基于关键信息空谱/时预测的高频次超光谱红外图像压缩新方法研究

Because of the unprecedented ability of atmospheric sounding with high spectral and temporal resolution, spaceborne ultraspectral infrared images under the high frequency observations provide broad applications in the area of numerical weather forecast, and meteorology or climate researches, etc., whose huge mass of data brings out new challenges on transmission and application. To compress these images efficiently, this research starts with making full use of multi-dimensional characteristics of ultraspectral infrared images such as spatial-temporal-spectral correlation, sparsity and detection physical features in order to remove the omnifarious correlation. It firstly combines the process of data thininng in dimensionality reduction of the ultraspectral applications with data compression innovatively, and presents a nontraditional spatial-spectral thinning method based on information capacity and correlation criterion, which will be used in extracting the key atmospheric information of ultraspectral detection. Using the key information, the ultraspectral infrared image is predicted by the sparse super-resolution of three-dimensional spatial-spectral grouping in a single time point; the physical-layer based convex constrained online learning model is established to perform prediction for temporal serial images. And then the lossless and lossy compatible compression method is constructed by probability tracking entropy coding using the adaptive stochastic learning weak estimator and the bitrate assignment criterion. Through the mining and utilization of the essential key information from ultraspectral detection, this research can improve the compression efficiency and application efficiency, as well as contribute to the development of theories such as multi-dimensional data of high resolution processing and online learning.

星载高频次超光谱红外图像因其前所未有的高光谱高时间分辨率的大气探测能力在天气预报和气象气候研究领域有着广泛的应用前景，然而其海量数据为传输和应用带来新的巨大挑战。为了对其高效压缩，本项目以充分利用超光谱红外图像的空时谱相关性、稀疏性和探测物理特性等多维度特性去除多层面相关性为出发点，首先创新性地将超光谱红外图像应用中数据降维的抽稀过程与数据压缩相结合，提出了打破传统的基于信息容量和相关性准则的空谱协同抽稀思想用于提取超光谱探测关键大气信息。基于关键信息，在单时间片内通过三维空谱分组稀疏超分辨预测超光谱红外图像，在时间片间建立物理分层的凸优化约束在线学习模型进行高频次序列预测。再通过基于自适应随机学习弱估计的概率追踪编码和码率分配准则构建无损和有损兼容的压缩方法。本研究通过挖掘和利用超光谱探测本质关键信息，在保证应用效能前提下提高压缩效率，也有助于高分辨率高维数据处理、在线学习等理论的发展。

星载高频次超光谱红外图像因高光谱分辨率、高时间分辨率的大气探测能力在天气预报和气象气候研究领域有着广泛的应用前景，然而其海量数据为传输和应用带来巨大挑战。为了对其高效压缩，本项目基于国内外多个超光谱传感器（AIRS，IASI，GIIRS）深入研究了超光谱图像的空时谱相关性、稀疏性和探测物理特性，以此为基础创新性地将气象应用中的抽稀过程与数据压缩相结合，提出结合压缩和应用需求的空谱抽稀的关键信息提取算法，并研究了基于信息容量的关键通道选择算法与基于谱聚类、基尼系数和相关性的辅助通道选择算法，以及空间稀疏化方法。具体地，在单时间片的压缩中，提出了基于空谱三维特性的单时间片关键信息超分辨预测方法，包括基于过完备字典学习和稀疏重建的方法、基于匹配追踪光谱间迭代预测的方法、以及基于支持张量回归机的三维重建方法和模糊神经网络的超参数性能预测方法。此外，构建了有损和无损压缩框架并评价了压缩比和失真，实验结果表明提出方法能够在IASI卫星数据达到2.57的压缩比，高于目前最优的多级聚类RKLT + M-CALIC方法。在单时间片压缩的基础上，本研究进一步提出时间片间物理分层的凸约束在线学习模型对多时间片超光谱红外图像进行高频次序列预测，并进行了无损压缩试验。提出了基于随机学习弱估计的自适应熵编码方法并利用真实数据和仿真数据评价了其性能，实验结果表明在温湿度廓线反演中仅使用关键信息的反演精度接近于使用全部超光谱图像的反演精度，而仅保留关键信息时压缩比可以达到125。本项目的关键信息提取研究有助于为气象研究人员从信息处理的角度对超光谱数据资料进行分析，为气象研究人员下载传输和储存大量红外超光谱资料提供便利，改善对极端灾害性天气的预测预警水平，提升气象卫星遥感资料对社会的贡献，并通过挖掘和利用超光谱探测本质关键信息，在保证应用效能前提下提高压缩效率，有助于高分辨率高维数据处理、在线学习等理论的发展。