基于支持向量回歸的光譜圖像無損壓縮方法
【專利摘要】本發(fā)明屬于光譜遙感【技術(shù)領(lǐng)域】，提供了基于支持向量回歸的光譜圖像無損壓縮方法，包括如下步驟：(1)導(dǎo)入原圖像；(2)選擇聚類算法，對(duì)光譜圖像進(jìn)行分類預(yù)處理，獲得相應(yīng)的聚類索引；(3)選擇預(yù)測(cè)算法，進(jìn)行預(yù)測(cè)模型的設(shè)計(jì)，依據(jù)得到的聚類索引和預(yù)測(cè)模型，對(duì)整幅光譜圖像的每個(gè)像素進(jìn)行預(yù)測(cè)，得到預(yù)測(cè)圖像；(4)對(duì)原圖像和預(yù)測(cè)圖像進(jìn)行做差得殘差圖像；(5)對(duì)殘差圖像采用算術(shù)編碼，同時(shí)對(duì)經(jīng)預(yù)測(cè)模型預(yù)測(cè)時(shí)得到的預(yù)測(cè)系數(shù)及聚類算法獲得的聚類索引進(jìn)行編碼，得到碼流文件。該發(fā)明通過對(duì)讀入的圖像進(jìn)行聚類，對(duì)每類分別建立預(yù)測(cè)模型，對(duì)殘差圖像及邊信息進(jìn)行編碼的方式，實(shí)現(xiàn)基于支持向量回歸的光譜無損壓縮，達(dá)到較好的無損壓縮效果，預(yù)測(cè)準(zhǔn)確度高，殘差小。
【專利說明】基于支持向量回歸的光譜圖像無損壓縮方法

【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于光譜遙感【技術(shù)領(lǐng)域】，涉及光譜圖像的無損壓縮及編碼技術(shù)，具體涉及 基于支持向量回歸的光譜圖像無損壓縮方法。 ^

【背景技術(shù)】
[0002] 光譜遙感技術(shù)是2〇世紀(jì)8〇年代興起的一種對(duì)地觀測(cè)技術(shù)，廣泛應(yīng)用于海洋遙感、 地質(zhì)勘查、大氣和環(huán)境遙感、以及軍事偵察等方面。隨著成像光譜儀空間和譜間分辨率的提 高，光譜數(shù)據(jù)急劇增加，然而數(shù)據(jù)量和數(shù)據(jù)維數(shù)的膨脹都將給光譜圖像的傳輸和存儲(chǔ)帶來 較大的困難，因此，采用有效的方法對(duì)光譜圖像進(jìn)行壓縮是很有必要的。
[0003] 由于成像光譜是在較窄的光譜范圍內(nèi)成像，這使得光譜圖像相鄰譜段間具有較強(qiáng) 的譜間相關(guān)性。這種譜間相關(guān)性比空間相關(guān)性要強(qiáng)很多。因此，在對(duì)光譜圖像進(jìn)行壓縮時(shí) 可以充分利用光譜圖像較強(qiáng)的譜間相關(guān)性。目前對(duì)光譜圖像的壓縮方法主要有基于預(yù)測(cè)、 變換、矢量量化，以及將多種壓縮方法相結(jié)合進(jìn)行壓縮?；谧儞Q的方法費(fèi)時(shí)較多，且計(jì)算 方法復(fù)雜，在無損壓縮中并沒有明顯的優(yōu)勢(shì)。矢量量化的方法是在高壓縮比和最小失真之 間獲得最佳折衷，其壓縮性能接近于理論上圖像的熵值，但隨著數(shù)據(jù)維數(shù)的增長，其計(jì)算量 呈指數(shù)遞增，不適合于圖像的實(shí)時(shí)壓縮。相對(duì)而言，基于預(yù)測(cè)的方法特別適用于數(shù)據(jù)連續(xù)變 化的自然物理過程，該方法不經(jīng)過變換，直接探索像素與像素之間的相關(guān)性和譜帶與譜帶 之間的相關(guān)性。
[0004] 目前已有不少學(xué)者對(duì)基于預(yù)測(cè)的方法進(jìn)行了研究，但是大部分預(yù)測(cè)方法并沒能夠 充分利用譜間的相關(guān)性去除光譜數(shù)據(jù)的冗余，導(dǎo)致壓縮效果有限。


