适用于高光谱图像压缩的预测系数估计方法及装置

摘要

本发明公开了一种适用于高光谱图像压缩的预测系数估计方法及装置，属于图像处理技术领域。所述方法通过确定高光谱图像的待编码谱段的参数值Ci、高光谱图像的参考谱段的参数值Bj，以及待编码谱段和参考谱段参数值的比值ei，j，得到预测系数的估计值ei，j，根据该估计值进行高光谱图像压缩。本发明可以仅选取一个参数，以很低的复杂度精确地计算一阶预测系数；可以更充分有效地利用高光谱的谱间相关性；结合现有的基于DSC和基于模型的预测的高光谱压缩方法及装置，简单准确的实现预测模型的估计，提高压缩效率。

权利要求

1.适用于高光谱图像压缩的预测系数估计方法，其特征在于：

步骤一：根据高光谱图像的谱间相关性，以及相关性强的谱段的直方图分布，确定高光谱图像的待编码谱段的参数值Ci；

对于参数指标中谱段系数最大值、谱段系数最小值或谱段系数差值，分别记为Maxi，Mini，Diffi，i＝1，2，…，n，n为高光谱图像的谱段总数，则有：Maxi＝Max(fi(x，y))，(x＝1，…，M，y＝1，…，N) (1)Mini＝Min(fi(x，y))，(x＝1，…，M，y＝1，…，N) (2)Diffi＝Max(fi(x，y))-Min(fi(x，y))，(x＝1，…，M，y＝1，…，N) (3)其中函数Max、Min分别是求最大值和最小值函数，i是待编码谱段的谱段号，M、N分别是图像的行、列像素总数，fi(x，y)是谱段号为i的谱段图像位置为(x，y)处的像素值；任意选择上述参数指标中的一个作为参数值Ci；所述的参数指标包括谱段系数最大值、谱段系数最小值或谱段系数差值；

步骤二：确定高光谱图像的参考谱段的参数值Bj；

选取参考谱段的参数指标中谱段系数最大值、谱段系数最小值或谱段系数差值，分别记为Maxj，Minj，Diffj，其中j是参考谱段的谱段号，且j≠i，则：Maxj＝Max(fj(x，y))，(x＝1，…，M，y＝1，…，N) (4)Minj＝Min(fj(x，y))，(x＝1，…，M，y＝1，…，N) (5)Diffj＝Max(fj(x，y))-Min(fj(x，y))，(x＝1，…，M，y＝1，…，N) (6)任意选择上述参数指标中的一个作为参数值Bj；

步骤三：确定预测模型的一阶预测系数；

根据待编码谱段的参数值Ci和参考谱段的参数值Bj，分别计算Maxi/Maxj、Mini/Minj和Diffi/Diffj，选择其中的任意一个比值作为最终确定的比值ei，j，即为一阶预测系数；

步骤四：利用一阶预测系数进行图像压缩；

将预测模型的一阶预测系数与已编码谱段结合使用，即

f′i(x，y)＝fj(x，y)×ei，j

得到预测谱段，其中fj(x，y)是谱段号为j的参考谱段的图像位置为(x，y)处的像素值，f′i(x，y)是谱段号为i的待编码谱段的图像位置为(x，y)处的预测像素值，在基于DSC和基于预测的高光谱压缩方法时，利用预测谱段与待编码谱段之间的相关性，开始实施高光谱的压缩。

2.一种适用于高光谱图像压缩的预测系数的估计方法的实现装置，其特征在于：该装置包括：高光谱图像的待编码谱段的参数值获取模块，参考谱段的参数值获取模块，参数值比值获取模块，预测模型的一阶预测系数的确定模块；从高光谱图像的数据缓存区得到所需的待编码谱段数据和参考谱段数据分别送入待编码谱段和参考谱段的数据缓存区，待编码谱段的参数值获取模块和参考谱段的参数值获取模块分别读取各自对应数据缓存区内的数据，并根据不同的谱段特性以及计算机性能，待编码谱段的参数值获取模块计算得到待编码谱段的参数值Ci，参考谱段的参数值获取模块计算得到参考谱段的参数值Bj；参数值比值获取模块把这两个参数值Ci和Bj进行乘法运算，得到参数值的比值ei，j，同时待编码谱段和参考谱段的数据缓存区清空；最后在预测模型一阶预测系数的确定模块中，令一阶预测系数等于ei，j，从而确定了预测模型一阶预测系数。

