[发明专利]高光谱图像压缩方法及应用

说明书

技术领域

本发明涉及一种图像处理方法，尤其涉及一种高光谱图像压缩方法及应用。

背景技术

高光谱图像有很高的光谱分辨率，能解决多光谱所不能解决的问题，因而在军事侦察、目标识别、战场态势评估等领域有重要意义。然而较高的光谱分辨率是以较大的数据量为代价的，以典型的高光谱数据AVIRIS来说，一幅图像大约有140M字节(512行，614列，224个谱带，每个像素2字节)。高光谱图像的海量数据给存储和传输带来极大困难，成为制约高光谱遥感进一步发展的因素，因此高光谱图像的压缩显得尤其必要。

CN 102156998 A公开了一种高光谱图像压缩方法，包括：对待压缩的图像进行分级压缩处理，对感兴趣空间信息和感兴趣光谱信息无损或者近无损的压缩，对其它信息进行大于感兴趣空间信息和感兴趣光谱信息所选压缩比的压缩。该方法可以使特定区域免于损坏，但查找特定区域增加了算法的复杂度。

CN 103024398 A公开了一种基于稀疏矩阵的高光谱遥感图像的压缩感知处理方法，该方法包含小波变换、数据类型变换、量化、稀疏矩阵压缩编码、正交追踪匹配译码、数据类型反变换、反量化以及小波反变换八个步骤，顺序执行。

现在对高光谱图像压缩方法的研究着重在于如何提高压缩比率，节省存储空间以及提高图像恢复后的质量，但将高光谱图像应用于物品分类，如水果品种分类等，则无需考虑高光谱图像的恢复，仅仅需要考虑最大限度压缩高光谱图像，但又能有效保留高光谱图像的特征，从而实现物品分配的目的。

发明内容

本发明提供了一种高光谱图像压缩方法，该方法可以对图像进行高比例压缩，减少数据处理量，并且能够有效提取图像特征。

一种高光谱图像压缩方法，包括以下步骤：

(1)提取高光谱图像目标区域像素的光谱曲线；

(2)对所述光谱曲线进行离散傅里叶变换，将光谱曲线分解成多个线性组合的三角函数波；

(3)选择每个像素对应的振幅最大的前p个三角函数波，提取该p个三角函数波的振幅、频率和初相位，组合作为该像素的特征值，p为不小于5的自然数。

所述目标区域是图像去除背景后的部分。

所谓高光谱图像是在每个波段对实物取像，每个像素在每个波段都有能量值，将该像素所有波段的能量值放在坐标系中，就得到该像素对应的光谱曲线。

该方法相当于将每个像素的特征值个数减少到3×p个，而原来应该是与光谱波段数量相同。

波段数量影响高光谱图像的精度，波段数量越少，光谱图像精度越低，所含信息量越少，光谱曲线被分解后得到的三角函数波数量越少，所述光谱曲线的分辨率一般为1-10nm。

高光谱图像的波段的波长覆盖范围和波段数量由成像仪器本身决定，光谱曲线中波段的波长范围一般与高光谱图像的波长覆盖范围一致，特殊情况下可以小于它的波长涵盖范围，同样的道理会影响特征值。

所述目标区域是需识别的区域，因为物品肯定是放置在一定背景中取像，由于背景对于物品分类没有作用，在压缩前，可以把背景先去除，只对目标区域的图像进行压缩，减少数据处理量。

所述离散傅里叶变换是指将光谱曲线分解成若干个波长、振幅和初相位各不相同的三角函数波(正弦和/或余弦函数)。三角函数波的数量与波段数量是相同的。

因为振幅越大的三角函数波所包含的信息越多，因此会选择振幅最大的几个三角函数波的参数作为特征值，选取的三角函数波数量越多(p越大)，单个像素包含的信息量越大，计算机处理负荷也越大，但当数量过少时，会导致包含的信息量不够，而无法应用，一般会选择5-10个三角函数波(5≤p≤10)。

本发明还提供了一种物品分类的方法，包括：

(1)获取待测样本的高光谱图像；

(2)采用所述的高光谱图像压缩方法对所述高光谱图像进行压缩；

(3)将压缩后的高光谱图像输入经训练的神经网络分类模型中，判断物品的类别。

所述神经网络分类模型的训练方法为：

(1)获取已知样本的高光谱图像；

(2)采用所述的高光谱图像压缩方法对所述高光谱图像进行压缩；

(3)每个已知样本选取多个像素点，以每个像素的特征值作为输入，以分类结果作为输出进行训练。

在分类时，同样以待测样本高光谱图像压缩后的像素特征值作为输入，神经网络模型可以输出相应的分类结果，不用将所有像素的特征值输入，只需选择其中一部分或几个，就可以进行分类。