基于Spiht的超光谱图像压缩

n。m。mary Sindhuja1, a。s。arumugam2，

印度泰米尔纳德邦维鲁德汉讷加尔市Kamaraj工程技术学院电子工程系助理教授
印度泰米尔纳德邦维鲁德汉讷加尔市Kamaraj工程技术学院E.C.E系研究生

摘要

超光谱图像是由数百个光谱波段组成的图像数据，原始数据规模非常大。超光谱图像通常由卫星捕获，这些卫星使用的嵌入式处理器资源有限，因此编码的复杂性至关重要。星载传感器无法存储所有数据，需要将数据传输到地面站，需要减小数据大小以匹配可用带宽，可以采用大压缩技术来缓解这一问题。因此，高性能、低复杂度的压缩编解码器是实现高光谱图像的必要条件。该压缩方案以离散余弦变换(DCT)为基础，利用SPIHT(Set Partitioning In Hierarchical Trees)编码，实现了高光谱图像的有损压缩，且均方误差较小。

关键字

高光谱图像，离散余弦变换(DCT)，分层树集划分(SPIHT)。

介绍

高光谱图像广泛应用于民用和军事领域。这些图像是由飞机或卫星光谱仪获得的，覆盖了地球表面的大片区域。通过分析这些图像中存在的反射光的光谱，就有可能确定陆地和大气中存在什么物质。这些资料被用于各种不同的目的，如环境研究、军事监视以及矿藏的分析和定位。

超光谱图像有许多不同的来源。最常见的可能是来自AVIRIS的数据，这是一种由美国国家航空航天局(NASA)在美国、加拿大和欧洲大部分地区飞行的仪器。AVIRIS收集的图像相当大，每飞行10公里大约有140mb的数据，一天的工作大约有16gb的数据(AVIRIS在线)。EO-1(地球观测-1)卫星上携带的Hyperion成像仪也是高光谱数据的常见来源。图像压缩对于这种应用程序很重要，在分析之前，图像必须压缩并通过有限的带宽载波发送。在早期，为了保存原始数据，科学数据大多是用无损方法压缩的。但是现在，人们对它们的有损压缩越来越感兴趣。最近的卫星spot4和IKONOS在将数据向下连接到地面站之前采用了机载有损压缩。

该方案具有存储空间小、计算时间短、复杂度低等优点。在有损压缩中，重建图像必须在目标比特率下尽可能地与原始图像相似，通常在均方误差意义上。通过提高压缩比，降低了处理高光谱图像的内存需求。

有耗DCT域的计算量比小波变换小得多，复杂度低于其他基于小波变换的方案[2]，[3]，[9]，[14]。基于小波的图像编码的渐进传输，SPIHT实现了较高的嵌入和压缩效率[7]，[11]。

2提出的方法

基于SPIHT的DCT压缩:许多变换编码系统都基于DCT，它在信息打包能力和计算复杂度之间提供了很好的折衷。事实上，DCT的特性已被证明具有实用价值，DCT已成为转换编码系统的国际标准。与其他变换相比，DCT只需要最少的系数就可以在单个集成电路中存储最多的信息，并且子图像之间的边界是可见的。

基于变换的高光谱图像压缩技术通常包括变换和零树编码。该技术的基本原理是利用解相关DCT变换利用频谱冗余和空间冗余，并使用SPIHT编码对变换后的图像进行编码。对于渐进传输，压缩或编码的数据可以嵌入[5]。嵌入的信息可以在任何位置被截断，并将数据重建为可用的分辨率。SPIHT有许多吸引人的特性。它是一种高效的嵌入式技术。基于最优变换压缩技术的编码器和解码器如图1所示。

DCT并不直接减少表示块所需的比特数。事实上，对于一个8位像素的8×8块，DCT产生了一个11位系数的8×8(系数值的范围大于像素值的范围)。比特数的减少从观察到，系数的分布是不均匀的。低频系数通过DCT变换得到集中，其余系数基本为零。比特率降低是通过传输接近零的系数和量化和编码剩下的系数实现的，如下所述。由于系数分布不均匀，原始图像块存在空间冗余。DCT将一块像素值(或残差值)转换为一组“空间频率”系数。2D-DCT特别擅长通过少量系数“压缩”值块中的能量。这反过来减少系数的数量表示输入图像块像素的副本。

SPIHT算法:SPIHT算法改进了零树的概念，用一系列包含系数集的排序列表取代光栅扫描。，零树)和个别系数。这些列表是不重要像素列表(LIP)，不重要集列表(LIS)和重要像素列表(LSP)。

SPIHT算法的步骤如下:

1.初始化LIP、LIS和LSP，确定最大阈值。

2.在SPIHT算法的重要通过中，对无关集列表(LIS)的当前阈值进行了检查。相对于当前阈值，列表中的集合被划分为一个或多个更小的零树集。

3.孤立的不重要系数被附加到LIP (List of significant Pixels)中，而重要系数被附加到LSP (List of significant Pixels)中。

4.LIP也被检查，当系数相对于当前阈值变得显著时，它们被附加到LSP中。

5.二进制符号被编码来描述集合的运动和三个列表之间的系数。

6.由于列表保持隐式排序的重要性顺序，SPIHT实现了高度的嵌入和压缩效率。

7.对于下一次扫描，阈值固定为T/2, n为n-1，并重复步骤3、4和5，直到阈值或比特率符合编码器的要求。

3实验结果

实验在MATLAB图像处理工具MATLAB 7.14 R 2012 a中进行，实验结果通过如图2所示的图形用户界面显示。从IKONOS卫星下载的高光谱图像很少用于性能评估。

对于较高比特率的各种IKONOS卫星输入图像，计算得到各输入图像对应的压缩比(Compression ratio)、MSE、PSNR、编码时间和解码时间等数值，并将其列在Table-I中。

五、绩效衡量

传统上，有损压缩的性能是通过同时测量失真和速率来确定的。失真度量重构数据与原始数据的保真度，而速率最初度量所产生的压缩量。

i)失真:失真通常通过原始数据和重建数据之间的峰值信噪比(PSNR)来测量。设c[x1, x2]为方差为的N1×N2高光谱数据集。设c ' [x1, x2]是由压缩位流构造的数据集。

MSE-原始图像与重建图像之间的均方误差。

v)计算时间(Computation Time):时间复杂度(Time complexity)——衡量执行算法所需的时间

不应影响时间复杂度分析的因素:

Ã¯Â‑Â·选择的编程语言来实现算法

Ã¯Â Â·编译器的质量

Ã¯Â Â·执行算法的计算机的速度

vi)速率失真:将实验结果通过表II制成表格，绘制速率失真图如图3所示。率失真图说明了结果，因为所提出的算法在低比特率时实现了非常差的率失真性能，而在中等和较高比特率时变得非常好。

诉的结论

基于DCT和SPIHT的压缩实现了较高的嵌入和压缩效率。该方案还具有内存需求低、易于维护、安全性好、传输带宽低、经济等优点。

确认

作者要感谢匿名审稿人和编辑，他们帮助提高了这封信的质量。

参考文献

Amanjot Kaur和Jaspreet Kaur，“图像压缩的DCT和DWT的比较”。国际工程研究与发展杂志，卷。1，第4期，pp49-52，(2012年6月)
王志强，王志强，“DCT与DWT图像压缩技术的比较分析”，计算机工程与应用，vol. 2,2011
Anitha。S，“图像压缩使用DCT和DWT，”国际科学与工程研究杂志，卷。2、2011年8月第8期，ISSN 2229- 5518
张忠毅，王晶，罗摩克里希纳，“基于低比特率挖掘的有损高光谱图像压缩”，应用遥感学报5。
法拉克。阿塔。王志强，王志强，“基于嵌入式零树DCT的人脸识别特征提取方法”，中国计算机工程，2010。
t.w.f fry和s.h hauck，“可重构平台上的高光谱图像压缩”，IEEE现场可编程自定义计算机研讨会，2002年。
Nayna Badwaick和k.j教授。Kundargi，“基于SPIHT算法的高光谱图像压缩”，地球科学与遥感研讨会(2010年7月)。
B.Penna, T。Tillo和E.Magli，“有损高光谱数据压缩的转换编码技术”，IEEE地球科学与遥感学报，Vol.45,No.5,pp。1408 - 1421年,2007年5月。
P.Prasanth先生,L。Rangaiah, D.Maruthukumar，“基于DCT, dwt和huffman编码技术的图像压缩的比较与改进”，国际计算机工程与技术，vol.4，第1期，pp54-60, 1月，2013年2月
Rafael C.Gonzalez和Richard E . Woods，“数字图像处理”，第二版，Prentice Hall of India Pvt. Ltd.，新德里1,2007。
A.Said, W.A.Pearlman，“SPIHT图像压缩;方法的属性”，http:/www.cipi.rpi.edu./research/SPIHT/spiht.html。
“fpga -电气工程上的SPIHT图像压缩”，www.ee.washington.edu/faculty/hauck/SPIHT期刊PDF444。
x.t tang, W.A.Pearlman和j.w.m德斯蒂诺，“使用三维小波编码的高光谱图像压缩”，2002年11月7日草案。
潘徐州，刘荣科，“基于分布式源编码的高光谱图像低复杂度压缩方法”。IEEE地理。科学。以及遥感通讯。第9卷第2期，2012年3月。
http://www.ikonos卫星图像。