[发明专利]一种基于非局部和低秩分解的高光谱图像压缩方法

摘要

本发明公开了一种基于非局部和低秩分解的高光谱图像压缩方法，利用非局部相似性对高光谱图像进行分块，获得大小相同的高光谱小块，之后根据相似性，相似的块将被聚为一类，同一类的块组成的4阶数据可以被低秩分解，因为分解后的数据大小远小于原始数据大小，从而实现对高光谱数据的压缩，并且可以充分利用高光谱数据的空间结构特征和光谱结构特征。

主权项

1.一种基于非局部和低秩分解的高光谱图像压缩方法，其特征在于，包括以下步骤：步骤1：对高光谱图像长和宽不是8的倍数的图像进行裁剪，裁剪为长和宽都是8的倍数，光谱数不变；步骤2：将剪裁后的高光谱图像进行标准化，使其每个像素值位于0和255之间；步骤3：对标准化的高光谱图像进行分块，每个块的空间大小是8*8，然后按相似性对块进行聚类，每个类构成一个4阶张量；所述按相似性对块进行聚类，其具体实现过程包括以下子步骤：步骤3.1：用一个大小为8*8的窗口在高光谱图像的空间上以步长8移动，获得空间大小为8*8且光谱数保持不变的高光谱块；每个相邻的块之间没有空间覆盖；步骤3.2：根据块数求类别数，用kmeans++算法对所有块聚类，使得相似的块处于同一类；由于每个块维度相同，所以同一类的块能构成一个4阶张量，不同的类因为块个数不同所以对应的4阶张量的第4阶大小不同；步骤4：对每个类分别进行低秩分解，得到1个4阶的稀疏张量，和3个低秩的字典矩阵；所述对每个类分别进行低秩分解，其具体实现过程包括以下子步骤：步骤4.1：给出系数张量的目标维度；步骤4.2：根据目标维度对4阶张量进行图克分解，分解后的结果是1个4阶张量和4个矩阵； 4阶张量和第4个矩阵相乘的结果是要求的系数，其他3个矩阵是要求的字典；步骤5：最终得到的张量和字典矩阵就是压缩后的所有数据；步骤6：验证压缩效果，根据压缩后的数据重构高光谱图像，与原始图像对比。