基于残差偏置和查找表的高光谱图像无损压缩

何艳坤，白玉杰

（1.西安电子科技大学通信工程学院，西安710072；2.西北工业大学电子信息学院，西安710172）

基于残差偏置和查找表的高光谱图像无损压缩

何艳坤1，白玉杰2

（1.西安电子科技大学通信工程学院，西安710072；2.西北工业大学电子信息学院，西安710172）

为了提高高光谱遥感图像的压缩比，提出一种基于残差偏置和查找表的高光谱图像无损压缩方法。在高光谱图像的第一谱段图像采用了无损压缩标准中值预测器方法进行谱段内预测，其它谱段图像采用谱间预测方法。首先，在多级查找表（LAIS-LUT）预测方法的基础上搜索当前预测值，用当前预测值周围特定的5个像素点和当前像素值周围相同位置的5个像素点进行比较，通过比较结果，得出一个偏置值；然后在预测残差上加上偏置值；最后，将最终预测残差进行算术编码，并进行了理论分析和实验验证。结果表明，针对美国航空航天局的高光谱图像，所提出的方法比LAIS-LUT压缩比平均提高0.05；针对国内高光谱图像，该方法比LAIS-LUT压缩比平均提高0.07。这一结果对提高高光谱图像压缩效率是有帮助的。

图像处理；遥感；残差偏置；查表预测算法；无损压缩

引 言

高光谱成像仪拍摄的图像是地物在不同波段电磁波（红外、可见光以及紫外波段）上的成像序列，不同波段包含几百甚至上千幅图高光谱图像，它包含大量丰富的地物的地形、地貌等特征信息，在军事、大气、海洋等领域有广泛和长期的应用价值，由于包含的信息量大，在存储和传输过程中造成很大压力，必须进行压缩，因为有损压缩会对后续的应用造成无法估量的影响，因此高光谱遥感图像压缩通常进行无损压缩。

目前，Rice预测［1］、双向预测［2］、量化［3］、分类和陪集码［4］等利用预测［5］、变换［6］以及它们的组合或改进的图像无损压缩算法在高光谱遥感图像上应用比较多，但是基于变换的压缩算法复杂度较高，压缩比较低，很难满足需要。参考文献［7］中用光测数字实现了对背景区域的高倍压缩和对目标区域的无损压缩，但是不适用于高光谱图像，WU［8］将光谱域信息作为背景，从而提高了高光谱图像的压缩比，YAO等人［9］在图像编码中使用了对称法，但是对于高光谱图像压缩没有效果，MAGLI［10］在高光谱图像压缩中引用了Kalman滤波器，进一步提高了压缩比。

MIELIKAINEN提出一种查找表（lookup table，LUT）预测算法［11］，一定程度上去除了高光谱图像的空间相关性和谱间相关性。HUANG等人［12］在LUT算法上提出一种提升算法---多级查找表算法（locally averaged interband scaling LUT，LAIS-LUT），基于高光谱图像预测具有学习的特点，实现了高光谱图像的较高压缩比。量化算法［3］需要为每一个波段选取一个最优的量化参量，因此复杂度较高。参考文献［13］和参考文献［14］中分别利用4个LUT和8个LUT在原有的LUT上提高了一定的压缩比，但是复杂度比较高，实现有一定困难。作者在深入分析基于LUT及其提升算法的基础上，提出了一种压缩比较高、复杂度较低，基于双估计值LUT预测的容易实现的高光谱无损压缩算法。

1 传统LUT及其改进算法

成像光谱仪可以在电磁波谱的紫外、可见光、近红外和中红外区域，以数十至数百个连续且细分的光谱波段对目标区域同时成像，形成高光谱图像。这种波段连续的高光谱图像，谱间相关性远远高于空间相关性，在进行数据压缩过程中，往往以去除谱间相关性来提高压缩比，在已经成熟并广泛应用的高光谱压缩算法中，以基于LUT的预测以及LUT改进无损压缩算法性能最优［12］。

LUT预测算法思想如图1所示［12］。当前谱段中A是当前像素点，B是前一谱段与A对应位置的像素，对A点预测时，首先在前一谱段B点前面的像素值中寻找和B点像素值相等的像素点，如果找到，假设为b1，其中当前谱段内与b1对应位置的点记为a1点，则待处理点A用a1像素值来预测，如果没有找到b1，则A直接用B预测。

为了更好地去除谱间相关性，许多研究者对LUT预测算法进行了改进，目前来讲以LAIS-LUT预测算法性能最优［12］，LAIS-LUT算法在做预测时，首先寻找一个预测估计值，然后寻找两个当前像素点的LUT预测值，这两个LUT预测值和预测估计值进行比较，更靠近预测估计值的作为最终的预测值。为了降低复杂度，用双向预测［2］和量化预测［3］对LAIS-LUT做了一定的改进，参考文献［13］和参考文献［14］中分别利用4个LUT预测值和8个LUT预测值在原有的LUT上提高了一定的压缩比，但是复杂度较高，实现有一定困难。所以本文中提出了一种基于LUT预测改进的算法，相比于LAIS-LUT，在复杂度没有增加的基础上，提升了一定的压缩比。

