陳玉玲，閆敬文，馬麗梅

(1.北京郵電大學(xué) 網(wǎng)絡(luò)空間安全學(xué)院，北京 100876；2.貴州廣播電視大學(xué) 信息工程學(xué)院，貴州 貴陽(yáng) 550023；3.汕頭大學(xué) 電子工程系 廣東省數(shù)字信號(hào)與圖像處理技術(shù)重點(diǎn)實(shí)驗(yàn)室，廣東 汕頭 515063；4.河北師范大學(xué) 河北省網(wǎng)絡(luò)與信息安全重點(diǎn)實(shí)驗(yàn)室，河北 石家莊 050024)

0 引 言

高光譜遙感衛(wèi)星圖像主要有譜段與譜段間相關(guān)性及空間相關(guān)性兩種冗余，為了消除這些相關(guān)性，文獻(xiàn)[1,2]采用三維矢量量化和三維小波變換等方法用分離三維處理方法先后消除譜相關(guān)性和空間相關(guān)性?；诳臻g域采樣的近似算法使用波段預(yù)處理，適當(dāng)選取采樣步長(zhǎng)，能在幾乎不影響壓縮算法性能的情況下，大幅降低計(jì)算量[3]，用線性預(yù)測(cè)和多譜帶查表相結(jié)合的高光譜圖像無損壓縮算法，去除這些圖像中因校正引起的信息冗余也得到了較高的壓縮比[4]，文獻(xiàn)[5]提出了基于分類KLT的壓縮算法，利用光譜信息對(duì)高光譜圖像進(jìn)行地物分類，根據(jù)相鄰波段的相關(guān)性對(duì)高光譜圖像進(jìn)行波段分組。在地物分類與波段分組的基礎(chǔ)上，對(duì)每組的每一類地物數(shù)據(jù)分別進(jìn)行KL變換，利用EBCOT(embedded block coding with optimal truncation)算法對(duì)所有主成分進(jìn)行聯(lián)合編碼，實(shí)現(xiàn)高光譜圖像的有效壓縮。對(duì)于高光譜圖像壓縮的研究方向主要集中在大數(shù)據(jù)、智能化帶來的技術(shù)挑戰(zhàn)上，基于混合預(yù)測(cè)的高光譜圖像無損壓縮[6]、基于切片映射的張量分解方法[7]和結(jié)合人眼對(duì)比度敏感視覺特性的圖像壓縮[8]順應(yīng)了發(fā)展前沿和熱點(diǎn)論題[9]，達(dá)到了更好的壓縮效果。

近幾年，基于小波變換[10]和小波域子的研究[11]突破了傳統(tǒng)的壓縮算法框架，消除了光譜和空間冗余，提高了壓縮比，但是高光譜圖像的特性受影響?；讵?dú)立成份[12]和分類KLT的壓縮方法[5]保留了高光譜圖像的光譜特性，但是計(jì)算復(fù)雜度大大提高。

針對(duì)這些不足和需要改進(jìn)之處，本文提出一種基于自適應(yīng)分組KL變換的高光譜圖像方法。首先針對(duì)不同圖像數(shù)據(jù)的譜相關(guān)性變化情況，自適應(yīng)地對(duì)圖像數(shù)據(jù)進(jìn)行分組，能夠充分利用高光譜圖像的譜相關(guān)性，避免細(xì)節(jié)信息的丟失。然后對(duì)分組后的圖像數(shù)據(jù)進(jìn)行改進(jìn)式分塊KL變換。考慮到提高算法運(yùn)行速度和節(jié)省資源，對(duì)經(jīng)過KL變換處理的圖像數(shù)據(jù)采用整數(shù)小波變換和SPIHT算法進(jìn)行壓縮編碼，實(shí)現(xiàn)整個(gè)系統(tǒng)的準(zhǔn)無損壓縮。

