| 【中文题名】 | 高光谱遥感图像的压缩算法研究 |
| 【英文题名】 | Compression Algorithm Research of Hyperspectral Remote Sensing Image |
| 【学科专业】 | 信号与信息处理 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2005-10-21 |
| 【中关键词】 | 高光谱遥感图像,自适应波段选择,提升格式,矢量量化,图像压缩, |
| 【英关键词】 | Hyperspectral Remote Sensing Image,Adaptive Band Selection,Lifting Scheme,Vector Quantization,Image Compression, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>遥感技术>遥感图像的解译、识别与处理>图像处理方法> |
| 【论文摘要】 | 高光谱遥感(Hyperspectral remote sensing)与多光谱图像相比的突出特点是谱分辨力的提高,这对于利用遥感图像进行目标分类、识别与跟踪等都具有重要的研究价值和应用意义。然而其巨大的数据量和较高的数据维给高光谱图像的传输和存储都带来较大的困难,因此对其进行有效压缩就具有了更为广泛的意义。
本文通过与其他图像比较分析,充分研究了高光谱遥感图像的特性。验证了高光谱遥感图像较强的谱间相关性和较弱的空间相关性。
首先采用自适应波段选择方法对高光谱遥感图像进行谱间压缩。实验结果说明了自适应波段选择方法的有效性,方法能够选择出特征较好的波段,有助于减少后续处理的计算量并有助于提高后续处理效果。
然后采用基于提升格式的第二代小波变换技术对高光谱遥感图像进行处理,该方法能保证处理后图像包含尽可能多的有效信息。算法中的提升小波是由一种基于矩形栅格和梅花形栅格预测与更新的方法构造出来,其主体思想是对原始图像进行简单的多分辨率分解,然后交替地在矩形栅格和梅花形栅格上使用对偶提升(预测)和原始提升(更新)来改善其性能,向具有某一特性逐渐逼近(提升)。提升算法不仅具有构造简单、速... |
| 【论文题纲】 |
|
第1章 绪论 |
10-19 |
|
1.1 课题研究背景 |
10-12 |
|
1.2 图像压缩技术 |
12-14 |
|
1.2.1 图像压缩编码分类 |
12-13 |
|
1.2.2 图像压缩质量的评价标准 |
13-14 |
|
1.3 高光谱遥感图像压缩研究进展 |
14-17 |
|
1.3.1 基于变换技术的压缩方法 |
14-16 |
|
1.3.2 基于矢量量化的压缩方法 |
16 |
|
1.3.3 基于预测技术的压缩方法 |
16 |
|
1.3.4 小结 |
16-17 |
|
1.4 课题来源与研究内容 |
17-19 |
|
1.4.1 课题来源 |
17 |
|
1.4.2 课题研究的目的和意义 |
17 |
|
1.4.3 论文结构及研究内容 |
17-19 |
|
第2章 高光谱遥感图像特性分析 |
19-38 |
|
2.1 引言 |
19 |
|
2.2 高光谱遥感图像介绍 |
19-20 |
|
2.3 谱间相关性分析 |
20-31 |
|
2.4 空间相关性分析 |
31-37 |
|
2.5 本章小结 |
37-38 |
|
第3章 自适应波段选择的降维算法 |
38-47 |
|
3.1 引言 |
38 |
|
3.2 高光谱遥感图像降维方法 |
38-40 |
|
3.3 自适应波段选择方法(Adaptive Band Selection) |
40-44 |
|
3.3.1 等间隔波段选择方法 |
40-41 |
|
3.3.2 基于光谱范围的波段选择方法 |
41 |
|
3.3.3 自适应波段选择方法 |
41-44 |
|
3.4 仿真结果与分析 |
44-46 |
|
3.5 本章小结 |
46-47 |
|
第4章 基于提升格式的高光谱遥感图像压缩算法 |
47-62 |
|
4.1 引言 |
47 |
|
4.2 基本小波变换 |
47-51 |
|
4.2.1 连续小波变换 |
48-49 |
|
4.2.2 离散小波变换(DWT) |
49-50 |
|
4.2.3 多分辨率分析 |
50-51 |
|
4.3 第二代小波变换—提升格式(Lifting Scheme) |
51-58 |
|
4.3.1 提升格式 |
51-54 |
|
4.3.2 提升小波的构造方法 |
54-58 |
|
4.4 仿真结果及其分析 |
58-60 |
|
4.5 本章小结 |
60-62 |
|
第5章 基于矢量量化的高光谱遥感图像压缩算法 |
62-73 |
|
5.1 引言 |
62 |
|
5.2 矢量量化 |
62-63 |
|
5.3 传统码书设计算法(LBG) |
63-65 |
|
5.4 自组织特征映射神经网络码书设计算法(SOFM) |
65-69 |
|
5.4.1 自组织特征映射神经网络 |
65-66 |
|
5.4.2 基本的SOFM算法 |
66-68 |
|
5.4.3 改进SOFM算法 |
68-69 |
|
5.5 仿真结果及其分析 |
69-72 |
|
5.6 本章小结 |
72-73 |
|
结论 |
73-75 |
|
参考文献 |
75-79 |
|
攻读硕士学位期间发表的论文 |
79-80 |
|
致谢 |
80 |
|
| 【DOI】 | LunWen.ID:2.2008.389335 |
