[发明专利]基于快速搜寻最优核配置的张量分解截断遥感高光谱图象压缩方法

说明书

技术领域

本发明涉及一种遥感高光谱图象处理方法，属于图像处理领域。

背景技术

高光谱图象是目前国内外在遥感领域的研究热点之一，其突出特点是成象技术与光谱技术结合，实现了地物空间信息和光谱信息的同步获取，即图谱合一。已被广泛应用于环境监测、地质、气象、军事侦察等领域。然而，高光谱图象的优越性是以其较大的数据量及较高的数据维为代价的，例如一幅标准的高光谱AVIRIS(Airborne Visible/Infrared Imaging Spectrometer)图象就有224个连续谱段，而每个谱段的图象空间分辨力为512×614×16bits，这样一幅AVIRIS高光谱图象的数据量大约为140Mbytes。这样大的数据量给高光谱图象的传输和存储、甚至应用处理都带来较大的困难，同时也为通常的遥感图象应用方法提出新的挑战。可以说高光谱图象的海量数据已经成为制约高光谱遥感发展的一个技术瓶颈，因此，研究新的适合于高光谱图象特点的压缩方法，对于当前应用和利用高光谱图象的信息资源，是极其必要的。

高光谱图象不仅具有空间相关性，而且具有较强的光谱相关性，其压缩方法主要通过去除空间和光谱间的冗余，以实现减少数据量的目的。就国内外公开报道的文献来看，高光谱图象压缩方法主要包括基于预测的压缩、基于变换的压缩和基于矢量量化的压缩三大类。上述三类方法中，基于预测和VQ的方法主要利用了高光谱图象的局部相关性，而基于变换的方法更注重利用高光谱图象整体上的数据结构和分布。基于变换的方法中，基于KLT的PCA(Principal Component Analysis)方法和基于小波变换的方法被普遍认可。PCA方法是最优的去除谱间相关性的方法，通常利用PCA方法去除谱带间的光谱相关性，再利用如JPEG2000这样的空间压缩方法去除空间相关性。而基于小波变换的方法，如3D-SPIHT，3D-SPECK等，都是先针对高光谱图象的空间二维数据和光谱一维数据进行小波变换，再对小波系数进行量化和编码。

已有相关文献探讨了基于张量分解的压缩方法，这类方式的本质就是获得了高光谱图象高效地表达和“浓缩”，主要就是将高光谱图象进行Tucker张量分解后直接对核张量和三个模式矩阵进行截断。但是这样的方法面临的主要问题就是如何在满足压缩质量和压缩比要求下获得最优的张量核配置，也就是满足给定压缩比的情况下如何选择核张量的三个维度(P,Q,R)使压缩后恢复的信噪比达到最大。

综上，基于张量分解截断的高光谱图象压缩方法能够保持原数据结构特性，而且可以充分利用高光谱图象的空间和谱间冗余，而其中如何进行最优的张量核配置是这种压缩方法的关键。本发明研究对高光谱图象的有效压缩和进一步应用具有重要的理论意义和应用价值。

发明内容

本发明的目的是针对目前基于张量分解的压缩方法难以在设定压缩质量和压缩比要求下快速的获得最优的张量核配置的问题，提出了一种基于快速搜寻最优核配置的张量分解截断遥感高光谱图象压缩方法

基于快速搜寻最优核配置的张量分解截断遥感高光谱图象压缩方法，它的实现步骤如下：

步骤一、设定压缩比C_Rate和评价准则；

步骤二、将高光谱图象作为一个张量I×J×K维，I、J、K分别代表空间维一、空间维二、光谱维；

当P=I、Q=J和R=K的条件下，对该高光谱图象采用张量Tucker分解的方式进行完整分解，从而获得Tucker完整分解的结果A_f，B_f，C_f；

其中：P代表张量分解的空间变换维度一，Q代表张量分解的空间变换维度二，R代表张量分解的光谱变换维；其中P×Q×R维，是分解得到的核张量，A_f、B_f、C_f分别是由特征向量按列排列而成的正交模式矩阵，分别是I×P维、J×Q维、K×R维；

步骤三：根据步骤一所设定的压缩比C_Rate，分别建立压缩比C_Rate和高光谱图像原始的三个维度空间维一I、空间维二J、光谱维K和张量分解的三个维度空间变换维度一P、空间变换维度二Q、光谱变换维R的关系公式：