说明书

适用于高光谱图像压缩的预测系数估计方法及装置

技术领域

[0001] 本发明属于图像处理技术领域，涉及一种预测系数估计的方法及装置，特别涉及一种适用于高光谱图像压缩的预测系数估计方法及装置。

背景技术

[0002] 随着成像光谱仪的普及应用，遥感图像的空间分辨率和谱间分辨率越来越高，使得成像光谱数据量迅速增长，对海量数据进行有效的压缩成了遥感技术发展中迫切需要解决的一个问题。高光谱图像的光谱信息丰富，仅仅靠去除空间相关性是远远不够的。随着光谱分辨率的增大，同时不同谱带的图像所涉及的地物目标相同，相邻谱带光谱图像的相关性变得很紧密，高光谱在谱带间有着很大的冗余。正是因为高光谱图像在光谱维上有着相当强的相关性，所以谱带间的去相关在高光谱图像的压缩中是很重要的。近年来，高光谱图像的压缩方法主要集中于基于预测的方法，基于变换的方法，基于量化的方法，以及多种方法的混合编码等。

[0003] 但是这些传统的压缩方法的编码端的复杂性通常很高，因而对高光谱苛刻的成像环境考虑的不是很全面。目前，高光谱压缩的研究重点转移至了一种分布式信源编码(DistributedSource Coding，DSC)的方法。这种分布式信源编码的原理是Slepian和Wolf在1973年提出，并在最近几年得到了广泛的研究和应用。

[0004] 基于DSC的高光谱压缩方法和基于模型的预测压缩方法都需要重点考虑预测系数的估计。因为DSC的压缩方案的前提条件是参考谱段与待编码谱段具有很强的相关性，如果上述两个谱段的相关性越接近，采用的基于Slepian-Wolf原理的压缩方法效率越高，所以预测系数估计的准确性很大程度上决定了DSC压缩方案的性能。而基于模型的预测压缩方案，需要直接探索谱带与谱带之间的相关性，利用参考谱段与待编码谱段间的预测误差进行编码处理；如果上述两个谱段的相关性越接近，预测误差就会越简单，最终编码所得的码率越低，所以预测系数的估计对预测模型的建立起了关键作用。因此，对预测模型的估计还存在很多值得研究的问题。

[0005] 同时考虑到高光谱图像的成像环境，能源有限、存储空间有限、处理能力有限，因此在高光谱图像的获取中更需要要求在不影响性能的情况下尽可能的减少计算量。例如：对比文献1：E.Magli，M.Barni，A.Abrardo，et al.，“Distributed source coding techniquesfor lossless compression of hyperspectral images”，EURASIP Journal on Advancesin Signal Processing，Volume 2007，Article ID 45493，13pages。该文献采用分布式信源编码的原理对高光谱图像进行压缩处理。其中线性预测模型的系数的估计方法，选取了当前谱段和参考谱段的所有像素点进行估计。因为采用了大量的实验数据，该方法得到的预测系数相对准确，但是却耗费了大量的存储资源和计算资源，不适用于高光谱图像的压缩。

[0006] 又 例 如：对 比 文 献 2：Jing Zhang and Guizhong Liu，“An Efficient ReorderingPrediction-Based Lossless Compression Algorithm for Hyperspectral Images”，IEEEGEOSCIENCE AND REMOTE SENSING LETTERS，VOL.4，NO.2，APRIL 2007，Pages283-287。该文献采用基于预测的方法对高光谱图像进行压缩。其中线性预测模型的系数的估计方法，并不是直接选取了所有像素点，而是选取了当前谱段与重新排序后选取的参考谱段的一部分相似范围的点进行拟合。这种方法在一定程度上降低了运算的复杂度并且节约了资源，但是仍是不够的。所以如何准确而又简单的估计出预测系数具有实际的研究价值。

发明内容

[0007] 本发明的目的是为了提供一种适用于高光谱图像压缩的预测系数估计的方法和装置。该方法应用于高光谱图像的处理，通过比较参考谱段与待编码谱段的参数指标，计算出这两个谱段的预测系数。该方法简单有效的利用了谱间相关性，非常适用于基于DSC和基于模型的预测的高光谱压缩方法。

[0008] 本发明提供一种适用于高光谱图像压缩的预测系数估计的方法和装置，所述预测系数的估计是基于谱段间极强的相关性，通过比较谱段间的参数值，进行最优的选取。高光谱图像的谱间相关性非常强，并且这些强相关性的谱段的直方图具有相似的分布，即这些谱段的起伏相似，均值不同。因此，本发明选用最大值、最小值或差值作衡量参数，也可以间接的反应谱段间的关系，并且可以大大减少计算复杂度。

