CN103646409A - 多元向量量化的高光谱图像压缩编码方法 - Google Patents

Abstract

本发明涉及的是一种高光谱图像压缩编码方法，具体地说是一种多元向量量化的高光谱图像压缩编码方法。多元向量量化的高光谱图像压缩编码方法，包括读入高光谱图像数据；构建压缩字典：根据2种多元向量量化模型和字典原子选择策略，利用多元回归计算每一像元压缩时所使用的字典原子及其系数压缩和编码。本发明重新构建向量量化模型，提出2种多元向量量化模型，省略的误差信息要比传统的向量量化方法中的误差信息量少，而且在新提出的多元向量量化模型中，选取出的字典原子的系数也没有限定，其值为根据光谱本身和字典构成计算得出，从而保证了重建图像的质量，减小压缩编码所造成的图像失真。

Description

多元向量量化的高光谱图像压缩编码方法

技术领域

本发明涉及的是一种高光谱图像压缩编码方法，具体地说是一种多元向量量化的高光谱图像压缩编码方法。 

背景技术

高光谱图像压缩编码技术作为高光谱图像处理的重要研究方向，长期以来受到各国专家学者以及工程技术人员的广泛关注，并已经在农业，矿物勘探，军事国防等领域得到了广泛的应用。高光谱图像通过利用成像和光谱技术能够提供大量的地物细节信息。它能够反映地物在成百上千的电磁光谱波段上的特征。但是伴随着高光谱技术的不断发展，人们对高光谱图像的要求也逐渐增高，这就造成了空间、光谱分辨率，光谱波段数的不断扩大；从而使高光谱数据立方体的体积不断变大，因而在存储和传输高光谱图像数据会产生困难。为此，高光谱图像压缩编码是解决这一问题的唯一选择。目前主要的高光谱图像压缩方法主要可以分为三类：预测模型方法、向量量化方法和变换技术。在预测模型方法中，通过考虑光谱数据的空间相关性和谱间相关性，建立一个数学模型，通过一部分图像数据来预测并编码整幅图像数据。但是这种方法的性能在很大程度上取决于所选取的数学模型。在变换技术中，通常有两个步骤：首先，将图像数据变换到新的域，获得一系列的系数，然后在对系数进行编码。较为常用和典型的变换方法有离散余弦变换（DCT）、离散小波变换（DWT）和K-L变换（KLT）。虽然KLT是效果最优秀的变换方法，但是其计算代价较高。而在向量量化方法中，会根据图像数据建立一个编码表和每一个像元所对应的标号，然后进行存储和传输。这种方法过程简单，通常能够获得一个较高的压缩比特率，但是随着技术的不断进步，用户对减小图像失真的要求越来越严格。而传统的向量量化方法中，由于直接将误差省略，使压缩会造成无法恢复的图像质量的退化，这就对后续的图像处理造成很大的影响。 

发明内容

本发明的目的在于提供一种能够减小图像失真，防止图像质量过度退化的高光谱图像压缩编码方案——一种多元向量量化的高光谱图像压缩编码方法。 

多元向量量化的高光谱图像压缩编码方法，包括下列步骤： 

（1）读入高光谱图像数据

图像大小为m×n，每个像素有B个波段特征，x_i,j为样本数据集合X中的样本，i,j为位置坐标，R^B代表B维特征空间； 

（2）构建压缩字典： 

a.根据图像本身的特征，设定需要计算的类别数范围。类别数范围设定为类别数的1-3倍； 

b.遍历设定的类别数范围内的每一个类别数，利用FCM算法聚类，计算在不同类别数下的代价，代价函数为： 

$J_N=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{C}{\mathrm{\Σ}}}{u}_{\mathrm{ij}}^m{\left|\right|x_i-c_j\left|\right|}^2,$

其中，m为一个大于1的恒值参数，

是像元光谱x_i属于类别j的可能度量，x_i是第i个d维的高光谱图像像元，c_j是表示类别j的聚类中心的d维向量，在确定的聚类类别数N时，其整体代价为 

c=N^θ*J_N

c.根据在不同类别数下的代价，选择代价最小的类别数作为最佳的聚类类别数，并提取在此类别时的类别中心向量，构成字典；同时记录字典中每个原子在监督数据中所对应的地物种类； 