2 基于残差偏置的LUT预测算法

2.1 算法简介

本文中的算法是在LAIS-LUT预测算法基础上提出的，分为谱段内预测、LAIS-LUT预测和偏置值计算3个部分，第1个谱段预测采用JPEG无损压缩标准（JPEG lossless compression standard，JPEG-LS）中值预测器，考虑到高光谱谱间相关性远远高于空间相关性的特点，其余部分主要利用去除谱间相关性的方法。首先利用LAIS-LUT预测方法，搜索当前像素点的预测值，用当前预测值周围的5个像素点和当前像素值周围的5个像素点进行比较，通过比较，得出一个偏置值，然后偏置值加在预测残差上，把最终的预测残差进行算术编码，得到压缩码流。

2.2 预测算法

谱段内预测借鉴JPEG-LS的中值预测器，它对于静止图像压缩不仅简单而且效率较高。设pm，n，z为当前待预测像素点，pnw，pn和pw表示待预测像素点的3个左上方相邻像素。像素pm，n，z的谱段内预测值为：

对于谱段间预测，如果待编码序列大小是M× N×Z（行×列×波段），分以下两步：

当前波段第1行像素点即前M个像素点，直接用LUT预测算法，其余像素点用以下算法预测。

2.2.1 预测值的计算 考虑到高光谱图像的特点，有如下类似等式［14］存在：

本文中借鉴LAIS-LUT［18］算法中建立的两个LUT，第2个LUT使用第1个LUT更新前的数据进行预测，这样就能找到2个LUT预测值，分别记为p0和p1，并分别和进行比较，更靠近的作为当前像素的预测值，如果没有找到预测值，直接用pm，n，z-1作为预测值。

2.2.2 偏置值的计算 用当前预测值周围的5个特定像素点和当前像素值周围相同位置的5个像素点进行比较，图2是要比较的五像素点位置。

都成立时，当前像素点的最终预测值为¯pm1，n1，z-2，偏置值设为2；当以下公式：

图3中只统计了残差出现次数较多的情况，可以看出本算法和LAIS-LUT相比，残差为-2，-1，0和2的时候，出现的概率明显增多，而且0附近的点出现的概率最大，根据算术编码原理，概率出现的越大，压缩编码效率越高。

3 实验结果与分析

实验中采用的测试图像为2006年的美国航空航天局的高光谱图像（称为AVIRIS图像）和由北京图源有限责任公司提供的国内高光谱图像（称为OMISI图像），AVIRIS高光谱图像包含224个谱段，每个谱段包含512线，每一行有614个像素，国内OMIS-1的高光谱图像由128波段组成，覆盖了从可见光到热红外的光谱范围，共128个波段，每个波段的高光谱图像大小为512行×512列，每个像素采用16bit存储。表1是AVIRIS高光谱图像压缩比测试结果。表2是OMIS-I高光谱图像压缩比，表中sand2-1.img和desert9-1.img全零波段比较多，这两个波段是去掉全零波段之后进行的测试。本文中所提算法与传统LUT预测压缩比算法比较见表3和表4。

由表1和表3可以看出，本文中提出的基于残差偏置值的LUT预测高光谱压缩算法对AVIRIS平均压缩比为3.36，比传统LUT压缩算法压缩比提高了0.20，比LAIS-LUT算法压缩比平均提高了0.05。

本文中提出的基于残差偏置的LUT预测高光谱压缩算法对国内OMIS-I高光谱图像的压缩比见表2，压缩比平均为2.85，由表3可以看出，比传统LUT压缩算法压缩比提高了0.32，比LAIS-LUT算法压缩比提高了0.07，本算法无论对AVIRIS数据还是OMIS-I数据，压缩比相对LAIS-LUT都有一定提升。

另外，为了验证本文中算法在复杂度上的可行性，在计算机上进行了测试分析，计算机运行参量如下：英特尔CPU是W3505，主频3.06GHz，内存为6.00G。测试图像用2006年的BSQ格式的高光谱图像序列和由北京图源有限责任公司提供的OMISI高光谱图像。

由表4可以看出，本算法在没有增加运算量、没有牺牲运算时间的情况下，提升了一定的压缩比，具有比较而言最好的压缩性能。

4 结 论

针对传统的LUT算法以及LUT改进的LAISLUT算法和TWP-2算法，作者提出了基于残差偏置的查找表预测高光谱图像无损压缩算法。测试结果表明，对AVIRIS高光谱图像，压缩比平均比LAISLUT算法提高了0.05，对国内OMIS-I高光谱图像，比LAIS-LUT算法压缩比平均提高了0.07。在没有牺牲时间损耗、增加复杂度的情况下，一定程度上增加了高光谱图像的压缩比。

［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

国家自然科学基金资助项目（61171154）

何艳坤（1991-），女，硕士研究生，主要研究方向为高光谱预测、图像与信息处理。

E-mail：987738409@qq.com

2013-12-11；

2014-01-07