1 基于APKLT/IWT/SPIHT算法的高光譜圖像壓縮算法

基于APKLT/IWT/SPIHT算法的高光譜圖譜壓縮系統(tǒng)如圖1所示。根據(jù)光譜圖像各個(gè)相鄰連續(xù)譜段之間的譜間相關(guān)性的波動(dòng)特性，組合高相關(guān)性的譜段并分別進(jìn)行改進(jìn)式KL變換，消除圖像在光譜維上的譜相關(guān)性，采用整數(shù)9/7小波變換和SPIHT算法對(duì)輸出的均值圖像、本征值和本征矢量進(jìn)行壓縮編碼。對(duì)低相關(guān)性的譜段直接進(jìn)行三維整數(shù)小波變換/三維SPIHT算法(3D IWT/3D SPIHT),進(jìn)行壓縮編碼。對(duì)低相關(guān)性組進(jìn)行三維整數(shù)小波變換時(shí)除了高光譜的操作外，還增加了光譜維的變換。在自適應(yīng)分組的同時(shí)，取出各個(gè)譜段并標(biāo)注每個(gè)原始譜段的初始順序，在壓縮完成以后根據(jù)所記錄的各個(gè)譜段的初始順序，把各個(gè)譜段各自放回到原來位置，重組原光譜圖像。

圖1 基于APKLT/IWT/SPIHT的高光譜圖譜壓縮系統(tǒng)

為盡可能的消除高光譜圖像的譜冗余，又可以通過合理減少本征值的個(gè)數(shù)來降低KL變換的運(yùn)算量，算法采用改進(jìn)式KL變換去除高光譜圖像的譜冗余信息，其產(chǎn)生的壓縮比

(1)

其中，n×n表示所分的子塊大小，k是保留的本征值的個(gè)數(shù)，Q為譜段數(shù)。本文采用的改進(jìn)式KL變換取前兩個(gè)本征值，即k=2。所取分塊大小n×n由譜段數(shù)Q決定，表1中根據(jù)每組譜段數(shù)分別取了8×8和4×4兩種分塊。譜段數(shù)大于64組的用8×8塊的KL變換，譜段數(shù)小于64的組用4×4塊的KL變換。對(duì)224譜段的高光譜圖像數(shù)據(jù)，取Q為224，子塊是8×8，k取2，代入式(1)，算得改進(jìn)式KL變換的壓縮比CR為22.4；若Q為64，子塊是4×4，k取2，則壓縮比CR為5.8。

表1 譜段重組中的閾值選取和KL變換中的分塊尺寸

1.1 高光譜圖像譜間相關(guān)性分析

假定高光譜圖像第i譜段的圖像為fi(x,y)，第i+1譜段的圖像為fi+1(x,y)，則式(2)為第i譜段的譜間相關(guān)系

(2)

其中

(3)

(4)

圖2是本文實(shí)驗(yàn)所用的224譜段的16 bit高光譜圖像的譜間相關(guān)系數(shù)曲線。由圖形得出，高光譜遙感圖像的譜間相關(guān)系數(shù)波動(dòng)較大，波動(dòng)范圍為0.1-1。

圖2 224譜段高光譜圖像譜間相關(guān)系數(shù)曲線

1.2 自適應(yīng)分組算法

由于譜相關(guān)性波動(dòng)較大，如果對(duì)整個(gè)224譜段的高光譜圖像進(jìn)行KL變換，并沒有充分利用譜間相關(guān)性的波動(dòng)特性，且可能丟失很多細(xì)節(jié)信息。針對(duì)這個(gè)問題，本文設(shè)計(jì)了一種適合于任意譜段數(shù)的高光譜圖像的自適應(yīng)譜段分組的處理方法。分組時(shí)要遵循幾個(gè)原則：

(1)高相關(guān)性的連續(xù)譜段分在同一組；

(2)由于本文采用整數(shù)小波變換對(duì)每組光譜經(jīng)KL變換以后的均值矩陣，特征值矩陣，特征向量矩陣分別進(jìn)行處理。而特征向量矩陣的第二維就是每組的譜段數(shù)目，則要求每組譜段數(shù)P要可以被2的整數(shù)次方整除，即P=n*2i(i,n是整數(shù)，其中i與整數(shù)小波分解層數(shù)有關(guān))；

(3)根據(jù)KL變換的壓縮要求，為了獲得有效的壓縮，根據(jù)式(1)，則要求每組段數(shù)p≥n×n(其中n×n是KL變換的分塊大小)。

根據(jù)以上分組原則，自適應(yīng)譜段分組方法的大致步驟是先確定需要分組的數(shù)目N，找出N-1個(gè)最佳分段相關(guān)系數(shù)閾值RX；根據(jù)得到的N-1個(gè)最佳相關(guān)系數(shù)閾值RX把原始高光譜圖像劃分為N組；劃分譜段的過程中，記錄各個(gè)譜段的初始順序，以便壓縮完畢可以準(zhǔn)確地重建原始高光譜圖像。

