基于正交匹配追踪的超光谱图像预测压缩方法技术

基于正交匹配追踪的超光谱图像预测压缩方法，涉及图像处理技术领域，针对现有技术中已有超光谱数据压缩方法没有综合考虑超光谱图像在光谱维度上的局部相关性和整体数据分布以及选取多个预测数据时的互相影响进而导致预测准确性低的问题，本申请通过OMP算法自动地在已知数据中根据每一次输入的待预测数据选择指定书目的最优预测参考通道，如果具有先前已知的数据(如过往已经传输过的超光谱图像)，可以利用这些数据初始化已知数据集合，OMP算法会自动进行选择，也就是说增加更多的已知数据不仅不会带来更大的预测系数体积，并且提高了本申请的预测准确性。且提高了本申请的预测准确性。且提高了本申请的预测准确性。

【技术实现步骤摘要】
基于正交匹配追踪的超光谱图像预测压缩方法


[0001]本专利技术涉及图像处理
，具体为基于正交匹配追踪的超光谱图像预测压缩方法。

技术介绍

[0002]超光谱大气探测为气象领域提供了重要的大气资料。探测技术的提高使得光谱分辨率极大提升，使得探测仪能够获得包含更加丰富和精细的大气状态参数信息，大量探测器每天产生庞大数据给地面数据的传输和存储带来了巨大困难，目前应用较为广泛的IASI数据，在3.62
‑
15.5um的波段范围内具有8461个探测通道，每个通道空间分辨率为60
×
1530
×
16bits，这样一幅IASI超光谱图像的数据量大约为1.45Gbytes，如此巨大的数据量给超光谱图像的存储传输和应用处理带来巨大困难，另外，超光谱图像主要用于反演大气温湿度和微量气体等，这些地球物理参数的物理反演涉及到求解辐射传输积分方程，这类方程通常存在非线性问题，微小的数据扰动会带来巨大影响，因此，十分必要研究一种针对于超光谱大气红外遥感图像的无损压缩方法。
[0003]超光谱图像不仅具有本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于正交匹配追踪的超光谱图像预测压缩方法，其特征在于包括以下步骤：步骤一：设定参考通道数目上限S和空间聚类分组数k；步骤二：获取待压缩的超光谱图像，将M
×
N
×
K维超光谱图像的前两个维度合并形成(M
×
N)
×
K维度的矩阵X，并记录原始数据维度M,N,K；步骤三：使用聚类算法将矩阵X按行进行中心化后，得到均值mu，然后将矩阵X按行分为k组，得到分组索引idx，并根据分组索引idx得到子矩阵x
(1)
,x
(2)
...x
(k)
，最后记录均值mu和分组索引idx；步骤四：对于子矩阵x
(j)
，1≤j≤k，将子矩阵x
(j)
第一列作为已知数据矩阵D的第一列且记录在残差矩阵E的第一列E(:,1)＝x
(j)
(:,1)，然后将系数矩阵C的第一行填充0，C(1,:)＝0，将子矩阵x
(j)
的第2列至第S列，执行步骤五，将子矩阵于x
(j)
第S+1列至第K列，执行步骤六至七；步骤五：利用最小二乘法对已知数据矩阵D求解，得到D的伪逆，然后将x
(j)
的第i列记为y，求解方程解为c为y预测系数，然后根据c和已知数据矩阵D得到y预测残差e，表示为e＝y
‑
[Dc]，其中[]表示向下取整，最后将c用0补齐后并记录在系数矩阵C的第i行，将e记录在残差矩阵E的第i列，并根据y和e更新已知数据矩阵D，表示为步骤六：将x
(j)
的第i列记为y，并根据已知数据矩阵D利用稀疏最小二乘方法得到c；步骤七：选择没有残差数值溢出的迭代次数t，并将该次迭代中的c记录在C的第i行，计算取整残差e＝y
‑
[Dc]，将e记录在残差矩阵E的第i列，并根据y和e更新已知数据矩阵D，D表示为步骤八：压缩残差矩阵E得到残差压缩码流，获取系数矩阵C中非零元素位置，然后使用区间编码器对非零元素位置、均值mu、分组索引idx和M,N,K进行编码，得到区间编码器压缩码流，根据非零元素位置索引系数矩阵C得到非零元素的值，最后将非零元素的值、残差压缩码流和区间编码器压缩码流发送给解码端；步骤九：解码端将非零元素的值、残差压缩码流和区间编码器压缩码流解码得到残差矩阵E、系数矩阵C、分组索引idx、均值mu、原始数据维度标识M、N、K；步骤十：根据分组索引idx和原始数据维度标识M、N、K得到每一个子矩阵x
(j)
的维度，对于子矩阵x
(j)
的第一列，将残差矩阵E的第一列作为已知数据矩阵D的第一列，D表示为根据残差矩阵E的第一列得到x
(j)
第一列的原始数据，表示为x
(j)
(:,1)＝E(:,1)；步骤十一：对于子矩阵x
(j)
的第i列，使用x
(j)
(:,i)＝[Dc]+E(:,i...

【专利技术属性】
技术研发人员：陈浩，卢俊宏，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：