学位论文 > 优秀研究生学位论文题录展示

基于TDPCA与SPIHT的高光谱压缩和降维算法研究

作　者: 宋晓玥
导　师: 赵春晖
学　校: 哈尔滨工程大学
专　业: 信号与信息处理
关键词: 高光谱 TDPCA 压缩降维
分类号: TP391.41
类　型: 硕士论文
年　份: 2009年
下　载: 52次
引　用: 0次
阅　读: 论文下载

内容摘要

高光谱图像十分庞大,给存储、传输和处理带来了很多问题,因此压缩技术研究成为了当今热点。高光谱空间和谱间相关性的特点决定了压缩降维的方法应不同于普通图像。基于高光谱图像的降维与压缩,本文探讨了一些传统方法,首次提出一种以高光谱图像分析为目标的基于二维主成分分析的降维方法。后续压缩中,为了提高压缩比,结合了波段间不同相关性,在预测编码前重新排列预测顺序,提出波段排序+最佳整形谱间预测+多级树分裂(SPIHT)相结合的压缩算法。论文内容主要包含下面几个部分：首先,介绍了成像光谱仪,遥感成像的概念,以及目前国内外图像压缩技术的发展现状和一些评价图像压缩质量的标准。为了更好突出压缩降维的目的与效果,本文选择PSNR以及MSE等指标评价压缩结果。另外介绍了高光谱图像目前主要的三种压缩算法,并通过实验对比,找出高光谱图像与普通图像的区别。接下来介绍了传统的降维方法,如主成分分析(PCA)等,并在此基础上提出一种比较新的TDPCA和RTDPCA方法。它是通过多变量线性变换对高光谱数据进行特征提取,应用二维主成分分析的方法对高光谱遥感图像进行降维,实验结果显示该算法计算量小,方差小,峰值信噪比,分类准确性均显著提高,MSE有所下降。最后介绍了小波变换及其变换的树形结构,以及基于这种结构所提出的EZW与SPIHT编码方法。本论文对SPIHT编码做了详细介绍与分析,运用波段排序+整型最佳线性预测器+SPIHT编码相结合的方法压缩高光谱图像。实验证明此方法能获得足够大的PSNR,以及比较满意的MSE与运算时间。从还原的图像来看,还可最大限度地保留原始的图像信息。

全文目录

摘要  5-6
Abstract  6-10
第1章绪论  10-18
  1.1 引言  10
  1.2 课题研究的背景  10-12
    1.2.1 遥感技术概述  10-12
    1.2.2 高光谱图像简介  12
  1.3 图像压缩技术  12-15
    1.3.1 压缩技术发展  12-13
    1.3.2 图像压缩技术分类  13
    1.3.3 图像压缩质量评价标准  13-15
  1.4 高光谱遥感图像压缩  15-16
    1.4.1 基于变换的方法  15-16
    1.4.2 基于矢量量化VQ的方法  16
    1.4.3 基于预测的方法  16
  1.5 课题研究内容  16-18
    1.5.1 课题研究的目的和意义  16-17
    1.5.2 论文结构及研究内容  17-18
第2章高光谱图像特征分析  18-32
  2.1 引言  18
  2.2 高光谱遥感图像介绍  18-19
  2.3 谱间相关性特点  19-26
  2.4 空间相关性特点  26-31
  2.5 本章小结  31-32
第3章二维主成分分析的高光谱遥感图像降维  32-41
  3.1 引言  32
  3.2 高光谱图像降维方法  32-33
  3.3 TDPCA降维方法  33-37
    3.3.1 前言  33
    3.3.2 TDPCA压缩算法  33-35
    3.3.3 本论文研究的TDPCA压缩算法流程  35-37
  3.4 仿真结果与分析  37-40
  3.5 本章小结  40-41
第4章小波图像压缩编码  41-55
  4.1 小波变换  41-43
  4.2 嵌入式小波位编码(EZW)  43-46
    4.2.1 EZW编码  43-44
    4.2.2 零树结构  44-46
  4.3 SPIHT算法  46-52
  4.4 SPIHT算法压缩实现  52-54
  4.5 本章总结  54-55
第5章高光谱图像编解码  55-64
  5.1 高光谱图像谱间预测  55-59
    5.1.1 波段排序  55-57
    5.1.2 整型最佳线性预测器  57-59
  5.2 算法流程  59-62
  5.3 技术改进  62-63
  5.4 本章小结  63-64
总结  64-66
参考文献  66-71
攻读硕士学位期间发表的论文和取得的科研成果  71-72
致谢  72

基于TDPCA与SPIHT的高光谱压缩和降维算法研究

内容摘要

全文目录

相似论文