【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的是針對(duì)現(xiàn)在成像光譜儀產(chǎn)生光譜數(shù)據(jù)量大，光譜圖像的傳輸和存儲(chǔ) 困難，有效去除光譜數(shù)據(jù)冗余方法的不足，提供了一種基于支持向量回歸的光譜圖像無損 壓縮方法。
[0006] 本發(fā)明的技術(shù)方案是提供一種基于支持向量回歸的光譜圖像無損壓縮方法，包括 如下步驟：
[0007] (1)導(dǎo)入光譜圖像，即原圖像；
[0008] (2)選擇聚類算法，對(duì)光譜圖像進(jìn)行分類預(yù)處理，獲得相應(yīng)的聚類索引；
[0009] ⑶選擇預(yù)測(cè)算法,進(jìn)行預(yù)測(cè)模型的設(shè)計(jì)，依據(jù)步驟⑵得到的聚類索引和本步驟 所產(chǎn)生的預(yù)測(cè)模型，對(duì)整幅光譜圖像的每個(gè)像素進(jìn)行預(yù)測(cè)，得到預(yù)測(cè)圖像；
[0010] (4)對(duì)原圖像和預(yù)測(cè)圖像進(jìn)行做差得殘差圖像；
[0011] (5)對(duì)殘差圖像采用算術(shù)編碼，同時(shí)對(duì)經(jīng)預(yù)測(cè)模型預(yù)測(cè)時(shí)得到的預(yù)測(cè)系數(shù)及聚類 算法獲得的聚類索引進(jìn)行編碼，得到碼流文件。
[0012] 上述步驟（2)的具體過程包括如下步驟：
[0013] (2a)選擇聚類算法，根據(jù)要聚類的數(shù)目，隨機(jī)選擇K條不同的譜線作為初始的聚 類中心；
[0014] (2b)計(jì)算每條譜線與每一聚類中心的歐式距離，將每條譜線分給離它最近的聚類 中心所對(duì)應(yīng)的類；
[0015] (2c)計(jì)算每一類中所有譜線的平均值作為新的聚類中心；
[0016] (2d)重復(fù)步驟（2b)和步驟（2c)，直到新的聚類中心與上一次的聚類中心完全一 致，則獲得的此新的聚類中心即為聚類索引。
[0017] 上述步驟（3)的具體過程包括如下步驟：
[0018] (3a)利用步驟（2)得到的聚類索引，對(duì)每一類訓(xùn)練預(yù)測(cè)模型，設(shè)定預(yù)測(cè)階數(shù)；
[0019] (3b)由步驟（2a)改變不同的聚類數(shù)目，重復(fù)步驟（3a)，得到最佳的聚類數(shù)目；
[0020] (3c)根據(jù)選擇不同的預(yù)測(cè)階數(shù)，得到不同的壓縮效果，最終得到最優(yōu)結(jié)果。
[0021] 上述步驟（3a)的具體過程包括如下步驟：
[0022] (4a)利用步驟⑵得到的聚類索引開始對(duì)每一類訓(xùn)練預(yù)測(cè)模型；
[0023] (4b)判斷預(yù)測(cè)的當(dāng)前波段是否是第一波段，如果是進(jìn)行步驟（4c)，否則進(jìn)行步驟 (4d)；
[0024] (4c)對(duì)第一波段的光譜圖像進(jìn)行帶內(nèi)預(yù)測(cè)，采用JPEG-LS算法；
[0025] (4d)對(duì)除第一波段外的其他波段光譜圖像采用帶間預(yù)測(cè)，如果當(dāng)前波段數(shù)小于預(yù) 測(cè)階數(shù)則進(jìn)行步驟（4e)，否則進(jìn)行步驟（4f) ;
[0026] (4e)對(duì)當(dāng)前波段的像素進(jìn)行預(yù)測(cè)時(shí)，利用當(dāng)前波段前面的所有波段，進(jìn)行步驟 (4g)；
[0027] (4f)對(duì)當(dāng)前波段的像素進(jìn)行預(yù)測(cè)時(shí)，利用當(dāng)前波段的前N波段，進(jìn)行步驟（4g);
[0028] (4g)利用支持向量回歸建立預(yù)測(cè)模型。
[0029] 上述步驟（4g)的具體過程包括如下步驟：
[0030] (5a)準(zhǔn)備支持向量回歸的訓(xùn)練樣本；
[0031] (5b)采用網(wǎng)格搜索的方式進(jìn)行參數(shù)優(yōu)化，得出最優(yōu)參數(shù)對(duì)應(yīng)的支持向量回歸模 型；
[0032] (5〇)將步驟（5b)得到的最優(yōu)參數(shù)對(duì)應(yīng)的支持向量回歸模型變形得到普通多元回 歸形式的預(yù)測(cè)模型；
[0033] (5d)利用步驟（5c)產(chǎn)生的普通多元回歸形式的預(yù)測(cè)模型進(jìn)行預(yù)測(cè)。
[0034] 本發(fā)明的有益效果：本發(fā)明提供的這種基于支持向量回歸的光譜圖像無損壓縮方 法克服了人為的構(gòu)造預(yù)測(cè)器算法的限制，實(shí)現(xiàn)了通過機(jī)器學(xué)習(xí)的方式，讓計(jì)算機(jī)在給定的 樣本中訓(xùn)練出預(yù)測(cè)器，通過參數(shù)迭代的方式，得到最優(yōu)的結(jié)果。通過本發(fā)明可以實(shí)現(xiàn)有效去 除波段間的帶間冗余，并實(shí)現(xiàn)無損壓縮，與其他的無損預(yù)測(cè)壓縮算法相比實(shí)現(xiàn)了更高的壓 縮比，為光譜數(shù)據(jù)壓縮提供更好的技術(shù)支持。
[0035]以下將結(jié)合附圖對(duì)本發(fā)明做進(jìn)一步詳細(xì)說明。