[0009] 所述的适用于高光谱图像压缩的预测系数的估计方法，包括如下具体步骤：

[0010] 步骤一：根据高光谱图像的谱间相关性，以及相关性强的谱段的直方图分布，确定高光谱图像的待编码谱段的参数值Ci。参数指标有三种，包括谱段系数最大值Maxi、谱段系数最小值Mini、谱段系数差值Diffi，i＝1，2，…，n，n为高光谱图像的谱段总数，实际计算时选择一种即可。Maxi，Mini，Diffi的具体计算公式如下：

[0011] Maxi＝Max(fi(x，y))，(x＝1，…，M，y＝1，…，N)(1)

[0012] Mini＝Min(fi(x，y))，(x＝1，…，M，y＝1，…，N)(2)

[0013] Diffi＝Max(fi(x，y))-Min(fi(x，y))，(x＝1，…，M，y＝1，…，N)(3)[0014] 其中函数Max、Min分别是求最大值和最小值函数，i是待编码谱段的谱段号，M、N分别是图像的行、列像素总数，fi(x，y)是谱段号为i的谱段图像位置为(x，y)处的像素值；任意选择上述参数指标中的一个作为参数值Ci；

[0015] 步骤二：确定高光谱图像的参考谱段的参数值Bj，即Maxj，Minj，Diffj，其中j是参考谱段的谱段号，且j≠i，具体计算公式如下：

[0016] Maxj＝Max(fj(x，y))，(x＝1，…，M，y＝1，…，N)(4)

[0017] Minj＝Min(fj(x，y))，(x＝1，…，M，y＝1，…，N)(5)

[0018] Diffj＝Max(fj(x，y))-Min(fj(x，y))，(x＝1，…，M，y＝1，…，N)(6)[0019] 任意选择上述参数指标中的一个作为参数值Bj；

[0020] 步骤三：确定预测模型的一阶预测系数。

[0021] 由于之前所述的高光谱图像具有很强的谱间相关性，高光谱图像压缩中所采用的一阶预测系数可由其参数的比值确定。具体而言，根据选择的参数指标即待编码谱段和参考谱段系数最大值、谱段系数最小值、谱段系数差值，分别对应的计算Maxi/Maxj、Mini/Minj、Diffi/Diffj，选择其中一个作为确定的比值ei，j。

[0022] 步骤四：利用一阶预测系数进行图像压缩。

[0023] 将预测模型的一阶预测系数与已编码谱段结合使用，即

[0024] f′i(x，y)＝fj(x，y)×ei，j

[0025] 得到预测谱段，其中fj(x，y)是谱段号为j的参考谱段的图像位置为(x，y)处的像素值，f′i(x，y)是谱段号为i的待编码谱段的图像位置为(x，y)处的预测像素值，在基于DSC和基于预测的高光谱压缩方法时，利用预测谱段与待编码谱段之间的相关性，开始实施高光谱的压缩。

[0026] 本发明还提供一种适用于高光谱图像压缩的预测系数的估计装置，该装置包括：高光谱图像的待编码谱段的参数值获取模块、参考谱段的参数值获取模块、参数值比值获取模块和预测模型的一阶预测系数的确定模块。从高光谱图像的数据缓存区得到所需的待编码数据和参考谱段的数据分别送入待编码谱段和参考谱段的数据缓存区。待编码谱段的参数值获取模块和参考谱段的参数值获取模块分别读取各自对应数据缓存区内的数据，并分别计算出高光谱图像的待编码谱段的参数值和参考谱段的参数值。再把得到的参数值送入参数值比值计算的乘法模块，同时待编码谱段和参考谱段的数据缓存区清空，节约存储空间。最后在预测模型一阶预测系数的确定模块中，根据实际目标的需要以及计算机快速处理图像的能力，计算出预测模型的一阶预测系数。

[0027] 本发明的优点在于：

[0028] (1)本发明是一种适用于高光谱图像压缩的预测系数的估计方法，可以仅选取一个参数，以很低的复杂度精确地计算一阶预测系数。

[0029] (2)本发明是一种适用于高光谱图像压缩的预测系数的估计方法，可以更充分有效地利用高光谱的谱间相关性。

[0030] (3)本发明方法及装置具有可扩展性：利用本发明，可以结合现有的基于DSC和基于模型的预测的高光谱压缩方法及装置，简单准确的实现预测模型的估计，提高压缩效率。

