自適應冗余字典壓縮感知的高光譜圖像壓縮算法研究的制作方法
【技術領域】
[0001] 本發明屬于計算機數字圖像處理領域，針對地質遙感圖像的特點，在壓縮感知算 法之上，提出了 一種基于自適應冗余字典恢復壓縮感知的算法。
【背景技術】
[0002] 傳統的高光譜圖像壓縮算法包括基于預測的算法、基于變換的算法和基于矢量量 化的算法。預測算法充分利用圖像的相關性，用已傳輸的值對當前值進行預測，然后對預 測值與真實值的差即預測誤差進行編碼處理。預測產生的殘余誤差已被去相關，因而比較 容易壓縮。Sun Lei等人提出基于預分配的線性預測算法，達到了高于傳統的3D-SPIHT算 法的峰值信噪比；Mamatha等人提出一種基于雙預測器的哈夫曼編碼壓縮算法，獲得了較 高的壓縮比。基于變換的算法能獲得較好的壓縮效果，但是計算量大。壓縮時間長，因此不 能大范圍運用到實際的高光譜圖像壓縮領域。Karami. A等人提出了 3D-DCT結合SVM的方 法進行了壓縮，提高了壓縮比的同時還優化了圖像質量。基于矢量量化的方法算法簡單，解 壓速度快，但是隨著量化級數的增加，計算量呈指數上漲，嚴重影響這種算法的實際應用。 Dutra. A等提出了基于SPECK的LVQ算法，獲得了較小的碼率。
[0003] 傳統的壓縮方法是一個采集大量數據，通過壓縮丟棄大量數據的過程，造成了采 集時的存儲空間浪費和壓縮時計算量的浪費。陶哲軒，Candes等人提出的壓縮感知的思 想，即在采樣階段就采集欠采樣信號數據，在解碼端通過L1范數最小化算法進行大概率的 恢復。
【發明內容】
[0004] 本發明的目的是通過利用壓縮感知的優勢，將壓縮時間復雜度減小為常數數量 級，利用高光譜圖像特性，采用自適應冗余字典恢復原始數據，應對了高光譜圖像光譜成像 儀計算能力有限的問題，符合實時性要求。本方法具有良好的適應性、穩定性和實時性。
[0005] 根據圖1所示，本方法按照以下步驟進行：
[0006] 步驟（A1):根據波段間的相關系數，進行分組；
[0007] 步驟（A2):每一組是以第一波段gl為中心，其余波段gi與中心的相關系數在一 定的范圍ε內，即符合式：
[0008] 步驟（A3):用觀測矩陣Α進行觀測，得到采樣結果；
[0009] 步驟（A4):信號恢復，找到適合的字典，即稀疏基Φ，采用優化算法恢復原始圖 像。
[0010] 本發明就有以下優點：
[0011] 1、編碼方法簡單靈活，對壓縮端需求較低，適合高光譜圖像實時壓縮傳輸。
[0012] 2、可移植性強，適合各類高光譜數據的處理。
[0013] 3、數據結構完整清晰，容易與其他算法相結合。
【附圖說明】
[0014] 圖1本發明整體編解碼原理示意圖
[0015] 圖2本發明稀疏表示原理示意圖
【具體實施方式】
[0016] 本發明按照星地高光譜圖像傳輸的要求，考慮了高光譜圖像的譜間相關性，自適 應分組，由組中心訓練字典，其余波段用該字典結合壓縮感知所得的圖像恢復原圖。在壓縮 過程中，要設計合理的觀測矩陣，使得觀測后的結果信息損失最小。在傳輸過程中，只需傳 輸少量信息。在圖像復原過程中，選擇合適的字典，采用優化算法最大程度的恢復高光譜圖 像數據。
[0017] 壓縮工作流程如下：
[0018] (1)如圖1所示，將原始高光譜數據分組，每一組是以第一波段gl為中心，其余波 段gi與中心的相關系數在一定的范圍ε內；
[0019] (2)對組內其余波段用符合高斯分布的隨機觀測矩陣觀測，得到采樣結果；
[0020] (3)對組內中心以及觀測結果進行無損編碼；
[0021] 解壓工作流程如下：
[0022] (1)對組內中心波段訓練自適應冗余字典；