【專利附圖】

【附圖說明】
[0036]圖1是本發(fā)明基于支持向量回歸的光譜圖像無損壓縮方法的流程圖。
[0037] 圖2是本發(fā)明中聚類算法的流程圖。
[0038]圖3是本發(fā)明中預(yù)測(cè)過程的流程圖。
[0039] 圖4是本發(fā)明中每一類訓(xùn)練預(yù)測(cè)模型的流程圖。

【具體實(shí)施方式】
[0040] 實(shí)施例1 :
[0041] 為了克服現(xiàn)在成像光譜儀產(chǎn)生光譜數(shù)據(jù)量大，光譜圖像的傳輸和存儲(chǔ)困難，以及 有效去除光譜數(shù)據(jù)冗余方法的不足，本發(fā)明提供了一種如圖1、圖2、圖3和圖4所示的基于 支持向量回歸的光譜圖像無損壓縮方法，包括如下步驟：
[0042] (1)導(dǎo)入光譜圖像，即原圖像；
[0043] (2)選擇聚類算法，對(duì)光譜圖像進(jìn)行分類預(yù)處理，獲得相應(yīng)的聚類索引；
[0044] (3)選擇預(yù)測(cè)算法，進(jìn)行預(yù)測(cè)模型的設(shè)計(jì)，依據(jù)步驟（2)得到的聚類索引和本步驟 所產(chǎn)生的預(yù)測(cè)模型，對(duì)整幅光譜圖像的每個(gè)像素進(jìn)行預(yù)測(cè)，得到預(yù)測(cè)圖像；
[0045] (4)對(duì)原圖像和預(yù)測(cè)圖像進(jìn)行做差得殘差圖像；
[0046] (5)對(duì)殘差圖像采用算術(shù)編碼，同時(shí)對(duì)經(jīng)預(yù)測(cè)模型預(yù)測(cè)時(shí)得到的預(yù)測(cè)系數(shù)及聚類 算法獲得的聚類索引進(jìn)行編碼，得到碼流文件，結(jié)束基于支持向量回歸的光譜圖像無損壓 縮方法。
[0047] 如圖2所示，上述步驟（2)的具體過程包括如下步驟：
[0048] (2a)選擇聚類算法，根據(jù)要聚類的數(shù)目，隨機(jī)選擇K(設(shè)定的聚類數(shù)目）條不同的 譜線作為初始的聚類中心μ p μ 2，…，μ k e Γ,其中m是光譜圖像的波段數(shù)目；
[0049] 目前常見的聚類算法有K均值聚類算法、PCM聚類算法、最近鄰聚類算法等，本實(shí) 施例中采用K均值聚類算法。
[0050] (2b)計(jì)算每條譜線i與每一聚類中心的歐式距離，將每條譜線分給離它最近的聚 類中心所對(duì)應(yīng)的類

