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。     

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。     

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。     

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。     

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。     

基于机载多光谱遥感数据的溢油信息提取方法

为研究应用紫外-可见光-近红外-热红外遥感数据识别海上溢油的方法,利用机载多光谱溢油监测设备获取了舟山海域多光谱遥感数据,并利用野外地物光谱仪获取了水体和油膜的反射光谱。通过提取并分析机载多光谱遥感图像上多目标的影像特征和光谱响应特征,利用决策树分类法对海上油膜相对厚度的分布进行分类和制图。研究表明,基于机载多光谱遥感数据的溢油信息提取方法总体分类精度达93.7%,能够准确区分薄油膜和厚油膜,可有效提取海洋溢油污染信息,完全能够满足海洋溢油污染遥感监测需求。     

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。     

基于光谱相似性的多光谱数据纹理编码算法研究

基于多光谱纹理“映射模式”概念，提出了基于光谱数据相似性的多光谱、高光谱数据的编码方法。利用光谱相似测度对不同类型的纹理进行编码，表征地物的全局纹理特征，将纹理提取的算法扩展到多维光谱图像分析中，提出了多尺度纹理组合算法。试验证明，该方法合理有效，可大大提高分类的准确性和精度。     

基于信息量失真测度的VQ及在高光谱图像无损压缩中的应用

随着成像光谱技术的迅速发展 ,如何高效无失真的压缩海量高光谱数据引起人们越来越多的关注。由于相似的地表区域具有相似的光谱曲线 ,矢量量化是对高光谱图像进行压缩的理想算法。提出一种基于信息量失真测度的矢量量化编码方法 ,并用于高光谱图像无损压缩。与常用的矢量量化失真测度———欧几里德平方误差测度相比 ,该算法在不增加运算复杂度的情况下 ,矢量量化后的误差图像的熵值能够降低 0 0 5bpp左右。     

利用哈夫曼树的遥感影像无损压缩方法

针对哈夫曼(Huffman)编码在遥感影像的压缩中鲜有研究这一情况,该文通过设计Huffman编码程序,对TM遥感影像单波段灰度图、分类图及以随机图作为对比进行了压缩测试,并对解码文件进行了直方图分析。结果表明,TM遥感影像7个波段在平滑缩放与非平滑缩放方式下的平均压缩效率为11.44%、36.72%;在5、10、15分类情况下的平均压缩效率分别为75.51%、63.60%和54.73%;随机图的直方图呈离散型均匀,压缩意义不大。因此,基于Huffman树的无损压缩编码可适用于遥感影像的压缩,具有一定的应用价值。     

机载多光谱LiDAR数据的地物分类方法

机载多光谱LiDAR系统能够快速地获取大范围地表面上地物光谱和几何数据,并能够保证所获取的光谱与空间几何数据在空间和时间上相对完整和一致性。支持向量机（SVM）是一种基于小样本的学习方法,它避开了从归纳到演绎的传统分类过程。因此,本文提出了基于SVM多光谱LiDAR数据的地物目标分类方法。该方法首先将多个独立波段的LiDAR数据融合为单一的、包含多个波段信息的点云数据,然后将融合后的点云内插为距离影像和多光谱影像,最后利用SVM进行多光谱LiDAR数据的地物覆盖分类。通过对加拿大Optech公司的Titan机载多光谱LiDAR数据的试验证明：相对于传统的单波段LiDAR数据,多光谱LiDAR数据可以获得较好的地物分类精度;比较试验发现SVM分类方法适用于多光谱LiDAR数据的地物分类。     

成像光谱遥感数据的光谱重建研究

成像光谱遥感数据处理中的一个重要环节是大气辐射纠正，它是成像光谱遥感定量化的重要部分，本文推导出一种简单的方法，对高光谱分辨率航空遥感图象进行大气纠正，反射率图像转换及光谱重建，并在地质资源遥感调查中应用，取得很好的效果，同时，对重建的地物光谱中出现的误差，进行了分析。     

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。     

一种DEM数据无损压缩的方法

数字高程模型（DEM）是网络3维地形可视化系统最重要的数据源之一。而且数据量巨大。数据压缩是缩短DEM在网络上的传输时间和节省存储空间的有效方法和途径。本文提出了用最小二乘预测模型和算术编码实现DEM最佳平均码长。并比较了几种预测方法,推导了最优线性二乘预测模型,优化了自适应算术编码的数据结构以加快编码的进程。最后对不同无损编码技术的压缩结果进行了分析,实验证明本文提出的压缩方案是可行的。     

基于高分辨率多光谱遥感数据的城市森林反射率真实性检验

城市森林资源信息对城市可持续发展有重要影响。为了满足城市森林资源精细化管理的需求,不断拓展国产高分辨遥感卫星的应用范围,需对其数据质量、数据规格和数据产品特点进一步的研究,进而应用于城市森林资源监测中。本文采用目前国际上正在开展的无场地定标技术,与定标精度比较高的landsat-8 OLI数据对高分1号8米的pms多光谱数据进行交叉定标,对国产高分辨率多光谱遥感数据的城市森林反射率进行真实性检验研究。     

多尺度空间数据索引方法研究

以多尺度空间数据为研究对象,讨论其混合索引结构的建立方法。对于多尺度矢量空间数据提出基于多层次网格与R 树混合索引结构,栅格数据进行分块并建立四叉树索引结构。利用双向链表结构连接同尺度下的矢栅空间数据,实现矢栅之间的无缝转化;并用地理数据编码及双向链表结构连接不同尺度下的同一空间对象,实现多尺度空间对象的纵向无缝连接。进而实现多尺度空间数据的快速可视化及空间对象的纵向无缝查询。     

高/多光谱遥感图像超分辨率融合研究进展与展望

高光谱图像作为多模态遥感数据的重要组成部分,能够捕捉地物精细的光谱特征。由于成像机理的限制,空间细节的损失导致高光谱图像的空间表征能力有所退化,一定程度上限制了数据进一步应用的潜力。数据融合是解决空间/光谱分辨率矛盾的有效手段,近年来相关理论得到了深入发展。本文全面综述了高/多光谱遥感图像超分辨率融合领域的研究进展与展望。首先,将当前方法系统性地分为细节注入、模型优化及深度学习3大类方法,并对不同方法的原理、模型、代表性算法进行了回顾,重点介绍了模型优化中的矩阵分解、张量表示及深度学习中的监督与非监督方法。在此基础上,梳理了该领域技术在像素级分类、目标提取、在轨融合领域的成功应用案例,指出融合产品的潜能在后续遥感应用未被充分挖掘的现状;然后,从退化模型、数据-模型驱动、多任务一体化及应用耦合4个角度对该领域进行展望;最后,就该领域的研究现状与发展趋势进行总结,归纳各类方法优劣势的同时,点明了多类方法协同、外部数据辅助及实际应用驱动等方面的重要性。