附图说明

[0031] 图1为本发明适用于高光谱图像压缩的预测系数的估计方法的流程；

[0032] 图2为本发明适用于高光谱图像压缩的预测系数的估计方法的实现装置。

具体实施方式

[0033] 下面将结合附图和实施例对本发明作进一步的详细说明。

[0034] 如图1所示的是本发明提供的适用于高光谱图像压缩的预测系数的估计方法的流程图，该方法具体通过以下步骤实现：

[0035] 步骤一：确定高光谱图像的待编码谱段的参数值Ci。

[0036] 高光谱图像的谱间相关性很强，并且这些相关性强的谱段的直方图具有相同的分布，因此本发明中选用的参数指标有三种，实际计算时选择一种即可。所述的参数指标包括谱段系数最大值、谱段系数最小值或谱段系数差值，分别记为Maxi，Mini，Diffi，i＝1，2，…，n，n为高光谱图像的谱段总数值；Maxi，Mini，Diffi的具体计算公式如公式(1)、(2)、(3)：

[0037] Maxi＝Max(fi(x，y))，(x＝1，…，M，y＝1，…，N) (1)[0038] Mini＝Min(fi(x，y))，(x＝1，…，M，y＝1，…，N) (2)[0039] Diffi＝Max(fi(x，y))-Min(fi(x，y))，(x＝1，…，M，y＝1，…，N)(3)[0040] 其中函数Max、Min分别是求最大值和最小值函数，i是待编码谱段的谱段号，M、N分别是图像的行、列像素总数，fi(x，y)是谱段号为i的谱段图像位置为(x，y)处的像素值；根据不同的谱段特性以及计算机性能，选择上述参数指标中的一个作为参数值Ci；

[0041] 步骤二：确定高光谱图像的参考谱段的参数值Bj，即Maxj或Minj或Diffj，其中j是参考谱段的谱段号，且j≠i，具体计算公式：

[0042] Maxj＝Max(fj(x，y))，(x＝1，…，M，y＝1，…，N) (4)[0043] Minj＝Min(fj(x，y))，(x＝1，…，M，y＝1，…，N) (5)[0044] Diffj＝Max(fj(x，y))-Min(fj(x，y))，(x＝1，…，M，y＝1，…，N)(6)[0045] 根据不同的谱段特性以及计算机性能，任意选择上述参数指标中的一个作为参数值Bj；

[0046] 步骤三：确定预测模型的一阶预测系数。

[0047] 由于之前所述的高光谱图像具有很强的谱间相关性，高光谱图像压缩中所采用的一阶预测系数可由其参数的比值确定。具体而言，确定待编码谱段和参考谱段参数值的比值ei，j，根据选择的参数指标即谱段系数最大值、谱段系数最小值、谱段系数差值，分别计算Maxi/Maxj、Mini/Minj和Diffi/Diffj，选择其中的任意一个比值作为最终确定的比值ei，j；对应的具体计算公式如(7)、(8)、(9)：

[0048] ei，j＝Ci /Bj＝Maxi /Maxj (7)[0049] 或ei，j＝Ci/Bj＝Mini/Minj (8)[0050] 或ei，j＝Ci/Bj＝Diffi/Diffj (9)[0051] 由于高光谱图像的各个谱段的直方图具有类似的形状，所以可以任意选择谱段系数最大值、最小值或差值作为参数指标，即令一阶预测系数等于ei，j。

[0052] 步骤四：利用一阶预测系数进行图像压缩。

[0053] 将预测模型的一阶系数与已编码谱段结合使用，即根据公式(10)

[0054] f′i(x，y)＝fj(x，y)×ei，j (10)[0055] 得到预测谱段，其中fj(x，y)是谱段号为j的参考谱段的图像位置为(x，y)处的像素值，f′i(x，y)是谱段号为i的待编码谱段的图像位置为(x，y)处的预测像素值。在基于DSC和基于预测的高光谱压缩方法时，利用预测谱段与待编码谱段之间的相关性，开始实施高光谱的压缩方案。

[0056] 为了实现上述预测系数估计方法，本发明还提供一种实现上述预测系数估计的实现装置，该装置包括：高光谱图像的待编码谱段的参数值获取模块、参考谱段的参数值获取模块、参数值比值获取模块和预测模型的一阶预测系数的确定模块。

[0057] 图2给出了本发明装置的结构图。在高光谱获取环境即机载或星载上，有高光谱图像的数据缓存区。从高光谱图像的数据缓存区得到所需的待编码数据和参考谱段的数据分别送入待编码谱段的数据缓存区和参考谱段的数据缓存区。待编码谱段的数据缓存区对应待编码谱段的参数值获取模块，参考谱段的数据缓存区对应参考谱段的参数值获取模块，其中待编码谱段的参数值获取模块计算出高光谱图像的待编码谱段的参数值Ci，参考谱段的参数值获取模块计算出参考谱段的参数值Bj。参数值Ci和Bj在参数值比值获取模块中进行比值计算；同时待编码谱段和参考谱段的数据缓存区清空，节约存储空间。在预测模型一阶预测系数的确定模块中，根据不同的谱段特性以及计算机性能选用不同的参数，计算出比值ei，j，即得到预测模型的一阶预测系数。

