[发明专利]基于低秩表示的迭代高光谱图像无损压缩方法

权利要求书

1.一种基于低秩表示的迭代高光谱图像无损压缩方法，其特征在于，包括有如下步骤：

(1)定义一个光谱角相似性度量方法：光谱角相似性度量方法结合光谱角和欧式距离对高光谱图像进行相似性度量；

(2)对原始图像进行粗略的聚类初始化：输入高光谱图像数据和期望的超像素个数K，并利用定义的光谱角相似性度量方法对输入的高光谱图像数据进行超像素计算，得到粗略的聚类块；

(3)用低秩表示求解粗略聚类块间的系数矩阵：通过低秩表示寻找每个粗略聚类块中各个聚类块之间的相关性，并求出高光谱图像的粗略聚类块的相关性系数矩阵；

(4)得到初始聚类结果：利用粗略聚类块的相关性系数矩阵进行子空间聚类，子空间聚类对每个粗略聚类块的相关性系数排序并进行进一步聚类以缩小聚类的数目，得到高光谱图像数据初始的聚类结果；

(5)对初始的聚类结果进行迭代优化，得到预测残差与预测系数：首先根据初始聚类结果，分块进行预测，得到各个初始聚类块的预测系数与预测残差；然后用预测残差的零范数作为约束条件，对每个初始聚类块进行迭代优化，得到最终聚类块的预测系数与预测残差；

(6)得到待传输的码流文件：对最终聚类块的预测残差与预测系数进行无损熵编码，得到待传输的码流文件，完成对高光谱图像的无损编码，然后将待传输的码流文件传输到解码端；

(7)对码流文件进行熵解码：解码端对传输得到的码流文件进行熵解码得到解码的最终聚类块的预测系数与解码的预测残差；

(8)码流文件的解压缩，得到无损压缩后的高光谱图像：根据熵解码得到的最终聚类块的预测系数对高光谱图像数据进行反预测，得到反预测结果之后，反预测结果与熵解码得到的最终聚类块的预测残差相加得到无损压缩后的高光谱图像，该无损压缩后的高光谱图像就是原始的高光谱图像。

2.根据权利要求1所述的基于低秩表示的迭代高光谱图像无损压缩方法，其特征在于，其中步骤(1)中所述的光谱角相似性度量方法，其相似性度量公式表达如下：

其中，表示谱线x与谱线的相似性，谱线x为参与相似性度量的任意一条谱线，谱线是需要与谱线x进行相似性对比的另一条谱线，表示谱线x与谱线之间的光谱角距离，表示谱线x与谱线之间的欧式距离，N_A表示谱线x与谱线之间最大光谱角距离，N_L表示谱线x与谱线之间最大欧式距离。

3.根据权利要求1所述的基于低秩表示的迭代高光谱图像无损压缩方法，其特征在于，其中步骤(2)中所述的对原始图像进行粗略的聚类初始化，包括有如下步骤：

(2a)选择种子点：在输入高光谱图像中随机选择K个种子点；

(2b)计算粗略聚类初始化种子点的搜索范围：输入期望得到的超像素个数K，假设一幅高光谱图像的谱线个数为N，则一个种子点的搜索范围计算公式为

L为搜索步长，单位为谱线的个数，由于L的计算结果不一定是整数，其计算结果取近似值；

(2c)分配粗略聚类中心：以种子点2L*2L为搜索范围，在种子点周围搜索谱线，通过对搜索到的所有谱线与所有的种子点进行光谱角相似性度量，对搜索到的所有谱线分配初始的粗略聚类块；

(2d)重新计算种子点：根据光谱角相似度方法计算粗略聚类块的中心；

(2e)进行优化：重复步骤(2c)至步骤(2d)，直到所有的粗略聚类中心的位置不再变化为止。

4.根据权利要求1中所述的基于低秩表示的迭代高光谱图像无损压缩方法，其特征在于，其中步骤4所述的子空间聚类：选用基于谱聚类的方法通过探索粗略聚类块中心点间的相似性构建亲和矩阵，然后用低秩表示求亲和矩阵的相关性系数，再对相关性系数进行排列并进一步聚类，进一步缩小初始聚类块，得到高光谱图像数据初始的聚类结果。

5.根据权利要求1所述的基于低秩表示的迭代高光谱图像无损压缩方法，其特征在于，其中步骤5所述的对初始聚类结果的迭代优化包括以下步骤：

(5a)求预测系数：针对初始聚类结果，用最小二乘法分别求每个初始聚类块的第一次预测系数和第一次预测残差；

(5b)根据每个初始聚类块第一次的预测系数对初始聚类结果进行调整：对每个初始聚类块中的每条谱线用第一次的预测系数分别求解该谱线的中间预测结果，并找出中间预测结果中0范数最大的类别，0范数最大的类别对应该谱线更新后的聚类结果，对所有的谱线执行求解和找出0范数最大的类别对应该谱线更新后的聚类结果，得到更新后的聚类块；

(5c)求新的预测系数：对得到的更新后的聚类块用最小二乘法分别求每个聚类块的新的预测系数，即为更新后的预测系数；

(5d)根据每个聚类块更新的预测系数对更新后的聚类块进行调整：对每个聚类块的每条谱线用更新后的预测系数求解该谱线中间预测结果，并找出中间预测结果中0范数最大的类别，0范数最大的类别对应该谱线更新后的聚类结果，对所有的谱线执行求解和找出0范数最大的类别对应该谱线更新后的聚类结果，完成所有的谱线聚类结果的调整，得到更新后的聚类块；

(5e)求最终的预测系数和预测残差：对比更新后的预测残差与更新前的预测残差，如果预测残差不再发生变化，则得到最终聚类块的预测系数和预测残差；反之，跳转到步骤(5c)进行新一轮的预测，直至得到最终聚类块的预测系数和预测残差。