高光谱图像序列中的运动弱小目标检测

高光谱图像序列中包含时域信息和光谱信息的弱小运动目标检测因其在民用和军用中的重要作用而引起了研究人员的兴趣。本文提出了一种新的空时联合异常方法来解决运动弱小目标的检测问题。该方法分别从空间域和时间域利用异常检测算法计算空间异常图和时间异常图。为了检测目标的运动一致性特征,该方法生成了运动轨迹预测图。将空间异常图、时间异常图和轨迹预测图融合后,可以很容易地从背景中检测到感兴趣的目标。该方法被应用于云杂波背景下的空中目标测试数据集。实验结果表明,该方法具有较低的虚警率和较高的检测率。     

含无效云区域遥感图像在轨压缩方法

遥感图像中含有大面积的无效云区域,剔除云区域后的遥感图像形状呈现非规则特性。针对这类非规则遥感图像的压缩问题,在原始CCSDS IDC算法基础上提出了形状自适应CCSDS IDC压缩方法。方法以原始图像及其云掩膜为输入,对图像中的有效区域进行形状自适应小波变换,利用掩膜图像的Lazy小波变换结果指导小波系数编码,重新设计转义字及扫描字编码码表,最终构建形状自适应的比特平面扫描及编码方法。试验结果表明,压缩比一定的情况下,该方法可提高遥感图像解压缩后质量;图像质量一定的情况下,可以进一步降低数传带宽,增加在轨成像时间,进而提升遥感卫星在轨应用效能。     

基于多种空间信息的高光谱遥感图像分类方法

在高光谱遥感图像分类方法中,空间特征和光谱特征的融合可以有效地改善分类效果。针对单一空间特征的信息表达不充分问题,提出了一种联合多种空间特征的高光谱图像空谱分类方法。利用超像素信息对分类结果进行后处理去掉椒盐噪声,并创造性地将超像素信息应用于分类前处理,提出了一种利用超像素信息对像素点的特征向量进行线性加权融合的方法。试验结果表明,所提方法的性能优于目前的通常方法。     

一种鲁棒的图像小波变换模拟编码传输方法

在复杂度和延迟受限或者可变信道条件下,由于通信系统的一体化设计,信源信道联合编码(JSCC, Joint Source-Channel Coding)技术的应用有助于改善传统的分离结构系统.针对带宽功率限制模拟信道,提出了一种结合了小波变换编码和香农映射信源信道联合编码的静止图像模拟编码传输方法;并基于更加合理的考虑了信道噪声的重建图像失真估计,提出了相应的联合优化带宽分配算法.仿真及分析表明,由于信源信道的联合优化及具有模拟编码传输的特点,该方法表现出良好的编码传输性能,且编解码复杂度和延迟小;同时在信道失配情况下表现出的柔性降级/改善特性有助于提高可变信道条件下系统的鲁棒性和信道带宽利用率.      

基于混合编码的天文序列图像无损压缩算法

提出了一种将时间和空间双维度预测与混合熵编码结合的图像无损压缩算法,应用于星体定点成像的天文序列图像.时间与空间双维度预测可以消除天文序列图像的时间相关性和空间相关性.混合熵编码融合了高熵编码与低熵编码算法,充分利用预测误差分布的稀疏性,进一步提升压缩效率.针对星体的天文序列图像,该算法首先在时间维度上进行帧间预测,去除时间相关性,再对帧间预测后的图像在空间维度上进行直方图滤波和上下文预测,去除空间相关性,最后将预测误差送入熵编码器进行编码.实验结果表明,本文所提出算法的压缩效果优于JPEG-LS,平均压缩比提升约15%.该算法结构简单,计算复杂度较低,易于硬件实现,适合星载天文图像的无损压缩.     

