synthetic variable ratio. The results show less spectral discrepancy of the proposed method comparing to other methods. Finally, the outcome of proposed method is classified and classification overall accuracy is improved by 5.6 and 2 percentage for data set ‘a’ and ‘b’ respectively.     

Optimized onboard lossless and near-lossless compression of hyperspectral data using CALIC

We propose a new lossless and near-lossless compression algorithm for hyperspectral images based on context-based adaptive lossless image coding (CALIC). Specifically, we propose a novel multiband spectral predictor, along with optimized model parameters and optimization thresholds. The resulting algorithm is suitable for compression of data in band-interleaved-by-line format; its performance evaluation on Airborne Visible/Infrared Imaging Spectrometer (AVIRIS) data shows that it outperforms 3-D-CALIC as well as other state-of-the-art compression algorithms.     

Band Selection and Dimension Estimation for Hyperspectral Imagery—a New Approach Based on Invasive Weed Optimization

Currently, hyperspectral images have potential applications in many scientific areas due to the high spectral resolution. Extracting suitable and adequate bands/features from high dimensional data is a crucial task to classify such data. To overcome this issue, dimension reduction techniques have direct effects to improve the efficiency of classifiers on hyperspectral images. One common approach for decreasing the dimensionality is the feature/band selection by considering the optimum dimensionality of the hyperspectral imagery. In this paper, a new method was proposed to select optimal band for classification application, based on a metaheuristic Invasive Weed Optimization (IWO) algorithm. In this regard, the K-nearest neighbour (K-NN) technique was used as the classifier. Moreover, as a by-product of our band selection method, a new method was proposed to estimate an optimum dimension of the reduced hyperspectral images for better classification. Experimental results over three real-world hyperspectral datasets clearly showed that the proposed IWO-based band selection algorithm of this study led to the significant progress in selecting suitable bands for classification applications and estimation of optimum dimensionality of these datasets. In this regard, the overall accuracy (OA) of classification of the proposed IWO-based band selection algorithm was 92.02, 93.57, and 89.72 % for each dataset, respectively. Moreover, results reveal the superiority of the proposed IWO-based band selection algorithm against the other algorithms including GA, SA, ACO, and PSO for band selection purpose.     

多分辨率低秩导向滤波的热红外图像空间融合

热红外遥感图像由于其特定的成像方式,包含目标特有的发射率及温度等特征。然而,热红外遥感图像较低的空间分辨率却限制了其广泛应用。随着遥感技术的发展,同一区域获得的多源遥感图像可以提供更为完备的目标信息,使得利用多源融合技术实现热红外图像空间分辨率增强与亚像素级特征提取成为可能。为此,本文提出了一种基于多分辨率自适应低秩表达与残差信息迁移的热红外图像空间超分辨算法,该算法通过可见光与热红外图像融合的方式实现热红外图像空间特性的自适应融合增强。本文算法优势主要体现在以下几个方面：（1）基于多分辨率的超像素分割,使用超像素块代替传统的方块作为低秩恢复单元,自适应地调整单元内空间特性以保持单元内地物类型的稳定并抑制结构性噪声;（2）通过构建导向线性滤波器,在保护热红外图像光谱信息的前提下,实现可见光图像精细空间特征向热红外图像的迁移;（3）在低分辨层建立增强热红外图像残差与可见光图像残差之间关联并迁移至高分辨层,在保证超分辨图像细节信息的前提下,实现热红外图像空间超分辨。为了验证算法的有效性,本文采用2014年IGARSS数据融合竞赛提供的可见光与热红外实验数据进行实验,并与融合竞赛中表现最为优异的监督图特征融合方法进行比较,并从温度反演精度以及分类精度两个方面评价超分辨效果。实验结果表明,本文提出的方法其噪声抑制效果、空间平滑效果、边缘锐化效果更为优异,超分辨热红外图像有着更为精细的空间信息,并且对于不同区域类型均能较好的保护热红外图像光谱信息。对于不同地物类型,融合超分辨图像有较高的亚像素温度反演精度以及更高的分类精度,其温度反演误差小于1 K,总体分类精度较原热红外图像提升20%以上。     

矢量C-V模型的高光谱遥感影像分割

高光谱遥感影像除了包含普通2维影像所具有的空间信息还包含了1维光谱信息,传统的针对2维影像的分割方法不能很好地应用于高光谱遥感影像。为此,本文提出一种能够同时处理多波段影像的高光谱遥感影像矢量C-V模型分割方法。首先选出高光谱遥感影像中目标与背景对比度较大的波段,并通过计算波段相关系数,去除其中的冗余信息形成新的波段组合,进而根据所确定的波段组合构建高光谱遥感影像矢量矩阵;在此基础上,构造基于该矢量矩阵的矢量C-V分割模型。模型中通过引入基于梯度的边缘引导函数,在保留传统C-V模型基于区域信息进行影像分割的基础上,利用影像的边缘细节信息,增强了模型在异质区域和复杂背景情况下对目标边缘的捕捉能力,提高了对高光谱遥感影像的分割精度和速度。最后利用HYPERION数据进行仿真实验,并将实验结果和传统C-V模型和相关方法进行了对比,结果表明,本文方法能够在短时间内有效地分割高光谱遥感影像,与传统方法相比,具有分割精度更高运算速度更快的特点。     

TM图像的光谱信息特征与最佳波段组合

本文分析了北自黑龙江省寒温带缓岗平原、南至广东省南亚热带丘陵等9个不同景观类型样区的TM图像数据,查明TM图像的光谱信息具3—4维结构,其物理含义相当于“亮度”、“绿度”和“热度”、“湿度”。在TM7个光谱图像中,一般以第5波段包含的地物信息最丰富。3个可见光波段(即第1,2,3波段)之间,两个中红外波段(即第5,7波段)之间相关性很高,表明这些波段的信息中有相当大的“重复性”或“冗余性”。第4,6波段则颇特殊,尤其是第4波段与各波段的相关性都很低,表明这个波段的信息有很大的独立性。计算20种组合的熵值的结果表明,由一个可见光波段、一个中红外波段及第4波段组合而成的彩色合成图像,一般具有最丰富的地物信息,其中又常以4,5,3或4,5,1波段的组合为最佳。     

A Gaussian elimination based fast endmember extraction algorithm for hyperspectral imagery

A fast endmember-extraction algorithm based on Gaussian Elimination Method (GEM) is proposed in this paper under the fact that a pixel is an endmember if it has the maximum value in any spectral band of a hyperspectral image when based on linear mixing model. Applying Gaussian elimination is much like performing a lower triangular matrix to transform the hyperspectral image. As more endmembers have been extracted, fewer bands are needed to be involved in the Gaussian elimination process, thus greatly reducing the computing time. The experimental results with both simulated and real hyperspectral images indicate that the method proposed here is much faster than the vertex component analysis (VCA) method, and can provide a similar performance with VCA.     

基于波段子集的独立分量分析的特征提取的高光谱遥感影像分类

针对高光谱影像数据具有波段众多、数据量较大的特点,本文提出了一种基于波段子集的独立分量分析(ICA)特征提取的高光谱遥感影像分类的新方法。以北京昌平小汤山地区的高光谱影像为例,根据高光谱遥感影像的相邻波段的相关性进行子空间划分,在各个波段子集上采用ICA算法进行特征提取,将各个子空间提取的特征合并组成特征向量,采用支持向量机(SVM)分类器进行分类。结果表明:该方法分类精度最佳(分类精度89.04%,Kappa系数0.8605,明显优于其它特征提取方法的SVM分类,有效地提高了高光谱数据的分类精度。     

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。