一种基于非局部和低秩分解的高光谱图像压缩方法技术

本发明专利技术公开了一种基于非局部和低秩分解的高光谱图像压缩方法，利用非局部相似性对高光谱图像进行分块，获得大小相同的高光谱小块，之后根据相似性，相似的块将被聚为一类，同一类的块组成的4阶数据可以被低秩分解，因为分解后的数据大小远小于原始数据大小，从而实现对高光谱数据的压缩，并且可以充分利用高光谱数据的空间结构特征和光谱结构特征。

【技术实现步骤摘要】
【专利摘要】本专利技术公开了，利用非局部相似性对高光谱图像进行分块，获得大小相同的高光谱小块，之后根据相似性，相似的块将被聚为一类，同一类的块组成的4阶数据可以被低秩分解，因为分解后的数据大小远小于原始数据大小，从而实现对高光谱数据的压缩，并且可以充分利用高光谱数据的空间结构特征和光谱结构特征。【专利说明】-种基于非局部和低秩分解的高光谱图像压缩方法
本专利技术属于计算机图像处理
，设及一种图像压缩和重构方法，具体设及 。
技术介绍
高光谱图像于其包含多个波段，相对于灰度图像和RGB图像来说，高光谱含有更多 的光谱信息，因此可W大大提高图像处理的精度。尽管随着高光谱成像技术的成熟和成本 的降低，高光谱图像被越来越多的使用，但是高光谱图像仍然存在一些限制条件。 1)高光谱图像的多个光谱提供更多有用信息，同时也提供了更多的冗余信息，大 大提高了图像处理的时间复杂度和空间复杂度。 2)高光谱图像在W往的应用中往往被当做多个灰度图像处理，每个光谱可W作为 一幅灰度图像，运种处理过程会损失光谱结构信息。 3)-些算法处理高光谱图像时不仅需要单独处理单个光谱，还要将每个光谱所表 示的2维图像拉成1维的向量，运种处理方式不仅丢失了图像的光谱结构信息，也破坏了单 幅灰度图像的空间结构信息。 因此，需要一种既能保留高光谱图像的空间结构信息和光谱结构信息，又能在保 留高光谱图像关键有用信息的基础上丢弃冗余信息的算法。
技术实现思路
为了解决上述技术问题，本专利技术提供了一种既能保留高光谱图像的空间结构信息 和光谱结构信息，又能在保留高光谱图像关键有用信息的基础上丢弃冗余信息的基于非局 部和低秩分解的高光谱图像压缩方法。[000引本专利技术所采用的技术方案是：一种基于非局部和低秩分解的高光谱图像压缩方 法，其特征在于，包括W下步骤： 步骤1:对高光谱图像长和宽不是8的倍数的图像进行裁剪，裁剪为长和宽都是8的 倍数，光谱数不变； 步骤2:将剪裁后的高光谱图像进行标准化，使其每个像素值位于0和255之间； 步骤3:对标准化的高光谱图像进行分块，每个块的空间大小是8*8,然后按相似性 对块进行聚类，每个类构成一个4阶张量； 步骤4:对每个类分别进行低秩分解，得到1个4阶的稀疏张量，和3个低秩的字典矩 阵； 步骤5:最终得到的张量和字典矩阵就是压缩后的所有数据； 步骤6:验证压缩效果，根据压缩后的数据重构高光谱图像，与原始图像对比。 作为优选，步骤3中所述按相似性对块进行聚类，其具体实现过程包括W下子步 骤： 步骤3.1:用一个大小为8*8的窗口在高光谱图像的空间上W步长8移动，获得空间 大小为8*8且光谱数保持不变的高光谱块。每个相邻的块之间没有空间覆盖； 步骤3.2:根据块数求类别数(在本专利中用块数除moo得到类别数），用kmeans+ +算法对所有块聚类，使得相似的块处于同一类； 步骤3.3:由于每个块维度相同，所W同一类的块可W构成一个4阶张量。不同的类 因为块个数不同所W对应的4阶张量的第4阶大小不同。 作为优选，步骤4中所述对每个类分别进行低秩分解，其具体实现过程包括W下子 步骤： 步骤4.1:给出系数张量的目标维度；步骤4.2:根据目标维度对4阶张量进行图克分解，分解后的结果是1个4阶张量和4 个矩阵； 步骤4.3:4阶张量和第4个矩阵相乘的结果是要求的系数，其他3个矩阵是要求的 字典。 作为优选，步骤6中所述根据压缩后的数据重构高光谱图像，是通过系数张量与字 典矩阵相乘得到张量块，将张量块按分块的顺序重新组合即可得到重构后的图像。 本专利技术的有益效果为： (1)本专利技术引入张量，张量可W直接表示3阶的高光谱图像数据;本专利技术设及的压 缩算法直接处理张量数据，因此可W同时保留空间结构信息和光谱结构信息，可W解决上 述问题。 (2)本专利技术引入非局部相似性，非局部相似性常用于图像去噪；对于自然图像来 说，往往有很多小块很相似，可W认为运些小块可W相互替代，在本专利技术设及的图像压缩算 法中，张量表示的高光谱图像被分为很多空间大小相等的张量块(空间大小默认为8*8)，每 个张量块的光谱数是相同的，运可W保证算法能够保留光谱结构信息，同时小块可W保留 空间结构信息。然后将相似的块聚为一类，每一类组成的4阶张量可W通过字典学习分解为 低维的字典和系数，从而实现数据压缩。 (3)本专利技术引入低秩分解，由相似块聚类而形成的4阶张量将分解为一个字典张量 和3个系数矩阵，由于每个类中包含的块是相似的，因此可W认为得到的系数矩阵也是相等 的。 (4)本专利技术实现了在压缩图像的同时更好地保留对后续处理有用的关键信息。【附图说明】 图1:为本专利技术实施例的压缩算法分块和聚类步骤。 图2:为本专利技术实施例的压缩算法低秩分解步骤。【具体实施方式】 为了便于本领域普通技术人员理解和实施本专利技术，下面结合附图及实施例对本发 明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本专利技术，并不 用于限定本专利技术。 本专利技术提供的，包括W下步 骤： 步骤1:对高光谱图像长和宽不是8的倍数的图像进行裁剪，裁剪为长和宽都是8的 倍数，光谱数不变； 步骤2:将剪裁后的高光谱图像进行标准化，使其每个像素值位于0和255之间； 步骤3:对标准化的高光谱图像进行分块，每个块的空间大小是8*8,然后按相似性 对块进行聚类，每个类构成一个4阶张量； 请见图1，高光谱图像用张量表示，对一个高维的3阶张量，将其不覆盖地分为大小 相同的小张量块;然后，将运些张量块中内容相似的聚为一类，每一个类可W构成一个4阶 张量。于是，原始的1个3阶张量变为若干个像素维度较小的4阶张量。 步骤4:对每个类分别进行低秩分解，得到1个4阶的稀疏张量，和3个低秩的字典矩 阵； 请见图2,根据字典学习，每一个聚类而成的4阶张量都可W分解为1个系数张量么 和3个字典矩阵dH，dW，dH的乘积。由于每个类中的所有张量块都是相似的，并且可W相互替 代，因此分解得到的系数张量都是相同的，同样，字典矩阵也是相同的。由图2可见，低秩分 解后的张量和矩阵中不为0的元素很少，总的数据量远远小于原始的高光谱图像的数据量， 从而实现图像压缩的目的。 步骤5:最终得到的张量和字典矩阵就是压缩后的所有数据； 步骤6:验证压缩效果，根据压缩后的数据重构高光谱图像，与原始图像对比。 为了验证压缩的效率，需要将压缩后的数据恢复为原始图像大小，恢复过程为，通 过系数张量与字典矩阵相乘得到张量块，将张量块按分块的顺序重新组合即可得到重构后 的图像。 W上是本专利技术设及的高光谱图像压缩算法的实现步骤。通过张量、非局部相似性 和低秩分解的引入，可W充分利用高光谱图像的优势，实现大幅度压缩数据的同时保留重 要信息。 在具体实现的时候还有W下注意事项： 首先，由于前文提到的要将高光谱图像分块，在算法中默认的块大小为8*8,并且 块与块之间无覆盖，因此原始高光谱图像的空间大小必须满足长和宽都是8的倍数，否则会 出现分块错误。因此在分块之前往往会对图像进行裁剪，将不满足倍数要求的数据的边缘 裁剪使其满足。 其次，由于数据采集设备的差异，采集到的数据的像素值往往差别很大，很可能会 影响图像压缩效果，为了避免运一问题，在分块之前将已经裁剪过的本文档来自技高网...

【技术保护点】
一种基于非局部和低秩分解的高光谱图像压缩方法，其特征在于，包括以下步骤：步骤1：对高光谱图像长和宽不是8的倍数的图像进行裁剪，裁剪为长和宽都是8的倍数，光谱数不变；步骤2：将剪裁后的高光谱图像进行标准化，使其每个像素值位于0和255之间；步骤3：对标准化的高光谱图像进行分块，每个块的空间大小是8*8，然后按相似性对块进行聚类，每个类构成一个4阶张量；步骤4：对每个类分别进行低秩分解，得到1个4阶的稀疏张量，和3个低秩的字典矩阵；步骤5：最终得到的张量和字典矩阵就是压缩后的所有数据；步骤6：验证压缩效果，根据压缩后的数据重构高光谱图像，与原始图像对比。

【技术特征摘要】

【专利技术属性】
技术研发人员：杜博，章梦飞，张乐飞，张良培，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北;42