（3）根据2种多元向量量化模型和字典原子选择策略，利用多元回归计算每一像元压缩时所使用的字典原子及其系数；其中第一种多元向量量化模型将像元光谱表示为2个字典原子以及误差信息的线性组合： 

Y=α₁X_i1+α₂X_i2+∈₁

其中，X_i1和X_i2表示从步骤2中确定的字典中选取的2个字典原子，其对应的权值系数为α₁和α₂，同时向量∈₁表示误差信息，在有损的压缩编码过程中被直接省略，第二种多元向量量化模型为 

Y=βX_i1+(1-β)X_i2+∈₂

限制条件为α₁+α₂=1； 

（4）压缩和编码：在计算完所有像元的原子编号和系数后，分别对压缩字典、每个像元使用的字典原子编号以及其系数进行压缩和编码，并将各部分压缩编码后的比特流串联，得到最后的压缩数据。 

字典原子选择策略为： 

a.根据监督数据，确定当前像元所属的类别； 

b.在压缩字典中找出属于此类的字典原子； 

c.将找出的字典原子与原始的像元光谱向量比较，选取其欧式距离最小的字典原子做为其多元向量量化模型中的第一个原子； 

d.在确定一个原子的情况下，考虑所有可能的字典原子组合，共N-1种可能的组合，分 别使用多元回归计算其系数以及误差向量； 

e.选取误差最小的组合中的2个原子为最终压缩编码所使用的2个原子；同时记录下这2个原子的编号，以及其所对应的系数。 

本发明方法的优点在于： 

在传统的基于向量量化的压缩方法中，根据一定的规则制定压缩的编码字典，然后将高光谱图像中包含的所有像元光谱数据都表示为字典原子的编号和误差信息。由于字典原子已经包含了大部分的图像信息，为了简化压缩过程和减小二进制流的长度，误差信息在有损压缩中一般直接省略；而且仅仅选择一个字典原子来表示像元光谱，这一原子的全职恒定为1，这就限制了向量量化的精确度。然而在解压重构图像后，由于所有的光谱信息只有其编号所代表的原子信息，缺少细节变化的误差信息，这就无法避免的造成了图像的失真。为保证图像的质量，本发明重新构建向量量化模型，提出2种多元向量量化模型，虽然在压缩和编码过程中仍将误差信息直接省略，但是这里省略的误差信息要比比传统的向量量化方法中的误差信息量少很多，而且在新提出的多元向量量化模型中，选取出的字典原子的系数也没有限定，其值为根据光谱本身和字典构成计算得出，从而保证了重建图像的质量，减小压缩编码所造成的图像失真。 