[0023] (2)信號恢復，利用組內中心訓練得到的自適應冗余字典代替自身訓練字典，獲得 稀疏基Φ，采用優化算法恢復原始圖像。
[0024] 對于稀疏分解，其工作流程如圖2所示：
[0025] (1)初始化殘差R = X ;
[0026] (2)遍歷每一個字典的原子，計算每一個原子與原始信號X之間的內積，找到與X 最相似的原子di并記錄原子位置i ;
[0027] (3)通過最小二乘法計算稀疏系數ai，并計算殘差R = R_di*ai ;
[0028] (4)判斷殘差是否滿足條件，如果是，退出算法；否，回到步驟（2)。
[0029] 對于字典訓練，其工作流程如下：
[0030] (1)在更新原子di時，先找到前一次稀疏分解時用到該原子的信號，將其組成新 的信號；
[0031] (2)前一次稀疏分解結果為，令R = y '廠山拓'；，計算：
[0032] (3)求上式的di與xi，用奇異值分解的算法對殘差矩陣R做矩陣分解，取分解結 果的第一列，即最大特征值對應的向量，即為更新結果。
【主權項】
1. 自適應冗余字典壓縮感知，該方法建立在稀疏分解算法的理論基礎上，其特征在于， 基于冗余字典的稀疏表示方式能夠以較少的數據量，較好地描述高光譜圖像中的特征信 息，從而減少壓縮時間，在壓縮過程中，依次含有以下步驟： 步驟（Al):對原始高光譜圖像的譜間相關性進行分析，對于譜間相關性較好的高光譜 圖像，采用自適應波段合并降維進行高光譜圖像的壓縮； 步驟（A2):自適應冗余字典壓縮感知算法首先要根據波段間的相關系數，進行分組； 步驟（A3):每一組是以第一波段gl為中心，其余波段gi與中心的相關系數在一定的 范圍ε內，即符合式：步驟（Α4):用觀測矩陣A進行觀測，得到采樣結果； 步驟（Α5):信號恢復，找到適合的字典，即稀疏基Φ，采用優化算法恢復原始圖像。2. 如權利要求1所述方法，其特征在于，對信號進行稀疏表示，步驟如下： 步驟（BI):對于信號X e C(N*1)，字典D e C(N*M)，其中Ν〈〈Μ，因此求解 S e C(M*1)的方程X = D*S是一個欠定方程，加上正則項；使得 計算得到的S稀疏度盡可能大，且當字典的每一個原子都不相關時，方程有唯一解：步驟（B2):假設信號為K稀疏，即norm (S，0) = K，稀疏 分解的數學模型可以用：表示； 步驟（B3):在已知原始信號X和字典D的基礎上，尋找K稀疏的向量S，使得滿足3. 如權利要求1或2所述方法，其特征在于，找到合適的算法訓練字典，具體步驟如 下： 步驟（Cl):在更新原子di時，先找到前一次稀疏分解時用到該原子的信號，將其組成 新的信號； 步驟（C2):前一次稀疏分解結果為，令計算步驟（C3):求上式的di與xi，用奇異值分解的算法對殘差矩陣R做矩陣分解，取分解 結果的第一列，即最大特征值對應的向量，即為更新結果。
【專利摘要】本發明屬于計算機數字圖像處理領域，為了解決傳統高光譜圖像壓縮算法存在的計算量大、壓縮時間長等普遍問題。自適應冗余字典壓縮感知算法考慮了高光譜圖像的譜間相關性，自適應分組，由組中心訓練字典，其余波段用該字典結合壓縮感知所得的圖像恢復原圖。在壓縮過程中，要設計合理的觀測矩陣，使得觀測后的結果信息損失最小。在傳輸過程中，只需傳輸少量信息。在圖像復原過程中，選擇合適的字典，采用優化算法最大程度的恢復高光譜圖像數據。
【IPC分類】G06T9/00, G06T5/00
【公開號】CN105354867
【申請號】CN201510846662
【發明人】趙學軍, 于凱敏, 呂曉麗, 王曉娟
【申請人】中國礦業大學(北京)
【公開日】2016年2月24日
【申請日】2015年11月27日