自適應(yīng)分組的具體步驟為：假設(shè)要把一個(gè)M譜段的高光譜圖像分成N組。在滿足分組的幾個(gè)原則的前提下，按照上述幾個(gè)步驟具體劃分。按照一般性的要求，先假定要求一組有L個(gè)譜段，初始化一個(gè)相關(guān)系數(shù)閾值T=1，然后每次T遞減一個(gè)很小的步長(zhǎng)Δ；對(duì)每個(gè)T值計(jì)算相關(guān)系數(shù)大于這個(gè)閾值的譜段的個(gè)數(shù)，當(dāng)譜段個(gè)數(shù)P滿足P=n*2i(i,n是整數(shù))時(shí)，保存T，最后得到N-1個(gè)符合要求的閾值{T1,T2,…TN-1}，這些保存下來的閾值為我們所要得到的最佳閾值。把相關(guān)系數(shù)大于T1的各個(gè)譜段放在第一組，把相關(guān)系數(shù)在T1和T2之間的各個(gè)譜段放在第二組，依次操作，把相關(guān)系數(shù)小于TN-1的譜段放在第N組。而且譜相關(guān)性從第1組到第N組逐漸遞減。

不同組根據(jù)譜段數(shù)目差異，采用不同分塊尺寸的KL變換來消除譜相關(guān)，對(duì)于譜相關(guān)性很低的那一種譜段則不再做KL變換。本文算法中，對(duì)于自適應(yīng)分段后的最低相關(guān)性組不做KL處理。在壓縮完畢以后，根據(jù)分組過程中所記錄的原始高光譜各個(gè)譜段的初始順序，把各個(gè)譜段重新放回去，可以準(zhǔn)確地重建原始高光譜圖像。本文實(shí)驗(yàn)中采用224譜段的高光譜圖像，表1為各種分組方法的分組情況。

2 實(shí)驗(yàn)結(jié)果和討論

實(shí)驗(yàn)中采用圖像大小為128×128的224譜段高光譜圖像。采用5種方法進(jìn)行壓縮：①non-adaptive-A：KLT/IWT/SPIHT；②non-adaptive-B：32-PKLT/IWT/SPIHT；③adaptive-C：192+32-APKLT/IWT/SPIHT；④adaptive-D：96*2+32-APKLT/IWT/SPIHT；⑤adaptive-E：64*3+32-APKLT/IWT/SPIHT。

當(dāng)壓縮比CR=90倍的時(shí)候，通過采用自適應(yīng)和非自適應(yīng)方法各譜段PSNR對(duì)比曲線。得出，adaptive-C方法的整體壓縮效果最好，而non-adaptive-B方法的壓縮效果最差。

從圖3可以看出，adaptive-C方法的PSNR比non-adaptive-A 和non-adaptive-B方法提高了約5 db-6 dB。圖4是CR=90時(shí)，自適應(yīng)和非自適應(yīng)方法第88譜段的壓縮效果對(duì)比。

圖3 自適應(yīng)和非自適應(yīng)方法不同壓縮率下PSNR曲線對(duì)比

圖4 自適應(yīng)和非自適應(yīng)方法第88譜段壓縮效果

從圖5的運(yùn)行時(shí)間曲線對(duì)比可以看到，采用譜段分組KL變換壓縮光譜圖像的方法，在各個(gè)不同比特率情況下，其運(yùn)行速度都比不分段處理要快。而等間隔分7組壓縮光譜圖像所耗用時(shí)間最短，比不分組的224段光譜直接壓縮整體平均運(yùn)行時(shí)間減少264 s。自適應(yīng)分兩組的方法運(yùn)行時(shí)間比不分組的224段光譜直接壓縮整體平均運(yùn)行時(shí)間平均減少了約70 s。綜合圖3和圖5，基于自適應(yīng)分組KL變換的光譜壓縮方法，壓縮圖像的效果最優(yōu)；而基于非自適應(yīng)等間隔分組KL變換的方法運(yùn)行速度最快，基于自適應(yīng)分組KL變換的方法速度次之。綜合評(píng)價(jià)，與不分組224段譜圖像直接壓縮相比，采用自適應(yīng)分譜段壓縮光譜圖像不論在提高圖象質(zhì)量還是運(yùn)行速度方面都有很大的優(yōu)勢(shì)。