附图说明

图1(a)模拟高光谱图像数据的第50波段图像； 

图1(b)模拟高光谱图像数据的真实地物类别分布； 

图1(c)像元对应的最佳字典原子示意图； 

图2(a)Salinas高光谱图像数据的第50波段图像； 

图2(b)Salinas高光谱图像数据的监督信息； 

图2(c)Pavia University高光谱图像数据的第50波段图像； 

图2(d)Pavia University高光谱图像数据的监督信息； 

图2(e)Indian Pines高光谱图像数据的第50波段图像； 

图2(f)Indian Pines高光谱图像数据的监督信息； 

图3(a)使用传统向量量化方法压缩Salinas的图像失真； 

图3(b)使用扩展字典的传统向量量化方法压缩Salinas的图像失真； 

图3(c)对Salinas图像使用第一种多元向量量化模型的图像失真； 

图3(d)对Salinas图像使用第二种多元向量量化模型的图像失真； 

图4(a)Salinas数据的图像失真直方图； 

图4(b)Pavia University数据的图像失真直方图； 

图4(c)Indian Pines数据的图像失真直方图。 

具体实施方式

下面结合附图对本发明做进一步描述。 

多重向量量化的高光谱图像压缩编码方法，包括下列步骤： 

步骤1：利用FCM算法构造量化字典； 

步骤2：根据2种多元向量量化模型和3种字典原子选择策略，利用多元回归计算每一像元压缩时所使用的字典原子及其系数； 

步骤3：分别对字典、字典原子编号及系数的压缩和编码。 

所述步骤1是过程包括下列步骤： 

(1)设定聚类类别数的可能范围； 

(2)在确定聚类类别数后，对高光谱图像像元光谱聚类，并计算其代价 

(3)根据代价大小，选取最适合的聚类类别数，提取在此类别时的类别中心向量，构成字典。 

所述步骤2包括下列步骤： 

(1)使用步骤1中构造的字典； 

(2)根据需要选择使用的多元向量量化模型和字典原子选择策略； 

(3)利用多元回归计算每一像元的最佳字典原子及其对应的系数； 

所述步骤3包括下列步骤： 

(1)压缩步骤1中构造的字典 

(2)提取步骤2中计算得到的图像中每一像元的字典原子编号及其系数，并分别压缩和编码； 

(3)将各个部分得到的比特率串联，得到最终的压缩数据比流。 

本发明的具体实现步骤为： 

1.读入高光谱图像数据 

这一图像大小为m×n，每个像素有B个波段特征，x_i,j样本数据集合X中的样本，i,j为位置坐标，R^B代表B维特征空间； 

2.构建压缩字典，这里采用一种基于模糊C均值聚类（Fuzzy C-Means,FCM）的字典构建方法。在高光谱的图像空间中，存在一定数量类别的地物，归属于同一种地物类别的像元的光谱在一定程度上具有高度的相关性，因而较适合采用聚类算法来构建压缩字典。 

a.根据图像本身的特征，设定需要计算的类别数范围。在监督信息已知的条件下，图像中所包换的地物种类数目是已知的，将此图像需要计算的类别数范围设定为类别数的1倍到2-3倍左右； 

b.遍历设定的类别数范围内的每一个类别数，利用FCM算法聚类，计算在不同类别数下的代价；代价函数为 

$J_N=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{C}{\mathrm{\Σ}}}{u}_{\mathrm{ij}}^m{\left|\right|x_i-c_j\left|\right|}^2$

其中，m为一个大于1的恒值参数， 

是像元光谱x_i属于类别j的可能度量，x_i是第i个d维的高光谱图像像元，c_j是表示类别j的聚类中心的d维向量。在确定的聚类类别数N时，其整体代价为 

C=N^θ*J_N

c.根据在不同类别数下的代价，选择代价最小的类别数作为最佳的聚类类别数，并提取在此类别时的类别中心向量，构成字典；同时记录字典中每个原子在监督数据中所对应的地物种类。 

3.根据2种多元向量量化模型和字典原子选择策略，利用多元回归计算每一像元压缩时所使用的字典原子及其系数；其中第一种多元向量量化模型将像元光谱表示为2个字典原子以及误差信息的线性组合，其公式如下： 

Y=α₁X_i1+α₂X_i2+∈₁

其中，X_i1和X_i2表示从步骤2中确定的字典中选取的2个字典原子，其对应的权值系数为α₁和α₂，同时向量∈₁表示误差信息，在有损的压缩编码过程中被直接省略。在这一多元向量量化模型中，需要压缩和编码的信息有2个原子的编号和其对应的系数，以及压缩字典。为了得到更好的压缩结果，减小压缩后二进制流的长度，第二种多元向量量化模型将在第一种模型的基础上增加了一个限制条件，即 

α₁+α₂=1 

因此第二种多元向量量化模型为 

Y=βX_i1+(1-β)X_i2+∈₂

其中，向量∈₂仍然表示误差信息，并且在有损的压缩编码过程中被直接省略。这样第二种多元向量量化模型中需要压缩的就只有2个原子的编号和其对应的一个系数。在实际操作中，根据对压缩结果二进制流的要求，来确定使用哪种模型。 

