基于殘差偏置和查找表的高光譜圖像無損壓縮

何艷坤，白玉杰

（1.西安電子科技大學通信工程學院，西安710072；2.西北工業大學電子信息學院，西安710172）

基于殘差偏置和查找表的高光譜圖像無損壓縮

何艷坤1，白玉杰2

（1.西安電子科技大學通信工程學院，西安710072；2.西北工業大學電子信息學院，西安710172）

為了提高高光譜遙感圖像的壓縮比，提出一種基于殘差偏置和查找表的高光譜圖像無損壓縮方法。在高光譜圖像的第一譜段圖像采用了無損壓縮標準中值預測器方法進行譜段內預測，其它譜段圖像采用譜間預測方法。首先，在多級查找表（LAIS-LUT）預測方法的基礎上搜索當前預測值，用當前預測值周圍特定的5個像素點和當前像素值周圍相同位置的5個像素點進行比較，通過比較結果，得出一個偏置值；然后在預測殘差上加上偏置值；最后，將最終預測殘差進行算術編碼，并進行了理論分析和實驗驗證。結果表明，針對美國航空航天局的高光譜圖像，所提出的方法比LAIS-LUT壓縮比平均提高0.05；針對國內高光譜圖像，該方法比LAIS-LUT壓縮比平均提高0.07。這一結果對提高高光譜圖像壓縮效率是有幫助的。

圖像處理；遙感；殘差偏置；查表預測算法；無損壓縮

引 言

高光譜成像儀拍攝的圖像是地物在不同波段電磁波（紅外、可見光以及紫外波段）上的成像序列，不同波段包含幾百甚至上千幅圖高光譜圖像，它包含大量豐富的地物的地形、地貌等特征信息，在軍事、大氣、海洋等領域有廣泛和長期的應用價值，由于包含的信息量大，在存儲和傳輸過程中造成很大壓力，必須進行壓縮，因為有損壓縮會對后續的應用造成無法估量的影響，因此高光譜遙感圖像壓縮通常進行無損壓縮。

目前，Rice預測［1］、雙向預測［2］、量化［3］、分類和陪集碼［4］等利用預測［5］、變換［6］以及它們的組合或改進的圖像無損壓縮算法在高光譜遙感圖像上應用比較多，但是基于變換的壓縮算法復雜度較高，壓縮比較低，很難滿足需要。參考文獻［7］中用光測數字實現了對背景區域的高倍壓縮和對目標區域的無損壓縮，但是不適用于高光譜圖像，WU［8］將光譜域信息作為背景，從而提高了高光譜圖像的壓縮比，YAO等人［9］在圖像編碼中使用了對稱法，但是對于高光譜圖像壓縮沒有效果，MAGLI［10］在高光譜圖像壓縮中引用了Kalman濾波器，進一步提高了壓縮比。

MIELIKAINEN提出一種查找表（lookup table，LUT）預測算法［11］，一定程度上去除了高光譜圖像的空間相關性和譜間相關性。HUANG等人［12］在LUT算法上提出一種提升算法---多級查找表算法（locally averaged interband scaling LUT，LAIS-LUT），基于高光譜圖像預測具有學習的特點，實現了高光譜圖像的較高壓縮比。量化算法［3］需要為每一個波段選取一個最優的量化參量，因此復雜度較高。參考文獻［13］和參考文獻［14］中分別利用4個LUT和8個LUT在原有的LUT上提高了一定的壓縮比，但是復雜度比較高，實現有一定困難。作者在深入分析基于LUT及其提升算法的基礎上，提出了一種壓縮比較高、復雜度較低，基于雙估計值LUT預測的容易實現的高光譜無損壓縮算法。

1 傳統LUT及其改進算法

成像光譜儀可以在電磁波譜的紫外、可見光、近紅外和中紅外區域，以數十至數百個連續且細分的光譜波段對目標區域同時成像，形成高光譜圖像。這種波段連續的高光譜圖像，譜間相關性遠遠高于空間相關性，在進行數據壓縮過程中，往往以去除譜間相關性來提高壓縮比，在已經成熟并廣泛應用的高光譜壓縮算法中，以基于LUT的預測以及LUT改進無損壓縮算法性能最優［12］。

LUT預測算法思想如圖1所示［12］。當前譜段中A是當前像素點，B是前一譜段與A對應位置的像素，對A點預測時，首先在前一譜段B點前面的像素值中尋找和B點像素值相等的像素點，如果找到，假設為b1，其中當前譜段內與b1對應位置的點記為a1點，則待處理點A用a1像素值來預測，如果沒有找到b1，則A直接用B預測。

