第31卷，第8期 2011年8月
与光谱分析
光谱学
Spectroscopy and Spectral Analysis
Vol. 31,No. 8 pp2287-2293
August,2011
一种空间划分与谱间预测相结合的超光谱图像压缩新方法
高文”，朱明"，田润澜”，汤
洋
1，中国科学院长券光学精密机械与物理研究所，吉林长春130033
2，中国科学院研究生院，北京100049 3.空军航空大学，吉林长春130000
4.吉林大学电子科学与工程学院，吉林长春130000
摘要超光谱图像因其纹理丰富复条、波段多、光谱分辨率高等特点，在军事、海洋、农业等多方面都应用广泛，但也因其数据基大在数据传输时受到很多限制，研究一种高效超光谱图像压缩方法有着重要的意义。目前光谱图像的压缩方法主要分为基于变换、基于预测和基于失量量化三大方面，其中基于预测的方法具有易于实现、压缩比高等优势应用广泛。文章首先对超光谱图像特性进行了详细分析，对谱间预测算法进行了改进，并结合超光谱图像谱间相关性高、各谱谱间相关性不完全相同的特点，提出自适应划分子空间多
种谱间预测方法相结合的新方法，通过实验证明了该方法的有效性。关键词超光谱；图像压缩；谱间预测；误差补偿；子空间划分
DOI: 10, 3964/j. issn. 10000593(2011)08-2287-07
中图分类号：TP751
引
文献标识码：A
测树方法，并取得较好的效果。
本文对SNMAW算法进行了改进，结合超光谱图像诺
超光谱遥感是20世纪80年代兴起的新型对地观测技术，超光谱图像是利用超光谱传感器对同一对象获得的多个牵光谱波段范润上的图像"]超光诺图像记录了成像地物对多个光谱波段的响应特性，可有效用于地物类型像索级基至亚像索级识别，因纹理丰富、波段多、光谱分辨率高等特点，其在军事、海洋等多方面均有很高应用价值。但其较大数据量和较高数据维给传输、存储都带来较大困难，因此图像压缩"是极其必要的。
目前，超光谱图像的压缩()（包括有损压缩和无损压缩)主要分三大类；基于变换技术[4]、基于失量量化(m11]和基于预测的方法[1213]，其中基于预测的方法不需变换，直接操索像素问的相关性和谱段间的相关性，特别适合高光谱图像压缩，得到了广泛研究，1994年由Memon提出的基于预测树模型的多光谱图像压缩方法[]是一种有效的超光谱图像无摄压缩方法，随后将其推广到3D-CALID(3Dcontext basedadaptivelosslessimagecodec)，张荣等对预测树的定义做了修改，提出一种例邻域最小绝对权值（SNMAW)预测树方法["]，大大简化了预测树构造算法，降低了计算复杂度。此后，吴静等结合自适应线性预测方法[司，利用谱间的局部统计允余和结构允余建立自适应预测器，提出了误差补偿预
收稿日期：2010-06-19，修订日期：2010-09-20
间相关性，提出一种白适应划分子空间与多种谱间预测方式相结合的压缩方法，实验证明本文算法有效、可行。
超光谱图像的特性分析
美国JPL实验室研制的AVIRIS(airbornevisibleand in-frared imagingspectrometer）曾测试过超光谱图像]，每一维图像均为512×614，像素深度：16bit，共224波段，其光谱范用为369.85~2506.81nm，光谱分辨率约10nm，数据组织形式为波段像间隔（band interleavedbypixel，BIP)，见图1。
对于超光谱图像的特性分析将从空间相关性和谱间相关
性两方面进行。 1.1空间相关性
对于超光谱图像，空间相关性是指同一个波段内某一像索与其相邻像索之间的相似性。其经过归一化和离胶化处理后的图像相关性公式为
()/++一 R(L,)
f()u 台
(1)
基金项目：国家高技术研究发展计对(863计期)项目(2005AA778032)资助
作者简介：高文，女，1985年生，中国科学院长券光学精密机城与物理研究所博土研究生万方数据
e-mail: cwenzi@126. com