同时，由于本压缩编码方法中从压缩字典中选取2个原子来表示原始的光谱向量，在上面提出的2种多元向量量化模型中，都需要确定使用字典中的哪2个原子以及其所对应的系数，而不同的原子选择策略也对压缩结果有影响。本方法提出的字典原子选择策略利用图像的监督信息，可以很快速的找到最适合的2个原子，其具体方法如下。 

a.根据监督数据，确定当前像元所属的类别； 

b.在压缩字典中找出属于此类的字典原子； 

c.将找出的字典原子与原始的像元光谱向量比较，选取其欧式距离最小的字典原子做为其多元向量量化模型中的第一个原子； 

d.在确定一个原子的情况下，考虑所有可能的字典原子组合，共N-1种可能的组合，分别使用多元回归计算其系数以及误差向量； 

e.选取误差最小的组合中的2个原子为最终压缩编码所使用的2个原子；同时记录下这2个原子的编号，以及其所对应的系数。 

4.压缩和编码；在计算完所有像元的原子编号和系数后，分别对压缩字典、每个像元使用的字典原子编号以及其系数进行压缩和编码，并将各个部分压缩编码后的比特流串联，得到最后的压缩数据。为方便使用，这里采用WinRAR对数据进行压缩。 

为验证本专利提出的算法的性能，使用一幅模拟高光谱图像对字典构造方法的有效性进行了验证；然后在仿真实验中，分别进针对3组真实的高光谱数据：Salinas,Pavia University和Indian Pines数据的压缩编码结果及重建图像进行了比较，从而验证本发明所提出的压缩方案在保证图像质量上的作用。 

在表1中显示了不同方法的压缩结果比较。其中，CBR表示压缩比特率，MSE表示压缩结果的均方误差。从中我们可以看出，本专利中提出的多元向量量化方案能够取得更好的压缩结果，虽然与传统的向量量化方法相比，其压缩结果的CBR有所上升，但是其图像的失真，也就是MSE大幅减小；即使将传统的向量量化方法的CBR扩大到与本专利所提出的多元向量量化方法相当的水平，其MSE也要比本专利提出的多元向量量化方案高很多，从而说明本方案的有效性。 

表1压缩结果比较 

下面结合附图对本发明做更详细的描述： 

结合图1。图中显示了使用一幅模拟得高光谱图像数据的仿真实验来验证本方案中所提出得构造压缩字典方法得有效性。这幅模拟图像的大小为30×30，包含了6种不同的地物光 谱，其中每种地物为30×5的矩形，如图1所示。其中图1(a)和(b)分别显示了此图像数据的一个波段的图像和其监督信息；图1(c)显示了使用本方法提出的构造字典方法所得到的每个像元所对应的最佳字典原子示意图。从图中可以看出，最佳字典原子相同的像元实际上属于同一种地物；同一种地物对应于2个不同的字典原子，这就说明了本方法中提出的构造字典方法能够得到较好的压缩字典。 

结合图2。为了检验和证明本专利所提出的方法的有效性和高效性，我们使用了三幅真实高光谱图像数据进行仿真实验，这3幅图像数据的示意图如图2所示，图中显示的是3幅高光谱图像数据的第50波段的图像和其真实的地物分布图。图2(a)和(b)是在美国加利福尼亚Salinas采集的AVIRIS数据，图像大小为150×150，包含了9种不同的地物。其空间分辨率为3.7米，在去掉水的吸收带等波段后，余下的204个光谱波段数据参加仿真实验。图2(c)和(d)显示高光谱图像数据的是采集于意大利的Pavia University，使用了ROSIS传感器，它包含了103个光谱波段，图像大小为150×150，包含了9种不同的地物，其空间分辨率为1.3米。图2(e)和(f)显示的是著名的AVIRIS数据Indian Pine，采集在美国的印第安纳州。图像大小为145×145，200个空间分辨率为20米的波段数据参与实验，其中包含了16个不同的地物种类，其中较大的9类地物参与实验。 

