论文部分内容阅读
近年来，光谱成像技术高速发展，被广泛应用于军事、农业、地质、海洋、医学等领域。其中，干涉光谱成像技术的高通量、多通道和高测量精度等优点使其在遥感领域占据重要地位，同时，其过大的数据量决定了压缩的必要性。 本文首先介绍了几种常用的干涉光谱图像数据压缩方法，分析了压缩比受到限制的原因，提出将分类与DPCM结合进行两步压缩的思路，并根据其运算量大的特点提出利用GPU实现加速。对DPCM、AR模型和SIP&QC等压缩算法，由于需要对所有像素点的残差进行编码，压缩比限制于原始图像编码位数与残差编码位数的比值。而基于分类的压缩算法在目标简单时放弃残差编码，对同类目标直接替代的处理方式提供了一种提高压缩比的思路。 为了更好地了解高光谱图像压缩方法，本文进一步介绍了图像压缩的原理、高光谱图像压缩方法的分类以及常用的失真度评价指标。文中说明了压缩能够进行的前提条件是存在信息冗余，介绍了基于预测、基于变换和基于矢量量化三种高光谱压缩方法的流程，比较了几种常用的失真度评价指标的优缺点。 根据干涉光谱的数据特点，提出了基于分类与局部DPCM的联合压缩算法，给出了具体实现方案并编程实现。文中计算了干涉光谱数据立方体三个维度的相关系数，分别从一维干涉曲线、二维干涉图像及三维数据立方体的角度，给出了干涉光谱图像数据的压缩思路。针对分类压缩算法，比较了角度、相对欧氏距离以及干涉RQE三种分类标准，发现相对欧氏距离标准压缩效果较好，并分析了分类精度对压缩效果的影响。通过编程实现了基于分类与局部DPCM的联合压缩算法，其压缩效果优于JPEG2000。 最后，介绍了GPU的硬件基础知识及软件编程方法，在GPU上编程实现了第三章提出的基于分类与局部DPCM的联合压缩算法，并将程序运行时间与CPU比较，发现利用GPU实现可以得到较好的加速效果。