留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

结合光谱解混与压缩感知的高光谱图像有损压缩

王忠良 冯文田 粘永健

王忠良, 冯文田, 粘永健. 结合光谱解混与压缩感知的高光谱图像有损压缩[J]. 红外与激光工程, 2018, 47(S1): 189-196. doi: 10.3788/IRLA201847.S126003
引用本文: 王忠良, 冯文田, 粘永健. 结合光谱解混与压缩感知的高光谱图像有损压缩[J]. 红外与激光工程, 2018, 47(S1): 189-196. doi: 10.3788/IRLA201847.S126003
Wang Zhongliang, Feng Wentian, Nian Yongjian. Compressive-sensing-based lossy compression for hyperspectral images using spectral unmixing[J]. Infrared and Laser Engineering, 2018, 47(S1): 189-196. doi: 10.3788/IRLA201847.S126003
Citation: Wang Zhongliang, Feng Wentian, Nian Yongjian. Compressive-sensing-based lossy compression for hyperspectral images using spectral unmixing[J]. Infrared and Laser Engineering, 2018, 47(S1): 189-196. doi: 10.3788/IRLA201847.S126003

结合光谱解混与压缩感知的高光谱图像有损压缩

doi: 10.3788/IRLA201847.S126003
基金项目: 

安徽高校自然科学研究重点项目(KJ2016A884);安徽省级质量工程项目(2016zy126);重庆市基础科学与前沿技术一般项目(cstc2016jcyjA0539)

详细信息
    作者简介:

    王忠良(1980-),男,副教授,博士,主要从事遥感图像处理方面的研究。

    通讯作者: 粘永健(1982-),男,副教授,博士,主要从事遥感图像处理方面的研究。Email:yjnian@126.com
  • 中图分类号: TP751

Compressive-sensing-based lossy compression for hyperspectral images using spectral unmixing