结合图3。图3中所示为以Salinas图像为例的失真图像比较，分别为本发明中所提出的使用2种不同模型的多元向量量化压缩方法与传统向量量化压缩方法的失真图像。其余两幅高光谱图像Pavia University和Indian Pine都能得到相似的失真图像和结论，因此并没有显示。总共对2种多元向量量化压缩方法和2种传统向量量化压缩方法的图像失真进行了比较。从图中明显可以看出，使用本发明中提出的多元向量量化方法的图像失真叫小，而且其是真较大的像元主要分布在背景部分。同时2种不同的多元向量量化模型的图像失真在图中没有明显的区别。本发明中提出的多元向量量化方案的图像能够减小图像失真，更多地保留原图像的信息。 

结合图4。图4显示的是三幅高光谱图像数据Salinas,Pavia University和Indian Pine图像分别使用几种方法的失真图像幅度统计直方图的比较。从图中可以明显看出，本发明中提出的多元向量量化方法能够获得较低的图像失真，传统的向量量化方法的图像失真分布在较大的范围内，而使用不同种多元向量量化模型的2种方法的结果差别不大。这也证明了本方法的有效性。 

同时，为了更好的比较图像失真，每种方法的平均失真(MVD)和超过固定门限的像元百分(PPD)比作为比较参数，对几种方法的结果进行评价，如表2所示。我们可以看到，这三幅图像在使用多元向量量化方案时，其图像失真较小。尤其是使用第一种多元向量量化模型的 结果，其MVD是这几种方法中最小的。 

表2图像失真比较 

Claims (2)

1.多元向量量化的高光谱图像压缩编码方法，其特征在于，包括下列步骤：

（1）读入高光谱图像数据

图像大小为m×n，每个像素有B个波段特征，x_i,j为样本数据集合X中的样本，i,j为位置坐标，R^B代表B维特征空间；

（2）构建压缩字典：

a.根据图像本身的特征，设定需要计算的类别数范围，类别数范围设定为类别数的1-3倍；

b.遍历设定的类别数范围内的每一个类别数，利用FCM算法聚类，计算在不同类别数下的代价，代价函数为：

$J_N=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{C}{\mathrm{\Σ}}}{u}_{\mathrm{ij}}^m{\left|\right|x_i-c_j\left|\right|}^2,$

其中，m为一个大于1的恒值参数，

是像元光谱x_i属于类别j的可能度量，

是第i个d维的高光谱图像像元，c_j是表示类别j的聚类中心的d维向量，在确定的聚类类别数N时，其整体代价为

C=N^θ*J_N，

c.根据在不同类别数下的代价，选择代价最小的类别数作为最佳的聚类类别数，并提取在此类别时的类别中心向量，构成字典；同时记录字典中每个原子在监督数据中所对应的地物种类；

（3）根据2种多元向量量化模型和字典原子选择策略，利用多元回归计算每一像元压缩时所使用的字典原子及其系数；其中第一种多元向量量化模型将像元光谱表示为2个字典原子以及误差信息的线性组合：

Y=α₁X_i1+α₂X_i2+∈₁，

其中，X_i1和X_i2表示从步骤2中确定的字典中选取的2个字典原子，其对应的权值系数为α₁和α₂，同时向量∈₁表示误差信息，在有损的压缩编码过程中被直接省略，第二种多元向量量化模型为

Y=βX_i1+(1-β)X_i2+∈₂，

限制条件为α₁+α2₁=1；

（4）压缩和编码：在计算完所有像元的原子编号和系数后，分别对压缩字典、每个像元使用的字典原子编号以及其系数进行压缩和编码，并将各部分压缩编码后的比特流串联，得到最后的压缩数据。

2.根据权利要求1所述的多元向量量化的高光谱图像压缩编码方法，其特征在于，所述的字典原子选择策略为：

a.根据监督数据，确定当前像元所属的类别；

b.在压缩字典中找出属于此类的字典原子；

c.将找出的字典原子与原始的像元光谱向量比较，选取其欧式距离最小的字典原子做为其多元向量量化模型中的第一个原子；

d.在确定一个原子的情况下，考虑所有可能的字典原子组合，共N-1种可能的组合，分别使用多元回归计算其系数以及误差向量；

e.选取误差最小的组合中的2个原子为最终压缩编码所使用的2个原子；同时记录下这2个原子的编号，以及其所对应的系数。

Images