為了更好地去除譜間相關性，許多研究者對LUT預測算法進行了改進，目前來講以LAIS-LUT預測算法性能最優［12］，LAIS-LUT算法在做預測時，首先尋找一個預測估計值，然后尋找兩個當前像素點的LUT預測值，這兩個LUT預測值和預測估計值進行比較，更靠近預測估計值的作為最終的預測值。為了降低復雜度，用雙向預測［2］和量化預測［3］對LAIS-LUT做了一定的改進，參考文獻［13］和參考文獻［14］中分別利用4個LUT預測值和8個LUT預測值在原有的LUT上提高了一定的壓縮比，但是復雜度較高，實現有一定困難。所以本文中提出了一種基于LUT預測改進的算法，相比于LAIS-LUT，在復雜度沒有增加的基礎上，提升了一定的壓縮比。

2 基于殘差偏置的LUT預測算法

2.1 算法簡介

本文中的算法是在LAIS-LUT預測算法基礎上提出的，分為譜段內預測、LAIS-LUT預測和偏置值計算3個部分，第1個譜段預測采用JPEG無損壓縮標準（JPEG lossless compression standard，JPEG-LS）中值預測器，考慮到高光譜譜間相關性遠遠高于空間相關性的特點，其余部分主要利用去除譜間相關性的方法。首先利用LAIS-LUT預測方法，搜索當前像素點的預測值，用當前預測值周圍的5個像素點和當前像素值周圍的5個像素點進行比較，通過比較，得出一個偏置值，然后偏置值加在預測殘差上，把最終的預測殘差進行算術編碼，得到壓縮碼流。

2.2 預測算法

譜段內預測借鑒JPEG-LS的中值預測器，它對于靜止圖像壓縮不僅簡單而且效率較高。設pm，n，z為當前待預測像素點，pnw，pn和pw表示待預測像素點的3個左上方相鄰像素。像素pm，n，z的譜段內預測值為：

對于譜段間預測，如果待編碼序列大小是M× N×Z（行×列×波段），分以下兩步：

當前波段第1行像素點即前M個像素點，直接用LUT預測算法，其余像素點用以下算法預測。

2.2.1 預測值的計算 考慮到高光譜圖像的特點，有如下類似等式［14］存在：

本文中借鑒LAIS-LUT［18］算法中建立的兩個LUT，第2個LUT使用第1個LUT更新前的數據進行預測，這樣就能找到2個LUT預測值，分別記為p0和p1，并分別和進行比較，更靠近的作為當前像素的預測值，如果沒有找到預測值，直接用pm，n，z-1作為預測值。

2.2.2 偏置值的計算 用當前預測值周圍的5個特定像素點和當前像素值周圍相同位置的5個像素點進行比較，圖2是要比較的五像素點位置。

都成立時，當前像素點的最終預測值為ˉpm1，n1，z-2，偏置值設為2；當以下公式：

圖3中只統計了殘差出現次數較多的情況，可以看出本算法和LAIS-LUT相比，殘差為-2，-1，0和2的時候，出現的概率明顯增多，而且0附近的點出現的概率最大，根據算術編碼原理，概率出現的越大，壓縮編碼效率越高。

3 實驗結果與分析

實驗中采用的測試圖像為2006年的美國航空航天局的高光譜圖像（稱為AVIRIS圖像）和由北京圖源有限責任公司提供的國內高光譜圖像（稱為OMISI圖像），AVIRIS高光譜圖像包含224個譜段，每個譜段包含512線，每一行有614個像素，國內OMIS-1的高光譜圖像由128波段組成，覆蓋了從可見光到熱紅外的光譜范圍，共128個波段，每個波段的高光譜圖像大小為512行×512列，每個像素采用16bit存儲。表1是AVIRIS高光譜圖像壓縮比測試結果。表2是OMIS-I高光譜圖像壓縮比，表中sand2-1.img和desert9-1.img全零波段比較多，這兩個波段是去掉全零波段之后進行的測試。本文中所提算法與傳統LUT預測壓縮比算法比較見表3和表4。

由表1和表3可以看出，本文中提出的基于殘差偏置值的LUT預測高光譜壓縮算法對AVIRIS平均壓縮比為3.36，比傳統LUT壓縮算法壓縮比提高了0.20，比LAIS-LUT算法壓縮比平均提高了0.05。

本文中提出的基于殘差偏置的LUT預測高光譜壓縮算法對國內OMIS-I高光譜圖像的壓縮比見表2，壓縮比平均為2.85，由表3可以看出，比傳統LUT壓縮算法壓縮比提高了0.32，比LAIS-LUT算法壓縮比提高了0.07，本算法無論對AVIRIS數據還是OMIS-I數據，壓縮比相對LAIS-LUT都有一定提升。

另外，為了驗證本文中算法在復雜度上的可行性，在計算機上進行了測試分析，計算機運行參量如下：英特爾CPU是W3505，主頻3.06GHz，內存為6.00G。測試圖像用2006年的BSQ格式的高光譜圖像序列和由北京圖源有限責任公司提供的OMISI高光譜圖像。

由表4可以看出，本算法在沒有增加運算量、沒有犧牲運算時間的情況下，提升了一定的壓縮比，具有比較而言最好的壓縮性能。

4 結 論

針對傳統的LUT算法以及LUT改進的LAISLUT算法和TWP-2算法，作者提出了基于殘差偏置的查找表預測高光譜圖像無損壓縮算法。測試結果表明，對AVIRIS高光譜圖像，壓縮比平均比LAISLUT算法提高了0.05，對國內OMIS-I高光譜圖像，比LAIS-LUT算法壓縮比平均提高了0.07。在沒有犧牲時間損耗、增加復雜度的情況下，一定程度上增加了高光譜圖像的壓縮比。

［1］ CHEN Y H，SHI Z L，ZHAO H C，et al.Spatial-spectral associated predictiorrbased rice algorithm for hyperspectral image lossless compression［J］.Chinese Journal of Scientific Instrument，2010，31（1）：105-110（in Chinese）.