基于三维Saab变换的高光谱图像压缩方法

高光谱图像中存储了丰富的光谱信息,具有极大的应用价值,但现有大部分高光谱图像压缩方法难以同时兼顾图像中的空间冗余与谱间冗余,导致压缩性能受到局限。针对该问题,提出了一种基于三维修正偏置的子空间(Saab)变换的高光谱图像压缩方法。采用三维Saab变换对高光谱图像的分块进行空间光谱信息融合的降维操作,同时去除谱间冗余和局部空间冗余;利用高效率视频编码(HEVC)中的帧内编码模块进一步去除空间冗余和统计冗余;实现低失真、高比率的高光谱图像压缩。在多个高光谱图像数据集上的实验结果表明,所提方法在同码率下重建图像的信噪比(SNR)比采用主成分分析(PCA)降维的方法至少提高0.62 dB,在高码率的情况下性能优于张量分解的压缩方法。同时,验证了不同降维方法对分类任务的性能影响,结果表明,所提方法更好地保留了图像中的重要特征,在低码率的情况下仍可以保持较高的分类精度。     

基于记忆关联学习的小样本高光谱图像分类方法

高光谱图像（HSI）分类是遥感领域的基础应用之一。该任务旨在根据部分带类别标签的像素样本训练分类器,预测图像中剩余像素对应的类别标签。在实际应用中,由于人工标记样本成本过高,只能获得少量带标签的样本。针对少量样本无法准确描述数据分布从而导致训练过程过拟合的问题,提出一种基于记忆关联学习的小样本高光谱图像分类方法。考虑到无标签样本中包含大量与数据分布相关的信息,构建基于有标签样本记忆模块,并根据样本间的特征关联,利用不断更新的记忆模块学习无标签样本的潜在类别分布,构建无监督分类模型,并与传统的有监督分类模型进行联合学习。在多个高光谱图像分类数据集上的实验结果表明,所提方法能有效提升小样本高光谱图像分类的准确性。      

一种基于小波零树的彩色图像编码算法

为提高基于分层树的集合分割算法(SPIHT)的编解码速度,对算法结构重新设计,提出了一种简单的无链表小波零树编码算法.通过预处理和主处理过程实现了流水线编码结构,减少了存储器的访问频率.预处理完成对所有节点显著性的标注,主处理完成无链表的零树编码.对彩色图像编码时首先进行RGB空间到YUV空间的变换,然后在比特平面扫描过程中,依次对YUV三个平面进行编码,这样输出的码流是完全嵌入式的.一般情况下,亮度分量的最高显著平面都高于色度分量.因此通过色度分量输出控制策略,可以进一步提高算法对彩色图像的编码性能.硬件实现结果表明,改进后算法的编解码速度明显提高,而率失真性能并没有下降,所以新算法特别适合高分辨率或不规则图像的编解码芯片设计.     

用整数小波变换进行无失真SAR图像压缩

介绍了利用提升方案(lifting scheme)构造小波变换的3个主要优点,给出了几个整数到整数可逆小波变换对,讨论了SAR图像的特点,提出了一种利用整数到整数小波变换进行无失真SAR图像压缩的方法.该方法具有速度快、可进行同址运算和能进行分级传输等特点.比较了对ERS-1单视SAR图像和IEEE标准测试图的压缩结果,表明性能要略优于DPCM(Differential Pulse Code Modulation)方法,且只须对单视SAR图像作一级小波分解,分解级数增加会使压缩效果变差.     

基于去噪的SAR复图像SPIHT压缩算法

提出一种对合成孔径雷达(SAR,Synthetic Aperture Radar)复图像压缩的改进的分层树集合分割(SPIHT,Set Partitioning in Hierarchical Trees)算法,高效完成SAR复图像压缩,既有效地保留了SAR复图像的相位信息,又抑制了斑点噪声.首先根据SAR复图像的统计特征进行预处理,然后进行小波变换,对不同子带的小波变换系数采取不同的门限,进行软门限斑点噪声抑制,再经过SPIHT量化编码,得到压缩后的码流.仿真实验表明,在64倍高压缩比的情况下,通过对重建SAR复图像数据的相位误差、等效视数、平均空域相关系数等指标的测量,验证了该算法仍然具有很好的性能.      