【權(quán)利要求】
1. 基于支持向量回歸的光譜圖像無損壓縮方法，其特征在于：包括如下步驟： (1) 導(dǎo)入光譜圖像，即原圖像； (2) 選擇聚類算法，對(duì)光譜圖像進(jìn)行分類預(yù)處理，獲得相應(yīng)的聚類索引； (3) 選擇預(yù)測(cè)算法，進(jìn)行預(yù)測(cè)模型的設(shè)計(jì)，依據(jù)步驟（2)得到的聚類索引和本步驟所產(chǎn) 生的預(yù)測(cè)模型，對(duì)整幅光譜圖像的每個(gè)像素進(jìn)行預(yù)測(cè)，得到預(yù)測(cè)圖像； (4) 對(duì)原圖像和預(yù)測(cè)圖像進(jìn)行做差得殘差圖像； (5) 對(duì)殘差圖像采用算術(shù)編碼，同時(shí)對(duì)經(jīng)預(yù)測(cè)模型預(yù)測(cè)時(shí)得到的預(yù)測(cè)系數(shù)及聚類算法 獲得的聚類索引進(jìn)行編碼，得到碼流文件。
2. 如權(quán)利要求1所述的基于支持向量回歸的光譜圖像無損壓縮方法，其特征在于：所 述步驟（2)的具體過程包括如下步驟： (2a)選擇聚類算法，根據(jù)要聚類的數(shù)目，隨機(jī)選擇K條不同的譜線作為初始的聚類中 心； (2b)計(jì)算每條譜線與每一聚類中心的歐式距離，將每條譜線分給離它最近的聚類中心 所對(duì)應(yīng)的類； (2c)計(jì)算每一類中所有譜線的平均值作為新的聚類中心； (2d)重復(fù)步驟（2b)和步驟（2c)，直到新的聚類中心與上一次的聚類中心完全一致， 則獲得的此新的聚類中心即為聚類索引。
3. 如權(quán)利要求1所述的基于支持向量回歸的光譜圖像無損壓縮方法，其特征在于：所 述步驟（3)的具體過程包括如下步驟： (3a)利用步驟（2)得到的聚類索引，對(duì)每一類訓(xùn)練預(yù)測(cè)模型，設(shè)定預(yù)測(cè)階數(shù)； (3b)由步驟（2a)改變不同的聚類數(shù)目，重復(fù)步驟（3a)，得到最佳的聚類數(shù)目； (3c)根據(jù)選擇不同的預(yù)測(cè)階數(shù)，得到不同的壓縮效果，最終得到最優(yōu)結(jié)果。
4. 如權(quán)利要求3所述的基于支持向量回歸的光譜圖像無損壓縮方法，其特征在于：所 述步驟（3a)的具體過程包括如下步驟： (4a)利用步驟（2)得到的聚類索引開始對(duì)每一類訓(xùn)練預(yù)測(cè)模型； (4b)判斷預(yù)測(cè)的當(dāng)前波段是否是第一波段，如果是進(jìn)行步驟（4c)，否則進(jìn)行步驟 (4d)； (4c)對(duì)第一波段的光譜圖像進(jìn)行帶內(nèi)預(yù)測(cè)，采用JPEG-LS算法； (4d)對(duì)除第一波段外的其他波段光譜圖像采用帶間預(yù)測(cè)，如果當(dāng)前波段數(shù)小于預(yù)測(cè)階 數(shù)則進(jìn)行步驟（4e)，否則進(jìn)行步驟（4f); (4e)對(duì)當(dāng)前波段的像素進(jìn)行預(yù)測(cè)時(shí)，利用當(dāng)前波段前面的所有波段，進(jìn)行步驟（4g); (4f)對(duì)當(dāng)前波段的像素進(jìn)行預(yù)測(cè)時(shí)，利用當(dāng)前波段的前N波段，進(jìn)行步驟（4g); (4g)利用支持向量回歸建立預(yù)測(cè)模型。
5. 如權(quán)利要求4所述的基于支持向量回歸的光譜圖像無損壓縮方法，其特征在于：所 述步驟（4g)的具體過程包括如下步驟： (5a)準(zhǔn)備支持向量回歸的訓(xùn)練樣本； (5b)采用網(wǎng)格搜索的方式進(jìn)行參數(shù)優(yōu)化，得出最優(yōu)參數(shù)對(duì)應(yīng)的支持向量回歸模型； (5c)將步驟（5b)得到的最優(yōu)參數(shù)對(duì)應(yīng)的支持向量回歸模型變形得到普通多元回歸形 式的預(yù)測(cè)模型； (5d)利用步驟（5c)產(chǎn)生的普通多元回歸形式的預(yù)測(cè)模型進(jìn)行預(yù)測(cè)。
【文檔編號(hào)】H04N19/59GK104270640SQ201410455209
【公開日】2015年1月7日 申請(qǐng)日期:2014年9月9日 優(yōu)先權(quán)日:2014年9月9日
【發(fā)明者】吳家驥, 白靜, 任改玲, 張敏, 焦李成, 張向榮, 王爽, 熊濤, 劉紅英 申請(qǐng)人:西安電子科技大學(xué)