星上原始超光谱图像稀疏编码压缩技术研究

近期研究发现，星上未进行辐射定标预处理的超光谱数据不具有直方图稀疏特性，致使面向地面定标数据的最新压缩算法在处理星上数据时效果差强人意。针对这一现象，本课题依据超光谱图像谱间相似性提出了一种基于稀疏编码的星上原始超光谱图像压缩框架，以提高星载数据传输效率，具体研究思路为：首先，采用按波段逐步更新准则学习基函数字典，从而增强对原始超光谱图像的稀疏表示性能，同时避免存储字典信息；其次，结合学习得到的基函数字典和邻近波段稀疏系数映射关系，定义新的稀疏编码目标函数，以避免存储所有稀疏系数的位置信息，获得编码意义上的全局最优解；最后，设计码率反馈机制并建立"稀疏度-量化步长-压缩码率"控制模型，以协调编码稀疏度和量化步长，实现码率的灵活控制。在上述理论研究的基础上，探索实际可行的星载数据压缩方案，为我国建立自主控制的遥感观测系统所涉及的数据传输问题提供有效解决途径。

作为一类重要的空间信息源，超光谱遥感图像被广泛应用于各个领域。随着科技的提高，超光谱图像数据量海量增加，急需研究高效压缩算法来缓解数据存储和传输压力。与自然图像相比，超光谱图像具有更为复杂的几何结构、纹理、光谱等特征，这对压缩算法的保真能力提出了较高要求。作为信号处理领域的近年来一个研究热点，稀疏表示理论被应用于去噪、压缩等领域。稀疏表示理论利用学习的方式获取一个基函数字典，该字典对信号具有更强的稀疏化表示能力和特征捕捉能力，因此，用学习得到的基函数字典代替固定正交基函数对图像进行压缩具有重要意义。本课题研究基于稀疏表示理论的超光谱图像压缩技术，主要研究内容包括：a) 基函数字典学习机制的研究；b) 基于字典的波段图像稀疏表示方法研究；c) 稀疏系数量化器与码率控制模型的研究。我们提出了基于四叉树分解和小波变换的多尺度字典学习算法，实现超光谱图像的多尺度表示，并利用波段图像之间的强相关性，逐波段快速编码，实现超光谱图像的压缩。另一方面，我们提出了基于线性光谱混合模型的压缩框架，对超光谱图像进行逐像元编码，这一过程与物理成像过程吻合，更为简单便捷。实验证明，基于稀疏表示的超光谱图像压缩算法优于经典的3D-SPIHT和3D-SPECK算法。特别是在低比特率情况下，可以实现图像的高保真重建。