圖5 運(yùn)行時(shí)間對(duì)比曲線

(1)光譜數(shù)據(jù)的總譜段數(shù)目是有限的，如果分組數(shù)目過多，每組譜段數(shù)目就很少。由式(1)分析可以知道，如果每組的譜段數(shù)目過少(小于KL變換分塊大小n×n)的話KL變換所產(chǎn)生的壓縮倍數(shù)將會(huì)急劇下降。如此，為了提高綜合壓縮倍數(shù)，產(chǎn)生符合要求的壓縮率，就必須要在SPIHT編碼壓縮過程中成倍地降低比特率，這樣就會(huì)降低光譜的整體壓縮性能。因此，譜段不宜分為過多組；

(2)本文分5種方法進(jìn)行實(shí)驗(yàn)對(duì)比：非自適應(yīng)不分組non-adaptive-A、非自適應(yīng)等間隔分組non-adaptive-B、本文設(shè)計(jì)的自適應(yīng)分兩組adaptive-C(192+32)、自適應(yīng)分3組adaptive-D(96*2+32)和自適應(yīng)分4組adaptive-E(64*3+32)。實(shí)驗(yàn)結(jié)果表明，本文設(shè)計(jì)的基于自適應(yīng)分組KL變換的高光譜圖像壓縮方法，可以獲得非常理想的壓縮性能；

(3)綜合圖3和圖5，在同等比特率時(shí)，采用本文設(shè)計(jì)的自適應(yīng)分兩組adaptive-C方法比非自適應(yīng)不分組non-adaptive-A 方法獲得的PSNR值高出約5個(gè)dB；而采用自適應(yīng)adaptive-D和adaptive-E方法也都可以獲得明顯優(yōu)于非自適應(yīng)方法的性能；

(4)采用非自適應(yīng)等間隔分組non-adaptive-B方法壓縮圖象重建效果相對(duì)最差。從圖5運(yùn)行時(shí)間對(duì)比，可以看到采用本文設(shè)計(jì)的自適應(yīng)分兩組adaptive-C方法比非自適應(yīng)不分組non-adaptive-A方法直接壓縮運(yùn)行時(shí)間平均減少了約70 s；采用非自適應(yīng)等間隔分組non-adaptive-B方法運(yùn)行時(shí)間最短。綜合圖像質(zhì)量和運(yùn)行時(shí)間兩個(gè)指標(biāo)，采用基于自適應(yīng)分組KL變換的方法壓縮光譜圖像的效果明顯優(yōu)于基于非自適應(yīng)不分組KL變換和非自適應(yīng)等間隔分組的方法；

(5)本文提出的基于分組KL變換的壓縮方法尤其適合處理多譜段且譜間相關(guān)性波動(dòng)相對(duì)較大的高光譜數(shù)據(jù)。因?yàn)檫@種數(shù)據(jù)在直接KL變換時(shí)將會(huì)丟失相對(duì)更多的細(xì)節(jié)信息，這種情況下本文的方法就可以體現(xiàn)出明顯的優(yōu)勢(shì)。隨著光譜圖像正朝著多譜段方向發(fā)展，本文提出的基于自適應(yīng)分組KL變換的高光譜圖像壓縮方法將會(huì)有很大的發(fā)展前景。

3 結(jié)束語(yǔ)

根據(jù)多譜段高光譜圖像連續(xù)若干譜段具有很強(qiáng)的相關(guān)性，而每間隔若干譜段相關(guān)性就會(huì)有很大波動(dòng)的特點(diǎn)，本文設(shè)計(jì)了一種根據(jù)高光譜圖像譜相關(guān)性，自適應(yīng)分譜段進(jìn)行分組KL變換的高光譜圖像數(shù)據(jù)壓縮方法(APKLT/IWT/SPIHT)。分組后每組光譜都具有相對(duì)集中的高相關(guān)性，使得KL變換可以把光譜的細(xì)節(jié)信息盡可能多地保存下來，理論上可以達(dá)到更優(yōu)的效果。為了提高運(yùn)行速度，本文方法采用的是第二代整數(shù)提升小波。在未來的工作中，可以考慮應(yīng)用超小波變換來代替本文的整數(shù)小波變換，以期獲得更好的壓縮性能。為了進(jìn)一步提高實(shí)時(shí)性，需要對(duì)各自適應(yīng)分組的組應(yīng)用平均相關(guān)系統(tǒng)的DCT變換替換KL變換，進(jìn)一步提高運(yùn)行速度，也便于DSP實(shí)現(xiàn)。

[1]Karami A,Yazdi M,Mercier G.Compression of Hyperspectral images using discrete wavelet transform and tucker decomposition[J].IEEE J-STARS,2012,5(2):444-450.