基于区域小波变换的序列显微图像融合

利用图像处理技术实现序列显微图像的融合显示是解决显微成像焦深有限的有效方法.针对空域融合算法在处理离焦步长较大和透明显微图像时存在的块效应和重影现象,基于图像像素间高度的相关性和小波变换多分辨率分析的特点,提出了一种基于区域小波变换的序列显微图像融合算法:在小波变换域内进行序列显微图像融合时,不同频段选择不同的融合算子;在确定融合的小波系数时,不仅考虑到相应位置的小波系数,还考虑了与它相邻的小波系数,使得融合后图像克服了空域算法存在的块效应和重影现象.同时,研究了不同的小波滤波器对图像融合质量的影响.实验证明,该方法具有很好的融合效果.      

卫星图像零树编码及其效果分析

采用嵌套零树小波编码 (EZW)算法的核心——零树概念和连续逼近量化的思想设计了一个编码器 ,对卫星图像 (小波分解后 )进行压缩实验 ;分析了卫星图像 (小波分解后 )进行零树编码的压缩效果。设计的编码器采用六符号的零树符号集 ,从而把 EZW算法的主过程和副过程合并在一起 ,使得算法流程易于实现。对零树符号流进行无损编码时 ,对比了多种编码方案且未采用适应性算术编码 ,并依据实验结果推荐了较好的无损编码方法。     

基于小波包分解和FCM聚类的纹理图像分割方法

提出了一种新的图像特征提取中选取最优小波分解树的方法.塔式小波分解对信号解不够全面,而小波包全分解又引入庞大的计算量,因此小波分解最优树的选取尤为重要.结合模糊c均值(FCM,Fuzzy C-Mean)聚类,提出了一种能同时进行小波自适应分解和纹理特征分类的纹理图像分割方法,该方法将无监督聚类中的聚类有效性参数引入到自适应小波分解的判决中,能根据无监督聚类分割的需要,自适应地选取小波包分解的树形结构和分解层数.相对于小波包全分解,节省了大量的运算,并能取得良好的分割效果.      

基于小波域的分形图像压缩

在分析产生块效应原因基础上,定义了一种度量块效应的客观方法.为了消除传统分形图像压缩中产生的块效应,提出先将原图像变换到小波域,再进行分形压缩.这种方法既继承了传统分形图像压缩的编码原理,又利用了小波变换的优良特性,从而取得了更好的压缩效果.此外,根据小波系数的能量分布特征,提出了一种加快相似匹配的方法.     

一种基于支持向量机的小波图像压缩方法

提出了一种结合支持向量机(SVM,Support Vector Machines)回归与小波变换的新的静态图像压缩方法.SVM回归方法可以学习原始数据之间的相关性,并采用小部分训练样本,即支持向量来稀疏表示原始数据集,利用这一特性来逼近和约减小波系数,可以达到数据压缩的效果.首先采用小波变换把原始图像分解成不同尺度的多个子带,由于最低频子带系数非常重要,采用DPCM直接编码,然后对其它频带系数采用SVM回归进行压缩.由于不同尺度和方向的小波系数特征不同,为尽可能去除小波系数间的各种相关性,给出了适合SVM回归的小波系数的有效组织方式.最后研究了支持向量及其相应权重的混合编码方法.实验结果表明:与同类压缩方法相比,本算法获得的恢复图像的主客观质量有明显提高.      

一种基于多尺度边缘的图像融合算法

给出了一种只利用源图像多尺度边缘点进行融合的图像融合算法.该算法分为三步:首先, 对源图像进行多尺度边缘检测;其次,采用边缘相关性最大的融合准则对源图像的多尺度边 缘进行融合,得到融合图像的多尺度边缘;最后,由融合图像的多尺度边缘重构 出融合图像.该算法融合过程中计算量小,融合图像中最大程度地保留了源图像的边缘信息 ,在一定程度上对融合图像进行了压缩,从而减小了数据存储所占用的资源以及数据传输占用 的带宽.仿真结果表明,用该算法得到的融合图像能有效包含源图像的信息.