[发明专利]基于块稀疏表达模式和结构字典的高光谱图像压缩方法

说明书

本发明涉及一种基于块稀疏表达模式和结构字典的高光谱图像压缩方法，实现的前提是结构相似的信号具有相似的稀疏表达模式，具体表现为结构相似的信号经过结构化稀疏表示后，稀疏系数表现出相似的块稀疏表达模式，即非零元素出现在相同的位置。在星上的编码端，首先对图像在结构字典下进行稀疏表示，然后对稀疏系数基于稀疏表达模式进行压缩编码，最后将编码后的信息传输到解码端。本发明无需在解码端进行复杂度高的非线性重构，只需要根据传系数标签信息，位置信息和均值信息就能恢复稀疏系数，再和字典相乘即可重建原始图像，显著缩短了重建时间。

技术领域

本发明属于高光谱遥感图像压缩领域，涉及一种基于块稀疏表达模式和结构字典的高光谱图像压缩方法。

背景技术

相较于自然图像，高光谱图像包含了二维空间信息和一维光谱信息。其中，每个光谱波段分别对应一幅二维图像，且不同波段相同位置的像素构成一条光谱曲线。利用不同地物所具有的光谱曲线差异，高光谱图像被广泛应用于国民经济的各个领域。随着高分遥感成像技术的应用普及，如何有效的压缩由于遥感图像光谱和空间分辨率显著提升所带来的传输和存储数据量激增等挑战是高光谱图像应用过程中亟待解决的问题。

新兴的信号处理方法压缩感知(Compressed sensing,CS)打破了传统的Nyquist采样率的限制，在极低的采样率下也可以重构原始信号，为图像高效压缩提供了可靠的解决方案。结构化CS是基于实际应用中的很多信号具有复杂结构被提出的，其引入了结构化的字典，较传统的字典学习方法，提高了精度和速度。字典是对图像进行稀疏表示的关键因素，其好坏决定了压缩的效果，结构字典适用于高光谱图像这类具有明显特征信息的图像。

现有的利用CS进行高光谱图像压缩的方案，是对原始图像进行压缩采样，存储并传输原始图像的观测值到解码端，然后采用非线性重构的方法恢复原始图像。Liang等提出了一种空间和光谱联合压缩感知的高光谱图像压缩算法，同时去除了谱间冗余和空间冗余。但是该方法没有使用学习字典，忽略了图像的结构特性，而且计算量很大。Yang等提出了一种基于非线性CS和稀疏张量的高光谱图像压缩方法，将高光谱图像看成一个三维信号，用张量分解的方法对图像信号进行稀疏编码,但是该方法在空间分辨率和光谱分辨率较低的情况下，该方法的性能有限。Hahn等提出了一种基于自适应采样的高光谱图像的压缩感知方法，针对图像内容采用不同的采样率，有利于在重构时保留更多原始图像的信息，但是图像整体的压缩率并不高，不利于后续任务的处理。

综上所述，目前的高光谱图像压缩存在以下问题：

1.解码端使用了复杂度高的非线性重构方法，计算复杂度高，效率较低；

2.没有充分利用高光谱图像的结构特性，使用非结构字典对图像进行稀疏表示，重构图像的结构相似度较低；

3.忽略了稀疏系数之间相似的块稀疏表达模式，没有对稀疏系数进行编码，图像整体压缩率不够高。

发明内容

鉴于上述现有技术存在的问题和不足，本发明技术方案提供了一种基于块稀疏表达模式和结构字典学习的高光谱图像压缩方法，实现的前提是结构相似的信号具有相似的稀疏表达模式，具体表现为结构相似的信号经过结构化稀疏表示后，稀疏系数表现出相似的块稀疏表达模式(block sparse representation patterns,BSRP)，即非零元素出现在相同的位置。在星上的编码端，首先对图像在结构字典下进行稀疏表示，然后对稀疏系数基于稀疏表达模式进行压缩编码，最后将编码后的信息传输到解码端。

本发明方法包括以下步骤：

步骤1，训练离线字典，实现方式如下，

步骤1.1，获取训练图像：图像包含N个波段，每个波段的图像分辨率为a×b，则每个波段包含L₀＝a×b个像素，将每个像素排成一列构成训练图像数据