12基于误差补偿预测树的多光谱遥感图像无损压缩方法

基于预测和JPEG2000的MODIS红外辐射多光谱图像无损压缩算法

２．中国科学院大学，北京１０００４９）
摘要：为了能够有效地对ＭＯＤＩＳ（ＭｏｄｅｒａｔｅＲｅｓｏｌｕｔｉｏｎＩｍａｇｉｎｇＳｐｅｃｔｒａｌＲａｄｉｏｍｅｔｅｒ）红外辐射多光谱图像进行压缩，提出了一种基于预测和ＪＰＥＧ２０００的无损压缩算法。首先计算ＭＯＤＩＳ数据的谱间Ｐｅａｒｓｏｎ相关
第２８卷
第６期
液晶与显
刁
ＶｏＩ．２８，ＮＯ．６
Ｄｅｃ．，２Ｏ１３
２０１３年１２月
ＣｈｉｎｅｓｅＪｏｕｒｎａ１ｏｆＬｉｑｕｉｄＣｒｙｓｔａｌｓａｎｄＤｉｓｐｌａｙｓ
ＬｏｓｓｌｅｓｓＣｏｍｐｒｅｓｓｉｏｎＭｅｔｈｏｄＢａｓｅｄｏｎＰｒｅｄｉｃｔｉｏｎａｎｄ
ＪＰＥＧ２０００ｆｏｒＭＯＤＩＳＥｍｉｓｓｉｖｅＩＲＢａｎｄｓＭｕｌｔｉｓｐｅｃｔｒａｌＩｍａｇｅ
ＹＩＮＹａ — ｎａｎ～，ＷＡＮＧＸｉａｏ — ｄｏｎｇｈ，ＬＩＢｉｎｇ — ｙｕ
（１．ＣｈａｎｇｃｈｕｎＩｎｓｔｉｔｕｔｅｏｆＯｐｔｉｃａｌ，ＦｉｎｅＭｅｃｈａｎｉｃｓａｎｄＰｈｙｓｉｃｓ，

基于HRIS光谱图像帧序列相关性的D2PCM无损压缩方法

基于HRIS光谱图像帧序列相关性的D2PCM无损压缩方法王学良【期刊名称】《遥感学报》【年(卷),期】2001(005)002【摘要】分析了HRIS光谱图像帧序列的相关性，并针对这一特性，提出了利用D2PCM方法，降低光谱图像序列的谱相关和空间相关，减少图像中的冗余，从而实现光谱图像的压缩。

该方法提高了压缩比和压缩效率，算法运算量小，快速。

%The correlation of HRIS spectral image sequence was analyzed in this paper. A lossless compression algorithm based on D2PCM coder, which reduced the spectral and spatial correlation, has been developed. The proposed method depressed the image redundancy sufficiently, and increased compression ratio and efficiency. The results of experiments prove it practicable and fast.【总页数】3页(P119-121)【作者】王学良【作者单位】中国科学院长春光学精密机械研究所,【正文语种】中文【中图分类】TP751．1【相关文献】1.一种基于网格编码量化的高光谱图像无损压缩方法 [J], 王晋;张晓玲;沈兰荪;柴焱2.一种基于混合整型变换和3D-SPIHT的高光谱图像嵌入式无损压缩方法 [J], 柴焱;计文平;沈兰荪3.基于改进预测树的超光谱遥感图像无损压缩方法 [J], 夏豪;张荣4.基于预测与JPEG2000的高光谱图像无损压缩方法 [J], 刘仰川;巴音贺希格;崔继承;唐玉国5.一种基于自适应预测的高光谱图像近无损压缩方法 [J], 王晋;张晓玲;柴焱;沈兰荪因版权原因，仅展示原文概要，查看原文内容请购买。