[0058] 将预测模型的一阶系数与已编码谱段结合使用，即根据公式(10)

[0059] f′i(x，y)＝fj(x，y)×ei，j (10)[0060] 得到预测谱段，其中fj(x，y)是谱段号为j的参考谱段的图像位置为(x，y)处的像素值，f′i(x，y)是谱段号为i的待编码谱段的图像位置为(x，y)处的预测像素值。在基于DSC和基于预测的高光谱压缩方法时，利用预测谱段与待编码谱段之间的相关性，开始实施高光谱的压缩方案。

[0061] 实施例1

[0062] 应用本发明提供的方法，假设预测谱段为前一个相邻谱段，通过预测系数的估计，以Cuprite RadianceSc 1的谱段B10～B20为实施例数据，分别根据三种参数指标计算出的一阶预测系数值以及根据全像素点计算出的一阶预测系数值如表1所示：

[0063] 表1一阶预测系数值

[0064]

[0065] 如表1所示，经本发明方法计算得到的参数值(包括最大值、最小值和差值)与全像素点计算的参数值相差不超过0.08，并且不用对所有像素点进行拟合，计算复杂度大大减小，非常适用于高光谱图像的压缩环境。而且从实验结果看到，采用最小值作为参数指标时，得到的结果与全像素点一致，因而，我们建议在对未知高光谱图像作处理时采用最小值作为参数指标。

[0066] 实施例2

[0067] 假设预测谱段为前一个相邻谱段，预测模型为常数项为0的线性模型，以CupriteRadianceScl的谱段B10～B20为实施例数据，以峰值信噪比PSNR为衡量标准，计算出预测图像与原始图像的差异，以及与全像素点的预测模型的结果比较如表2所示。峰值信噪比所用到的具体计算公式如(10)：

[0068] PSNR＝10log10(216/MSE) (11)

[0069] 其中，

[0070]

[0071] i是待编码谱段的谱段号，j是参考谱段的谱段号，且j≠i，M、N分别是图像的行、列像素总数，fi(x，y)是第i个谱段图像位置为(x，y)处的像素值，fj(x，y)是第j个参考谱段图像位置为(x，y)处的像素值， 是第i个待编码谱段图像经第j个参考谱段得到的重构图像的位置为(x，y)处的像素值。

[0072] 表2PSNR值(常数项为0)

[0073]

[0074] 如表2所示，经本发明方法计算得到的参数值与全像素点计算的PSNR值相差细微，有的甚至大大优于全像素点的重构图像质量。比如在谱段B10-B13、B15和B 17-B20，最大值作为参数值的情况优于全像素点；在谱段B10-B12、B15和B17-B20，最小值作为参数值的情况优于全像素点；在谱段B14、B15和B17-B20，差值作为参数值的情况优于全像素点。实施例结果表明仅考虑一阶线性系数产生的影响，本发明方法提出的三种参数值均可接近或超过采用全像素点进行预测模型拟合的性能。并且三种参数值的方法各有优异，应根据不同的谱段特性以及计算机性能选用不同的参数。

[0075] 实施例3

[0076] 假设预测谱段为前一个相邻谱段，预测模型为一阶线性模型(常数项不为0)，以CupriteRadianceScl的谱段B10-B20为实施例数据，以峰值信噪比PSNR为衡量标准，计算出的预测图像与原始图像的差异，以及与全像素点的预测模型的结果比较如表3所示。预测模型的具体计算公式如(14)：

[0077]

[0078] 其中const为预测模型常数项。

[0079] 表3PSNR值

[0080]

[0081] 如表3所示，经本发明方法计算得到的参数值与全像素点计算的PSNR值相差细微，有的甚至大大优于全像素点的性能。比如在谱段B10-B12和B18，最大值作为参数值的情况优于全像素点；在谱段B18，最小值作为参数值的情况优于全像素点；在谱段B13、B15和B18-B20，差值作为参数值的情况优于全像素点。实施例结果表明采用一阶线性模型时，本发明方法提出的三种参数值均可接近或超过采用全像素点进行预测模型拟合的性能。并且三种参数值的方法各有优异，应根据不同的谱段特性以及计算机性能选用不同的参数。

[0082] 显然，本发明方法明显降低预测模型系数估计的计算复杂度，同时节约了存储空间，非常适用于高光谱图像的压缩环境。