似度必須大于加權(quán)偏好參考度，其數(shù)值越大，得到的類 越多，反之越少。算法初始時將高光譜圖像塊的所有波段都視為潛在的聚類中心，通過一種 迭代循環(huán)不斷地更新，產(chǎn)生若干個聚類中心波段及其對應(yīng)的聚類，同時聚類的能量函數(shù)也 得到了最小化。將各波段分配到對應(yīng)中心波段所包含的類，即將所有波段分成了若干組。
[0018]本發(fā)明首先利用地物在空間上分布連續(xù)性這一信息對高光譜圖像分塊，相比傳統(tǒng) 壓縮方案，充分利用了高光譜圖像的空間相關(guān)性，使得每一塊高光譜圖像的地物空間信息 非常相似，有利于后續(xù)的壓縮處理。其次，針對現(xiàn)有壓縮算法對高光譜圖像譜間相關(guān)性利用 不夠充分的情況，對高光譜圖像分塊后，再對每塊圖像的所有波段進(jìn)行聚類分組，充分利用 了高光譜圖像的強(qiáng)譜間相關(guān)性，使得每一塊中的每一組高光譜數(shù)據(jù)在空間和譜間信息上都 具有很高的相似性。利用了PCA對高光譜圖像進(jìn)行降維處理，而PCA不僅可以用作特征的 降維，還可以用來消除數(shù)據(jù)中的噪聲，并且能與被處理數(shù)據(jù)的統(tǒng)計特性很好地匹配，是統(tǒng)計 特征基礎(chǔ)上的最優(yōu)線性正交變換，使得經(jīng)過PCA后的數(shù)據(jù)能量更為集中?？傊肞CA對 高光譜圖像進(jìn)行處理，不僅可以在一定程度上去除高光譜圖像的譜間冗余及噪聲，還能降 低整個壓縮算法的復(fù)雜度。
[0019]本發(fā)明對高光譜圖像波段聚類分組后的每個波段組進(jìn)行PCA，不僅進(jìn)一步利用了 高光譜圖像的譜間相關(guān)性，還顯著降低了PCA的運(yùn)算量。充分利用高光譜圖像的空間相關(guān) 性以及譜間相關(guān)性，對高光譜圖像進(jìn)行分塊、波段聚類分組以及PCA等一系列處理，最后再 結(jié)合JPEG2000算法對圖像進(jìn)行編碼壓縮，相比傳統(tǒng)算法，不僅在失真性能上有所改善，而 且在重構(gòu)圖像的異常檢測以及光譜角性能方面均有所改善，使得圖像中的某些細(xì)節(jié)信息得 以保留，重構(gòu)圖像更加接近原始圖像。
【附圖說明】
[0020] 圖1為本發(fā)明的整個方案流程圖。
【具體實(shí)施方式】
[0021] 為了使本發(fā)明的目的、技術(shù)方案以及優(yōu)點(diǎn)更加清楚明白，下面結(jié)合附圖及實(shí)施例 進(jìn)一步闡明本發(fā)明的內(nèi)容，但本發(fā)明的內(nèi)容不僅僅局限于下面的實(shí)施例。本領(lǐng)域技術(shù)人員 可以對本發(fā)明作各種改動或修改，這些等價形式同樣在本申請所列權(quán)利要求書限定范圍之 內(nèi)。
[0022] 本發(fā)明提出的一種基于空譜特性的高光譜圖像壓縮方案。具體包括，對高光譜圖 像分塊；對每一塊高光譜數(shù)據(jù)的所有波段進(jìn)行聚類分組；對每一塊中的每一組高光譜數(shù)據(jù) 做PCA運(yùn)算；利用JPEG2000算法對經(jīng)過PCA運(yùn)算后的所有主成分進(jìn)行編碼壓縮，得到重構(gòu) 圖像。本發(fā)明流程圖如圖1所示。
[0023] 本方案以典型的AVIRIS高光譜遙感圖像為實(shí)例對本發(fā)明的實(shí)施作具體說明，大 小為512X614X224,為處理方便，在每個波段中截取大小為256X256的圖像塊，最終形成 大小為256X256X224的高光譜圖像。
[0024] 一、高光譜圖像的分塊
[0025] 傳統(tǒng)的高光譜圖像分塊只是簡單地利用地物在空間上分布的連續(xù)性，通常認(rèn)為如 果某點(diǎn)處為C類地物，那么在此點(diǎn)的領(lǐng)域上也是C類地物，因此將高光譜圖像立方體均分或 者近似均分成若干塊，但這樣劃分誤差很大。
