基于SPIHT压缩的超光谱图像

新墨西哥州玛丽Sindhuja1, A.S.Arumugam2,

Asst.教授,E.C.E.系,Kamaraj College of Engineering and Technology, Virudhunagar, Tamilnadu, India
PG.Student,提到过的部门E, Kamaraj工程与技术学院Virudhunagar Tamilnadu、印度

文摘

超光谱图像是图像数据由数以百计的光谱波段导致非常大的原始数据大小。超光谱图像通常被卫星使用嵌入式处理器资源有限,所以编码复杂度是至关重要的。空间承担传感器不能存储的所有数据,需要传输到地面站,有必要减少可用带宽的数据大小来匹配,大压缩技术可以用来缓解这个问题。因此,高性能和低压缩编解码器是超光谱图像所必需的。提出的压缩方案实现了超光谱图像的有损压缩更少的均方误差,基于离散余弦变换(DCT),然后与SPIHT编码(设置分区分层树)。

关键字

高光谱图像离散余弦变换(DCT),设置分区分层树(SPIHT)。

介绍

高光谱图像广泛应用于民用和军事应用。从飞机或卫星获得的图像是光谱仪和覆盖地球表面的大片。通过分析反射光的光谱中出现这些图像,可以确定哪些材料存在的土地和大气中。这个信息被用于环境研究等不同目的,军事侦察和矿藏的分析和位置。

有许多不同的来源的超光谱图像。最常见的可能是来自AVIRIS乐器已被美国宇航局飞行在美国,加拿大和欧洲。AVIRIS收集的图片非常大,大约140 MB的数据每10公里的飞行约16 GB的一天的工作(AVIRIS在线)。亥伯龙神成像仪进行了eo - 1卫星(地球观测1号)也是一个常见的高光谱数据来源。图像压缩是非常重要的对于这个应用程序,图片必须在有限的带宽压缩并发送载波分析之前发生。在早期的科学数据主要通过无损压缩方法,以保留原始数据。但现在,人们越来越感兴趣的有损压缩。最近发现4和IKONOS卫星采用有损压缩,板上之前将数据链接到地面站。

该方案的优点是低内存的空间,更少的计算时间和低复杂性。在有损压缩,重建的图像必须尽可能相似的原始目标比特率,通常在均方误差意义上。通过增加压缩比,处理超光谱图像的内存需求减少。

的计算负载损耗DCT域DWT的要少得多,因此,复杂性是低于其他基于小波的计划[2],[3],[9],[14]。图像编码的小波渐进传输,SPIHT达到高度的嵌入和压缩效率[7],[11]。

二世。提出的方法

基于SPIHT的DCT压缩:许多基于DCT变换编码系统,它提供了一个良好的信息包装能力和计算复杂度之间的妥协。事实上,DCT的属性已被证明是这样的实用价值,DCT变换编码系统已成为一个国际标准。相比其他变换、DCT系数只需要最少的包装最信息在一个集成电路和子图像之间的界限变得可见。

Transform-based对高光谱图像压缩技术一直由变换和图像的编码。这个技术的基础是利用光谱和空间冗余使用decorrelating DCT变换,并使用SPIHT编码编码转换后的图像。渐进传输压缩或编码数据可以嵌入[5]。嵌入信息可以被截断在任何时候和重构数据可用的解决方案。SPIHT有许多吸引人的属性。它是一种有效的嵌入技术。编码器和解码器的最佳transform-based压缩技术如图1所示。

DCT并不直接减少所需的比特数来表示。事实上的8×8块8位像素,DCT产生8×8 11位系数(系数的范围值大于像素值的范围)。减少数量的比特的观察,系数的分布是不均匀的。低频系数集中的DCT变换系数和剩余的其他主要是零。比特率降低是通过传输接近零系数和量化和编码其余系数如下所述。空间冗余存在于原始图像块由于不均匀系数分布。DCT变换块的像素值(或剩余价值)为一组“空间频率系数。二维变换尤其擅长“压缩”值的能量块少量系数。这轮流降低系数的数量代表了输入图像的像素块的副本。

SPIHT算法:SPIHT算法改进了零树概念代替光栅扫描的排序列表包含的系数(即集。、零树)和个人系数。这些列表是微不足道的像素(唇)列表,列表微不足道集(LIS)和重要的像素(LSP)的列表。

SPIHT算法的步骤如下:

1。嘴唇,LIS和LSP是初始化和最大阈值确定。

2。在SPIHT算法的重要通过微不足道的列表设置(LIS)是研究关于当前阈值。对当前阈值列表中的设置然后划分为一个或多个更小的零树集。

3所示。孤立的微不足道的系数是附加到无关紧要的像素的列表(唇),而重要的系数是附加到重要的像素(LSP)的列表。

4所示。嘴唇也检查和系数成为重要的关于当前阈值,它们附加到LSP。

5。二进制编码的符号来描述运动之间的集和系数三个列表。

6。自名单仍隐式分类的重要性排序,SPIHT达到高度的嵌入和压缩效率。

7所示。在接下来的扫描中,阈值是固定的T / 2和n n - 1,重复步骤3,4和5,直到阈值或合规编码器比特率要求。

三世。实验结果

实验中进行了MATLAB图像处理工具MATLAB 7.14 R 2012版本并通过图形用户界面显示的结果类似于图2。几个下载IKONOS卫星产生的高光谱图像被用于绩效评价。

压缩比等计算值、MSE、PSNR,编码和解码时间对应表中的每个输入图像列表,输入各种IKONOS卫星影像在更高的比特率。

诉性能的措施

传统上,有损压缩的性能是由同时测量失真率。变形措施的富达重建数据是原始数据,尽管最初率措施压缩产生的数量。

我)失真:变形通常是通过测量峰值信噪比(PSNR)之间的原始和重建数据。让c (x1, x2)是一组N1×N2高光谱数据的方差。让c’(x1, x2)的数据集是由压缩比特流。

MSE -原始图像之间的均方误差和重建图像。

v)计算时间:时间复杂度——测量所需的时间来执行一个算法

的因素不应影响时间复杂度分析:

一个¯阿·选择的编程语言实现该算法

一个¯·编译器的质量

一个¯·一个算法的计算机的速度执行

vi)率失真:从表实验结果在表二世,率失真曲线绘制像如图3所示。率-失真图表说明结果,该算法达到非常糟糕ratedistortion性能在低比特率和变得非常擅长温和和更高的比特率。

诉的结论

基于DCT和SPIHT压缩达到高度的嵌入和压缩效率。该方案也有优势,内存要求低,易于维护,并提供安全、低带宽传输和经济。

确认

作者要感谢匿名审稿人和编辑帮助改善这封信的质量。

引用

Kaur Amanjot和Jaspreet Kaur”DCT和DWT的图像压缩的比较。“工程研究和发展的国际期刊,卷。1、问题4、pp49-52 (June2012)
Anilkumar Katharotia,斯瓦特•帕特尔和马赫什•Goyani”之间的比较分析DCT和DWT的图像压缩技术”期刊信息工程和应用issn2224 - 896 x9on线),vol.no.2, 2011年
Anitha。年代,“使用DCT和DWT的图像压缩,“国际科学与工程研究》杂志上的卷。2、问题8、ISSN 2229 - 5518年,2011年8月
Chein我Chang Jing Wang Bharath罗摩克里希纳和安东尼奥广场、“低位率基于剥削的有损压缩高光谱图像压缩,“应用远程Sensing5杂志》上。
法拉克。阿塔。R和救世主。H,“基于嵌入式零树DCT特征提取人脸识别,“图像处理ICIP,, 17 thieee IC 2010。
t。w。Fry和年代。豪“可重构平台上的高光谱图像压缩,IEEE研讨会现场可编程定义计算机器,2002。
娜娜Badwaick Prof.K.J。Kundargi”,压缩高光谱图像使用SPIHT算法,“地球科学和遥感研讨会(July2010)。
B.Penna, T。Tillo和E。Magli”变换损耗高光谱数据压缩编码技术,“IEEE地理科学和遥感,Vol.45,第五,pp。1408 - 1421年,2007年5月。
P。Prasanth先生,L。巴和D。Maruthukumar”,比较和改进使用DCT图像压缩,DWT&Huffman编码技术,“国际计算机工程与技术杂志》,第1辑,通常,pp54-60, 2013年1月,2月
拉斐尔·C。冈萨雷斯和理查德E,树林,“数字图像处理”第二版,普伦蒂斯霍尔的印度经纪有限公司新Delhi-1, 2007。
一个。说,西澳最终,“SPIHT图像压缩;属性的方法,“http: / www.cipi.rpi.edu. /研究/ SPIHT / spiht.html。
“FPGAs-Electrical SPIHT图像压缩工程、“www.ee.washington.edu/faculty/hauck/SPIHT PDF444》杂志上。
X。唐、西澳最终,J.W.Modestino,“高光谱图像压缩使用三维小波编码、“Nov.7草案,2002年。
徐州锅和刘Rongke低对高光谱图像压缩方法基于分布式源编码。“IEEE地理。科学。和遥感信。Vol.9,第二,2012年3月。
http://www.ikonos卫星图像。