基于双向预测的高光谱图像无损压缩

基于双向预测的高光谱图像无损压缩
常进;陶午沙;粘永健;滕书华
【期刊名称】《电光与控制》
【年(卷),期】2010(017)010
【摘要】提出了一种基于双向预测的高光谱图像无损压缩算法.该算法首先采用自适应波段选择算法选出信息量较大的波段,然后利用聚类算法对这些波段的谱向矢量进行分类预处理.为了便于组织谱间预测过程,根据相邻波段相关性大小进行自适应波段分组,采用双向预测的方法去除谱间相关性.通过在参考波段和预测波段中定义三维上下文预测结构,在聚类结果的基础上,对各个像素分别训练最优的预测系数,从而实现当前波段的有效预测.对AVIRIS型高光谱图像的实验结果表明,该方法可获得较好的无损压缩性能.
【总页数】4页(P65-67,89)
【作者】常进;陶午沙;粘永健;滕书华
【作者单位】南阳理工学院,河南,南阳,473004;总装备部武器装备论证中心,北京,100101;国防科学技术大学电子科学与工程学院,长沙,410073;国防科学技术大学电子科学与工程学院,长沙,410073
【正文语种】中文
【中图分类】V271.4%TP751.1
【相关文献】
1.基于多波段预测的高光谱图像分布式无损压缩 [J], 粘永健;辛勤;汤毅;万建伟
2.最佳递归双向预测的高光谱图像无损压缩 [J], 孙蕾;谷德峰;罗建书
3.基于预测与JPEG2000的高光谱图像无损压缩方法 [J], 刘仰川;巴音贺希格;崔继承;唐玉国
4.基于分类非线性预测的高光谱图像无损压缩 [J], 粘永健;辛勤;万建伟
5.基于混合预测高光谱图像无损压缩 [J], 李媛媛;景文博;刘学;王晓曼;张瑜
因版权原因，仅展示原文概要，查看原文内容请购买。

基于V型扫描的星载多光谱图像无损压缩算法

基于V型扫描的星载多光谱图像无损压缩算法邓村;范赐恩;邓德祥【摘要】为了实现星载多光谱图像的无损压缩,深入研究了空间数据系统咨询委员会(CCSDS)建议的123.0-B-1标准;并结合CCD多光谱遥感成像特点,提出了利用V型扫描对预测方式进行改进;最后在VC6.0平台下实现了该算法.实验结果表明,该算法的平均压缩率比Z型扫描方式的CCSDS 123.0-B-1、CCSDS 121.0-B-1、CCSDS 122.0-B-1、JPEG-LS标准算法的平均压缩率分别高6.7％、68.9％、21.8％和12.9％.该算法复杂度低,适合运用于星上系统.【期刊名称】《科学技术与工程》【年(卷),期】2014(014)017【总页数】4页(P109-112)【关键词】多光谱;无损压缩;CCSDS 123.0-B-1;CCD遥感成像;V型扫描【作者】邓村;范赐恩;邓德祥【作者单位】武汉大学电子信息学院,武汉430072;武汉大学电子信息学院,武汉430072;武汉大学电子信息学院,武汉430072【正文语种】中文【中图分类】TP751.1多光谱遥感成像将二维成像遥感技术与光谱探测技术结合，实现了谱像一体化，为人们观测地物、认知世界提供了一种犀利的手段。

多光谱图像除了具有普通图像所拥有的空间冗余、统计冗余外，还增加了谱间冗余，数据量非常大，这给数据的存储和传输带来了巨大的压力，因此对多光谱图像数据进行压缩十分必要。