  • 摘要: 压缩传感技术可以利用远少于奈奎斯特采样定理所获得的采样数据进行信号的鲁棒性重建。因此,该技术在计算资源和存储空间均受限的高光谱图像压缩中具有很大的应用潜力。提出了一种基于压缩感知与光谱解混的高光谱图像压缩算法。在编码端,分别通过空间采样和光谱采样来实现图像采样点的压缩;然后,对采样数据的空间与谱间相关性进行了研究。为了提高压缩性能,采用谱线性预测去除采样后的谱间相关性,利用JPEG-LS对预测误差进行编码来生成最终的比特流。在解码端,首先解码比特流以获得采样数据;采用光谱解混技术对原始高光谱图像进行重构,克服了传统压缩感知重建的诸多不足。针对机载可见/红外成像光谱仪数据的实验结果表明,该算法比JPEG2000和DCT-JPEG2000具有更好的压缩性能,并具有较低的计算复杂度。
  • [1] Penna B, Tillo T, Magli E, et al. Transform coding techniques for lossy hyperspectral data compression[J]. IEEE Transactions on Geoscience and Remote Sensing, 2007, 45(5):1408-1421.
    [2] Blanes I, Serra-Sagrista J. Pairwise orthogonal transform for spectral image coding[J]. IEEE Transactions on Geoscience and Remote Sensing, 2011, 49(3):961-972.
    [3] Nian Y J, Liu Y, Ye Z. Pairwise KLT-based compression for multispectral images[J]. Sensing and Imaging, 2016, 17(1):1-15.
    [4] Donoho D L. Compressed sensing[J]. IEEE Transactions on Information Theory, 2006, 52(4):1289-1306.
    [5] Fowler J E. Compressive-projection principal component analysis[J]. IEEE Transactions on Image Processing, 2009, 18(10):2230-2242.
    [6] Jia Y B, Feng Y, Wang Z L. Reconstructing hyperspectral images from compressive sensors via exploiting multiple priors[J]. Spectroscopy Letters, 2015, 48(1):22-26.
    [7] Chen C, Li W, Tramel E W, et al. Reconstruction of hyperspectral imagery from random projections using multihypothesis prediction[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(1):365-374.
    [8] Li C B, Sun T, Kelly K F, et al. A compressive sensing and unmixing scheme for hyperspectral data processing[J]. IEEE Transactions on Image Processing, 2012, 21(3):1200-1210.
    [9] Zhang L, Wei W, Zhang Y, et al. Locally similar sparsity-based hyperspectral compressive sensing using unmixing[J]. IEEE Transactions on Computational Imaging, 2016, 2(2):86-100.
    [10] Zhang L, Wei W, Tian C N. Exploring structured sparsity by a reweighted laplace prior for hyperspectral compressive sensing[J]. IEEE Transactions on Image Processing, 2016, 25(10):4974-4988.
    [11] Wang Z L, Feng Y, Jia Y B. Spatio-spectral hybrid compressive sensing of hyperspectral imagery[J]. Remote Sensing Letters, 2015, 6(3):199-208.
    [12] Huo C F, Zhang R, Yin D. Compression technique for compressed sensing hyperspectral images[J]. International Journal of Remote Sensing, 2012, 33(5):1586-1604.
    [13] Dias J M B, Nascimento J M P. Hyperspectral subspace identification[J]. IEEE Transactions on Geoscience and Remote Sensing, 2008, 46(8):2435-2445.
    [14] Nascimento J M P, Dias J M B. Vertex component analysis:a fast algorithm to unmix hyperspectral data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2005, 43(4):898-910.
  • [1] 徐亦静, 吴志鹏, 王琦龙.  光谱域编码的压缩光谱测量技术 . 红外与激光工程, 2022, 51(11): 20220093-1-20220093-17. doi: 10.3788/IRLA20220093
    [2] 黄见, 时东锋, 孟文文, 查林彬, 孙宇松, 苑克娥, 胡顺星, 王英俭.  光谱编码计算关联成像技术研究 . 红外与激光工程, 2021, 50(1): 20200120-1-20200120-8. doi: 10.3788/IRLA20200120
    [3] 柏连发, 王旭, 韩静, 赵壮.  新型光谱测量技术发展综述 . 红外与激光工程, 2019, 48(6): 603001-0603001(11). doi: 10.3788/IRLA201948.0603001
    [4] 刘永峰, 王年, 王峰, 李从利, 刘晓, 徐国明.  基于谱间相似性的高光谱图像稀疏超分辨率算法 . 红外与激光工程, 2019, 48(S1): 181-192. doi: 10.3788/IRLA201948.S128003
    [5] 甘士忠, 肖志涛, 陈雷, 南瑞杰.  基于高阶非线性模型的多目标高光谱图像解混算法 . 红外与激光工程, 2019, 48(10): 1026002-1026002(7). doi: 10.3788/IRLA201948.1026002
    [6] 汤毅, 粘永健, 何密, 王倩楠, 许可.  L1/2正则化的逐次高光谱图像光谱解混 . 红外与激光工程, 2019, 48(7): 726003-0726003(9). doi: 10.3788/IRLA201948.0726003
    [7] 徐夏, 张宁, 史振威, 谢少彪, 齐乃明.  高光谱图像Pareto优化稀疏解混 . 红外与激光工程, 2018, 47(2): 226002-0226002(5). doi: 10.3788/IRLA201847.0226002
    [8] 潘斌, 张宁, 史振威, 谢少彪.  基于高光谱图像解混的海洋绿藻检测算法 . 红外与激光工程, 2018, 47(8): 823001-0823001(5). doi: 10.3788/IRLA201847.0823001
    [9] 张爱武, 杜楠, 康孝岩, 郭超凡.  非线性变换和信息相邻相关的高光谱自适应波段选择 . 红外与激光工程, 2017, 46(5): 538001-0538001(9). doi: 10.3788/IRLA201746.0538001
    [10] 陈雷, 甘士忠, 孙茜.  基于回溯优化的非线性高光谱图像解混 . 红外与激光工程, 2017, 46(6): 638001-0638001(8). doi: 10.3788/IRLA201746.0638001
    [11] 韦道知, 黄树彩, 赵岩, 庞策.  非负谱稀疏表示的高光谱成像中的异常检测 . 红外与激光工程, 2016, 45(S2): 120-125. doi: 10.3788/IRLA201645.S223001
    [12] 吴静珠, 刘倩, 陈岩, 刘翠玲.  高光谱技术检测单籽粒小麦粗蛋白含量探索 . 红外与激光工程, 2016, 45(S1): 127-131. doi: 10.3788/IRLA201645.S123002
    [13] 陈善静, 康青, 顾忠征, 王正刚, 沈志强, 蒲欢, 辛颖.  基于三维GMRF的高光谱图像空天融合目标检测 . 红外与激光工程, 2016, 45(S2): 132-139. doi: 10.3788/IRLA201645.S223003
    [14] 徐融, 赵飞.  典型GEO卫星部件光谱散射特性反演方法 . 红外与激光工程, 2016, 45(S1): 121-126. doi: 10.3788/IRLA201645.S123001
    [15] 杨新锋, 胡旭诺, 粘永健.  基于分类的高光谱图像压缩算法 . 红外与激光工程, 2016, 45(2): 228003-0228003(4). doi: 10.3788/IRLA201645.0228003
    [16] 刘畅, 李军伟.  基于扩展数学形态学的高光谱亚像元目标检测 . 红外与激光工程, 2015, 44(10): 3141-3147.
    [17] 普晗晔, 王斌, 张立明.  基于流形学习的新高光谱图像降维算法 . 红外与激光工程, 2014, 43(1): 232-237.
    [18] 魏一苇, 黄世奇, 王艺婷, 卢云龙, 刘代志.  基于体积和稀疏约束的高光谱混合像元分解算法 . 红外与激光工程, 2014, 43(4): 1247-1254.
    [19] 尹继豪, 孙建颖.  基于压缩感知理论的波段重构方法 . 红外与激光工程, 2014, 43(4): 1260-1264.
    [20] 丁玲, 唐娉, 李宏益.  基于流形学习的混合光谱解混分析 . 红外与激光工程, 2013, 42(9): 2421-2425.
  • 加载中
计量
  • 文章访问数:  535
  • HTML全文浏览量:  91
  • PDF下载量:  43
  • 被引次数: 0
出版历程
  • 收稿日期:  2018-03-23
  • 修回日期:  2018-05-19
  • 刊出日期:  2018-06-25