［2］ CHANG J，TAO W Sh，NI A，et al.Lossless compression for hyperspectral images based on bi-direction prediction［J］.Electronics Optics&Control，2010，17（10）：65-68（in Chinese）.

［3］ JARNO M，PEKKA T.Lossless compression of hyperspectral images using a quantized index to lookup tables［J］.IEEE Transactions on Geoscience and Remote Sensing Letters，2008，5（3）：471-478.

［4］ SONG J，WU Ch K，ZHANG J.Lossless compression of hyperspectral images based on classification and coset coding［J］.Journal of Electronics&Information Technology，2011，33（1）：231-234（in Chinese）.

［5］ ARNO M N，HUANG B.Lossless compression of hyperspectral images using clustered linear predictionwith adaptive prediction length［J］.IEEE Geoscience and Remote Sensing Letters，2012，9（6）：1118-1121.

［6］ DUTRA A J S，PEARLMAN W A，SILIA E A B.Successive approximation wavelet coding of AVIRIS hyperspectral images［J］.IEEE Journal of Selected Topics Signal Processing，2011，5（3）：370-385.

［7］ ZHOU H，DUAN Y P，WANG J P.Project design for optical image lossless compression technique in range［J］.Laser Technology，2008，32（2）：222-228（in Chinese）

［8］ WU X L，MEMON N.Context based lossless interband compression-extending CALIC［J］.IEEE Transactions on Image Processing，2000，9（6）：994-1001.

［9］ YAO L H，SHAO X D，LIU J X，et al.Application of symmetry method in code recognition of laser guidance signal［J］.Laser Technology，2013，37（6）：791-794（in Chinese）.

［10］ MAGL E，OLMO G，QUACCHIO E.Optimized onboard lossless and near-lossless compression of hyperspectral data using CALIC［J］.IEEE Geoscience and Remote Sensing Letters，2004，1（1）：21-25.

［11］ MIELIKAINEN J.Lossless compression of hyperspectral images using lookup tables［J］.IEEE Transactions on Signal Processing Letters，2006，13（3）：157-160.

［12］ HUANG B，SIRRAJA Y.Lossless compression of hyperspectral imagery via lookup tables with predictor selection［J］.Proceedings of the SPIE，2006，6365：63650l.

［13］ LV Z M，LI J.lossless compression of hyperspectral images based on two-way lookup table prediction［J］.Journal of Optoelectronics· Laser，2012，23（10）：2027-2033（in Chinese）.

［14］ LI J，JIN X L，LI G N.Lossless compression of hyperspectral image for space-borne application［J］.Spectroscopy and Spectral Analysis，2012，33（8）：2264-2269（in Chinese）.

Lossless compression of hyperspectral images based on lookup table and residual offset

HE Yankun1，BAI Yujie2
（1.College of Communication Engineering，Xidian University，Xi'an 710072；2.Department of Electronic Information，Northwestern Polytechnical University，Xi'an 710072，China）

In order to improve the compression ratio of the hyperspectral remote sensing images，a new lookup table（LUT）prediction method was proposed based on residual offset.In the first spectral band of the hyperspectral images，the prediction was conducted within the spectral band by the median prediction method of lossless compression standard.In other spectral bands，the prediction was conducted between the spectral bands.Firstly，the current prediction value was found through locally averaged interband scaling lookup table（LAIS-LUT）prediction method.Then，the specific five pixels around the current prediction value were compared with the corresponding five pixels around the current value.After the comparison，the offset was obtained.The offset was added to the prediction residual error.Finally，the prediction residual error will be coded with algorithm coding.Theoretical analysis and experimental verification show that the lossless compression ratio of the proposed method is increased by about 0.05 in National Aeronautics and Space Administration data and by about 0.07 in Chinese data.This result is helpful to improve the compression efficiency of hyperspectral images.

image processing；remote sensing image；residual offset；lookup table prediction algorithm；lossless compression

TP751.1

A

10.7510/jgjs.issn.1001-3806.2014.05.014

1001-3806（2014）05-0643-04

國家自然科學基金資助項目（61171154）

何艷坤（1991-），女，碩士研究生，主要研究方向為高光譜預測、圖像與信息處理。

E-mail：987738409@qq.com

2013-12-11；

2014-01-07