为了保留珍贵的遥感图像信息，系统一般采用无损压缩[1—3]方法。

同时由于星载遥感图像压缩条件的特殊性，对核心压缩算法的选择更倾向于成熟性、可靠性。

1997年，CCSDS推出了无损压缩标准CCSDS 121.0-B-1[4]，该标准采用一维预测器和Rice熵编码器，压缩性能不甚理想。

随后又在2005年推出了星载图像压缩标准 CCSDS 122.0-B-1[5]，该标准利用离散小波变换和位平面编码方法对图像进行压缩，兼顾了压缩性能和压缩速度。

基于多波段谱间预测的高光谱图像无损压缩算法

ＨｙｒｐｅｔａｍａｅＬｏｓｅｓＣｏｐｅｓｏｇｒｔｍ．ｓｄｏｐｅｓｃｒｌＩｇｓｌｓｍｒｓｉｎＡｌｏｉｈＢａｅｎＭｕｔ－ｎｅｃｉｎｌｉｂａｄＰｒｄｉｔｏ
ＳｎＬｉｕｅＬｏＪａ —ｈｕｉｎｓｕ
较高的方法，但是它们均适用于二维图像编码。由于它们没
有利用到高光谱图像谱间强烈的相关性，并不适用于三维图
研究的是遥感图像的无损压缩。目前，对高光谱遥感图像的
ｐｐｒａｅ，Ｃｏｓｄｒｎｈｔａｈｐｃｒｅｏｕｉｎｏｙｅｓｃｒｍａｅｎｒａｅ，ｉｓｓｅｔａｃｒｅａｉｎｎｉｅｉｇｔａｓｔｅｓｅｔａｒｓｌｔｏｆｈｐｒｐｅｔａｉｇｓｉｃｅｓｔｐｃｒｌｌｓｌｏｒｌｔｏ
究，Ｍｅｎｍｏ提出预测树的概念，对原始图像用相邻像素预测，得到差分图，由差分图生成的树称为预测树。其主要缺点是需要附加传输差分树的信息。如果波段相隔远了，预测效果就会变差；如果对相隔较远的波段重新计算差分树，又将增加差分树的传输信息。因而基于预测树的压缩方法的压缩比受到一定的制约。ＪＥＰＧ，ＬＣＯＩＪＯ．Ｉ是无损压缩中效率４
维普资讯
第２９卷第１２期
２００７年１２月
学
报
Ｖｂ．９．２１Ｎｏ１２
Ｊｕｎｌｏｅｔｏｉｓ＆ＩｆｒｔｏｃｎｌｇｏｒａｆＥｌｃｒｎｃｎｏｍａｉｎＴｅｈｏｏｙ

基于DPCM预测编码的无损压缩算法

基于DPCM预测编码的无损压缩算法1数据无损压缩技术特征遥感图像的存储格式为BIL（波段按行交叉）格式，按BIL格式存储的图像先存储第一个波段的第一行，接着是第二个波段的第一行，然后是第三个波段的第一行，交叉存取直到波段总数为止。

每个波段随后的行按照类似的方式交叉存取。

遥感图像的数据是以16位的整形数存储的，因为其低四位是无用信息，所以可以舍去低四位只取高12位，再进行后续操作。

2无损压缩算法——编码器无损压缩算法一般包括图像压缩预处理和压缩熵编码两个步骤。

2.1图像压缩预处理预处理就是在空间域尽可能对图像去相关，以提高压缩比，同时将图像数据变换映射成适于熵编码的数据源。

去相关的方法主要根据差分脉冲编码调制（DPCM）原理进行预测编码。

DPCM预测编码器输出的是当前的实际值与信号预测值之间的差值。

DPCM预测编码器系统的工作原理如图一所示。

图一：编码器图中Xt为输入信号在t时刻的取样值，预测器可以使用Xt的邻近像素值的函数。

DPCM预测编码的关键在于预测式的选择，只有设计针对大量图像数据普适性强的预测式，才能更好的进行去相关。

2.1.1JPEG无失真自适应预测器JPEG 无失真自适应预测器结合三邻域的像素值（A、B和C）来生成用X表示的像素的预测值Xi’（i=0,1,2,3,4,5,6）。

如图二所示。

图二：X为当前像素值，A、B、C为相对位置的像素值七个预测值分别为：1）X0’=A；2）X1’=B；3）X2’=C; 4）X3’=A+B-C;5）X4’=A+(B-C)/2; 6）X5’=B+(A-C)/2; 7）X6’=(A+B)/2。

所谓自适应,可以不固定预测系数，也可以不固定预测器，在多个预测器中自适应选择相对最优的一个，随图像的局部特性而有所变化。

在实际操作过程中，后者应用得较多。

这里利用JPEG预测来设计的自适应最佳预测式为：￡（x）=min(|X- X0’|,|X- X1’|,|X- X2’|,|X- X3’|,|X- X4’|,|X- X5’|,|X- X6’|) （1）但是这样每个像素就需要附加最佳预测信息，如上式，最佳预测信息需要用3bit表示。

高光谱图像无损预测压缩技术

2023-11-11CATALOGUE目录•高光谱图像概述•无损压缩技术概述•高光谱图像无损预测压缩技术•高光谱图像无损预测压缩技术应用•高光谱图像无损预测压缩技术展望•相关技术介绍01高光谱图像概述高光谱图像是一种包含大量连续光谱带的图像，每个像素包含一条完整的光谱曲线。