[2]Ye Z,Prasad S,Li W,et al.Classification based on 3-D DWT and decision fusion for hyperspectral image analysis[J].IEEE Geoscience and Remote Sensing Letters,2014,11(1):173-177.

[3]HONG Heng,HE Mingyi.An approximate algorithm for correlation matrix computation in Hyperspectral image compression[J].Electronic Design Engineering,2013,21(12):128-131(in Chinese).[洪恒,何明一.一種適于高光譜圖像壓縮的相關(guān)系數(shù)矩陣近似計(jì)算算法[J].電子設(shè)計(jì)工程,2013,21(12):128-131.]

[4]SONG Jinwei,ZHANG Zhongwei,CHEN Xiaomin.Hyperspectral imagery compression via linear prediction and lookup tables[J].Optics and Precision Eengineering,2013,21(8):2201-2208(in Chinese).[宋金偉,張忠偉,陳曉敏.利用線性預(yù)測(cè)與查表法的高光譜圖像壓縮[J].光學(xué)精密工程,2013,21(8):2201-2208.]

[5]FANG Lingjiang,NIAN Yongjian,WANG Yingchun.Hyperspeetral images compression based on classified KLT[J].Computer Technology and Development,2013,23(11):82-86(in Chinese).[方凌江,粘永健,王迎春.基于分類KLT的高光譜圖像壓縮[J].計(jì)算機(jī)技術(shù)與發(fā)展,2013,23(11):82-86.]

[6]LI Yuanyuan,JING Wenbo,LIU Xue,et al.Lossless compression of Hyperspectral images using hybrid prediction[J].Journal of Changchun University of Science and Technology(Natural Science Edition),2016,39(1):77-81(in Chinese).[李媛媛,景文博,劉學(xué),等.基于混合預(yù)測(cè)高光譜圖像無損壓縮[J].長(zhǎng)春理工大學(xué)學(xué)報(bào)(自然科學(xué)版),2016,39(1):77-81.]

[7]WAN Chenkun,WANG Bin.A novel approach to evaluate nonlinear correlation of a multivariabe data set[J].Journal of Fudan University(Natural Science),2016,54(6):696-705(in Chinese).[萬晨坤,王斌.基于切片映射張量分析的高光譜圖像壓縮[J].復(fù)旦大學(xué)學(xué)報(bào)(自然科學(xué)版),2016,54(6):696-705.]

[8]YAO Juncai.Color image compression algorithm combining the human contrast perception characteristics[J].Chinese Journal of Liquid Crystals and Displays Characteristics,2016,31(6):584-594(in Chinese).[姚軍財(cái).一種結(jié)合人眼對(duì)比度感知特性的彩色圖像壓縮算法[J].液晶顯示,2016,31(6):584-594.]

[9]DU Peijun,XIA Junshi,XUE Zhaohui,et al.Review of Hyperspectral remote sensing image classification[J].Journal of Remote Sensing,2016,20(2):236-256(in Chinese).[杜培軍,夏俊士,薛朝輝,等.高光譜遙感影像分類研究進(jìn)展[J].遙感學(xué)報(bào),2016,20(2):236-256.]

[10]LI Jin,JIN Longxu,LI Guoning.Hyper-spectral remote sen-sing image compression based on nonnegative tensor factorizations in discrete wavelet domain[J].Journal of Electronics and Information,2013,35(2):489-493(in Chinese).[李進(jìn),金龍旭,李國(guó)寧.離散小波變換域非負(fù)張量分解的高光譜遙感圖像壓縮[J].電子與信息學(xué)報(bào),2013,35(2):489-493.]

[11]HUANG Risheng.An improved wavelet domain vector Hyperspectral image noise reduction processing technology[J].Bulletin of Science and Technology,2014,30(8):149-151(in Chinese).[黃日勝.一種改進(jìn)的小波域子矢量高光譜圖像壓縮處理技術(shù)[J].科技通報(bào),2014,30(8):149-151.]

[12]BAI Lin,GAO Tao.Hyperspectral images lossy compression method based on independent components analysis[J].Computer Engineering,2013,39(3):245-249(in Chinese).[白璘,高濤.基于獨(dú)立成分分析的高光譜圖像有損壓縮方法[J].計(jì)算機(jī)工程,2013,39(3):245-249.]