[0026] 本方案的高光譜圖像分塊主要是利用了高光譜圖像的空間相關(guān)性以及地物在空 間上分布的連續(xù)性，用D代表高光譜數(shù)據(jù)立方體，則Du表示在空間坐標(biāo)（i，j)處的光譜（i =1，2，···，Μ;j= 1，2，一，吣，其中1~分別表示高光譜圖像在空間維上的行數(shù)和列數(shù)。 弓丨入一個Μ行、N列的分塊矩陣A以及一個分塊閾值μ，其中的元素&j表示在高光譜圖像 塊空間坐標(biāo)（i，j)處D、,所屬的塊數(shù)，D、,表示高光譜圖像在空間坐標(biāo)（i，j)處的像元即光 譜曲線，每個像元都是該像素點(diǎn)對應(yīng)的所有波段，分塊矩陣A用來標(biāo)記高光譜圖像每一個 像元分別屬于哪一塊。用F(x，y)表示相鄰兩條光譜曲線X和y的相似程度（歐式距離）， X和y分別表示高光譜圖像在某空間坐標(biāo)處的像元。若F(X,y)越小，則兩條光譜曲線的相 似程度越大。即當(dāng)F(x，y)彡μ時，X和y相似程度比較大，則把X和y歸為同一塊；反之， 當(dāng)F(x,y) >μ時，X和y相似程度比較小，則X和y屬于不同的塊。
[0027] 具體的處理步驟如下：
[0028] 讀取高光譜圖像，根據(jù)空間維上像元的行數(shù)M，列數(shù)N，波段數(shù)得到一個高光譜數(shù) 據(jù)立方體D，Du表示D在空間坐標(biāo)（i，j)處的像元即光譜曲線，并對數(shù)據(jù)進(jìn)行歸一化處理。
[0029] 對于空間維上第一行像元，從第一列至第N列開始遍歷，如果相鄰像元的距離小 于等于閾值μ，則兩像元屬于同一塊，如果相鄰像元的距離大于μ，則兩像元屬于不同的 塊。其中μ的選取依賴具體的高光譜圖像，當(dāng)高光譜圖像中地物類別有較明顯的界限時， μ可以選得比較大；否則，μ應(yīng)比較小。一般可取所有相鄰像元距離的平均值。
[0030] 對于空間維上非第一行像元，從第一列至第Ν列開始遍歷，將與其相鄰的像元的 相似度進(jìn)行比較，選出相似度最大的像元以及對應(yīng)像元之間的距離，若該距離小于μ，則兩 像元屬于同一塊，否則不屬于同一塊。
[0031]遍歷整個空間范圍，建立一個Μ行、Ν列的分塊矩陣Α，其中的元素4j表示在空間 坐標(biāo)（i，j)處光譜Du所屬的塊數(shù)，
[0032] 將矩陣A中元素數(shù)值相同的位置所對應(yīng)的高光譜數(shù)據(jù)立方體D中的像元塊歸為同 一塊，即可將高光譜數(shù)據(jù)立方體D分成若干塊Εη(η= 1，2, 3,…）。
[0033] 二、每一塊高光譜圖像的所有波段聚類分組
[0034] 傳統(tǒng)的波段聚類分組一般采用k-means聚類，其基本思想是依據(jù)波段相關(guān)性，從 大量數(shù)據(jù)對象中隨機(jī)選取k個對象作為初始聚類中心，根據(jù)最小距離準(zhǔn)則對數(shù)據(jù)對象進(jìn)行 分類。對于不同的初始聚類中心，該算法容易產(chǎn)生不同的結(jié)果，聚類結(jié)果帶有很大的隨機(jī) 性；此外，該算法的聚類結(jié)果不能根據(jù)高光譜圖像本身的變化自動改變k值，用戶需指定 聚類數(shù)目、初始質(zhì)心和閾值大小，其本質(zhì)上不是根據(jù)聚類元素的分布進(jìn)行自適應(yīng)聚類，且 聚類精度和效率依賴于初始質(zhì)心的選取等預(yù)設(shè)參數(shù)，這不僅增加了選取k值的難度，也影 響了聚類結(jié)果的準(zhǔn)確性。
[0035] 本方案將高光譜圖像分成若干塊后，以每一塊高光譜圖像Ei的所有波段作為聚類 對象，以波段間的相關(guān)性作為輸入數(shù)據(jù)的相似度。將所有波段之間的相關(guān)性組成的相似度 矩陣S，根據(jù)公式f'S(/〇確定聚類的能量函數(shù)，其中，Q為波段1的聚類中心， sajj為波段1與其聚類中心波段(^的相似度，聚類的能量函數(shù)為各波段與其聚類中心 波段的相似度之和；根據(jù)公式PY 確定加權(quán)偏好參考度，其中，1、k為任意 兩波段，加權(quán)偏好參考度用來反映各波段最終被選作類代表波段的統(tǒng)一偏好程度，聚類中 心波段與該類中其他任何波段的相似度必須大于加權(quán)偏好參考度，其數(shù)值越大，得到的類 越多，反之越少。算法初始時將高光譜圖像塊的所有波段都視為潛在的聚類中心，通過一種 迭代循環(huán)不斷地更新，產(chǎn)生若干個聚類中心波段及其對應(yīng)的聚類，同時聚類的能量函數(shù)也 得到了最小化。將各波段分配到對應(yīng)中心波段所包含的類，即將所有波段分成了若干組。
[0036] 具體處理步驟如下：
[0037] 選取第η塊高光譜圖像塊En，設(shè)1和k為其中任意兩波段；
[0038]根據(jù)公式s(1，k) =R[l，k]計算波段1和波段k間的相似度s(1，k)(相關(guān)系數(shù)）， 獲得圖像塊En所有波段的相似度，以所有波段之間的相關(guān)系數(shù)組成相似度矩陣S，其中
R[ ·]並I、田士R光玄翁
[