高光谱图像通常在遥感领域应用广泛，用于获取地物的光谱信息，从而进行地物分类、识别和监测等任务。

高光谱图像定义高光谱图像在空间维度上具有高分辨率，能够清晰地表达地物的空间细节。

高分辨率光谱维度高数据量大相较于传统图像，高光谱图像增加了光谱维度，使得图像中的每个像素都包含一条完整的光谱曲线。

由于高光谱图像具有高分辨率和高的光谱维度，导致其数据量较大，处理和存储难度较高。

03高光谱图像特点0201高光谱图像应用领域高光谱图像能够获取地物的光谱信息，通过分析光谱信息可以对地物进行分类和识别。

地物分类环境监测农业应用地质勘探高光谱图像可以监测环境中的污染源、污染物浓度等环境状况。

高光谱图像可用于农作物生长状况监测、病虫害预警等农业应用中。

高光谱图像可用于地质勘探、矿产资源调查等地质领域的应用中。

02无损压缩技术概述•无损压缩技术是一种通过特定的算法对数据进行编码和解码的程序，在压缩和解压缩过程中，源数据不会丢失任何信息。

这种技术主要用于图片、音频和视频等多媒体数据的压缩，可以在保证数据质量的前提下，实现较高的压缩比。

无损压缩技术定义1. 哈夫曼编码（Huffma…基于统计的方法进行编码，对出现频率高的数据用较短的编码代替，反之则用较长的编码代替。

将连续的相同数据用较短的编码代替，适用于具有连续重复数据的文件。

将数据表示为一个实数范围内的概率分布函数，根据数据特征进行编码。

将数据与字典中的元素进行匹配，用较短的编码代替字典中的元素。

无损压缩技术分类2. 游程编码（Run-Len…3. 算术编码（Arithme…4. 字典编码（Diction…1. 优点无损压缩可以保留源数据的完整性，解压缩后可以得到与源数据完全相同的数据。

基于预测和JPEG2000的MODIS红外辐射多光谱图像无损压缩算法

基于预测和JPEG2000的MODIS红外辐射多光谱图像无损压缩算法殷亚男;王晓东;李丙玉【摘要】为了能够有效地对MODIS(Moderate Resolution Imaging Spectral Radiometer)红外辐射多光谱图像进行压缩,提出了一种基于预测和JPEG2000的无损压缩算法.首先计算MODIS数据的谱间Pearson相关系数,根据得到的相关系数构造出相关系数图.根据谱间相关系数的大小设定阈值以确定图像是直接压缩还是预测后再压缩.根据得到的阈值及对预测起始波段的要求修改相关系数图.然后使用Prim算法计算修改后相关系数图的最小生成树,据此对各波段进行一阶线性预测.最后使用JPEG2000算法对残差图像和不预测图像进行压缩.对MODIS红外辐射多光谱图像进行了实验,并与线性序列的算法进行比较.结果显示,提出的算法压缩比相对线性预测序列有了显著提高,说明该算法对MODIS红外辐射多光谱图像是有效的.【期刊名称】《液晶与显示》【年(卷),期】2013(028)006【总页数】5页(P922-926)【关键词】MODIS数据;最小生成树;一阶线性预测;JPEG2000;无损压缩【作者】殷亚男;王晓东;李丙玉【作者单位】中国科学院长春光学精密机械与物理研究所,吉林长春130033;中国科学院大学,北京 100049;中国科学院长春光学精密机械与物理研究所,吉林长春130033;中国科学院长春光学精密机械与物理研究所,吉林长春130033【正文语种】中文【中图分类】TN919.811 引言多光谱成像对地球遥感和地理信息系统等领域具有重要作用。

随着技术的发展，多光谱图像谱间和空间分辨能力快速提高。

大量的多光谱图像数据给传输和存储带来了不小的困难，因此对多光谱图像数据进行有效的压缩变得越来越迫切。

获取多光谱图像通常需要昂贵的代价，而且图像还要用来进一步分析处理研究，所以我们使用无损压缩技术对图像进行压缩，以确保在压缩的过程中不丢失任何的有用信息。