基于DWT和Tucker分解的超光谱图像压缩技术研究

计算机工程与应用 ›› 2014, Vol. 50 ›› Issue (7): 170-174.

基于DWT和Tucker分解的超光谱图像压缩技术研究

孟欠欠1，叶明全1，王超2，毕迎春1

1.皖南医学院，安徽芜湖 241002
2.国家能源局华北监管局，北京 100070

出版日期:2014-04-01 发布日期:2014-04-25

Hyperspectral image compression based on Discrete Wavelet Transform and Tucker decomposition

MENG Qianqian1, YE Mingquan1, WANG Chao2, BI Yingchun1

1.Wannan Medical College, Wuhu, Anhui 241002, China
2.National Energy Administration North China Bureau, Beijing 100070, China

Online:2014-04-01 Published:2014-04-25

摘要/Abstract

摘要： 由于超光谱图像（HSI）的大数据量，HSI压缩技术的研究近年来越来越受到关注。鉴于此，提出了一种基于离散小波变换（DWT）和Tucker分解的HSI压缩方法。充分利用HSI频域和空域的信息，对HSI频带的小波变换系数进行Tucker分解，先利用小波变换将HSI分解为不同的子图像，然后利用Tucker分解实现子图像的压缩；最后用实际的HSI对算法的有效性进行评估。与其他算法的比较结果表明该算法具有更好的性能；实验还显示了压缩HSI在监督分类方法中的作用。

关键词: 压缩, 超光谱图像, 噪声抑制, 小波变换, Tucker分解

Abstract: Recently, researching for compression Hyper Spectral Image（HSI） technology becomes more and more popular, because HSI needs large storage space. In order to solve the above problem, a new method of compression HSI is proposed, which is based on Discrete Wavelet Transform（DWT） and Tucker decomposition. It makes full use of frequency domain and space domain information of HSI, and wavelet transform parameter of HSI frequency band is decomposed by Tucker decomposition. Firstly, HSI is decomposed into different sub images. Then, sub image is compressed with decomposing Tucker. Finally, effectiveness of the method is evaluated in experiments with real HSI, and compared with other algorithm, effectiveness and performance of the new algorithm is more reliable and better. In addition, new compression HSI method has a good performance in supervised classification.

Key words: compression, Hyper Spectral Image（HSI）, noise reduction, wavelet transform, Tucker decomposition

孟欠欠1，叶明全1，王超2，毕迎春1. 基于DWT和Tucker分解的超光谱图像压缩技术研究[J]. 计算机工程与应用, 2014, 50(7): 170-174.

MENG Qianqian1, YE Mingquan1, WANG Chao2, BI Yingchun1. Hyperspectral image compression based on Discrete Wavelet Transform and Tucker decomposition[J]. Computer Engineering and Applications, 2014, 50(7): 170-174.

[1]	黄文斌，陈仁文，袁婷婷. 改进YOLOv3-SPP的无人机目标检测模型压缩方案[J]. 计算机工程与应用, 2021, 57(21): 165-173.
[2]	刘金金，李清宝，李晓楠. 基于对抗学习和知识蒸馏的神经网络压缩算法[J]. 计算机工程与应用, 2021, 57(21): 180-187.
[3]	杜秀丽，马振倩，邱少明，吕亚娜. 基于卷积注意力机制的运动想象脑电信号识别[J]. 计算机工程与应用, 2021, 57(18): 181-185.
[4]	张珊珊，赵建华. 基于IALM的穿墙雷达成像算法[J]. 计算机工程与应用, 2021, 57(11): 77-83.
[5]	蔡鉴明，张贤贤，梁月. 道路交通场景监控视频编码研究[J]. 计算机工程与应用, 2021, 57(10): 187-193.
[6]	范文兵，孙志远. 基于小波域广义高斯分布的SAR图像分割算法[J]. 计算机工程与应用, 2020, 56(5): 222-226.
[7]	孙泽宇，吕治国. 大规模MIMO加权正交匹配追踪信道估计算法[J]. 计算机工程与应用, 2020, 56(5): 118-124.
[8]	王龙钢，刘世杰，冯珊珊，李宏伟. 基于时间误差的循环神经网络参数压缩[J]. 计算机工程与应用, 2020, 56(3): 134-138.
[9]	曹军，陈鹤，张佳薇. 基于超分辨率的多聚焦图像融合算法研究[J]. 计算机工程与应用, 2020, 56(3): 180-186.
[10]	鲍敬源，薛榕刚. 基于YOLOv3模型压缩的交通标志实时检测算法[J]. 计算机工程与应用, 2020, 56(23): 202-210.
[11]	陈子兆，矫文成. 改进的稀疏深度置信网络[J]. 计算机工程与应用, 2020, 56(2): 62-67.
[12]	宫睿，王小春. 基于可协调经验小波变换的多聚焦图像融合[J]. 计算机工程与应用, 2020, 56(2): 201-210.
[13]	万东琴，卿朝进，阳庆瑶，蔡斌，余旺. 叠加特征辅助的1-bit CS音频传输[J]. 计算机工程与应用, 2020, 56(16): 69-74.
[14]	于恒，梅红岩，许晓明，贾慧萍. 基于深度学习的图像压缩算法研究综述[J]. 计算机工程与应用, 2020, 56(15): 15-23.
[15]	杜德，高保禄，田力. 结合快速层式DCT和动态LOD的地形压缩绘制技术[J]. 计算机工程与应用, 2020, 56(13): 223-229.