结合光谱解混与压缩感知的高光谱图像有损压缩

doi: 10.3788/IRLA201847.S126003
    作者简介:

    王忠良(1980-),男,副教授,博士,主要从事遥感图像处理方面的研究。

    通讯作者: 粘永健(1982-),男,副教授,博士,主要从事遥感图像处理方面的研究。Email:yjnian@126.com
基金项目:

安徽高校自然科学研究重点项目(KJ2016A884);安徽省级质量工程项目(2016zy126);重庆市基础科学与前沿技术一般项目(cstc2016jcyjA0539)

  • 中图分类号: TP751

摘要: 压缩传感技术可以利用远少于奈奎斯特采样定理所获得的采样数据进行信号的鲁棒性重建。因此,该技术在计算资源和存储空间均受限的高光谱图像压缩中具有很大的应用潜力。提出了一种基于压缩感知与光谱解混的高光谱图像压缩算法。在编码端,分别通过空间采样和光谱采样来实现图像采样点的压缩;然后,对采样数据的空间与谱间相关性进行了研究。为了提高压缩性能,采用谱线性预测去除采样后的谱间相关性,利用JPEG-LS对预测误差进行编码来生成最终的比特流。在解码端,首先解码比特流以获得采样数据;采用光谱解混技术对原始高光谱图像进行重构,克服了传统压缩感知重建的诸多不足。针对机载可见/红外成像光谱仪数据的实验结果表明,该算法比JPEG2000和DCT-JPEG2000具有更好的压缩性能,并具有较低的计算复杂度。

English Abstract

参考文献 (14)

目录

    /

    返回文章
    返回