一、基于JPEG2000的高光谱图像压缩方案(论文文献综述)
王林,杨红,卿粼波,滕奇志,何小海,陈洪刚[1](2021)在《基于分层预测的高光谱图像分布式有损压缩算法》文中提出针对高光谱图像星载压缩存在内存资源、计算能力有限等问题,提出一种基于分层预测的高光谱图像分布式有损压缩算法。该算法将高光谱图像分为K波段和WZ波段,并采用不同的编解码方式,其中K波段采用JPEG2000进行压缩,WZ波段采用分布式编码方案。利用小波变换去除高光谱图像的空间冗余,再利用高光谱图像的谱间相关性,设计出分层预测结构生成高质量的WZ波段边信息,以减少信道编码所需的码率。验证结果表明,与未考虑去除光谱冗余的静止图像编码标准JPEG2000、考虑了去除光谱冗余的传统高光谱图像有损压缩算法DWT+JPEG2000以及基于像素域的分布式有损压缩算法相比,该算法具有良好的率失真性能,在低码率情况下优势明显,适合星载高光谱图像有损压缩。
李皎皎[2](2021)在《超光谱数据无损压缩及CUDA并行加速研究》文中研究表明本文研究的超光谱数据具体指高光谱遥感图像和极光光谱数据。高光谱遥感图像在农林业、军事侦察、城市规划、污染监测等领域都有广泛应用。研究极光对研究太阳活动及其对地球的影响有重大意义。但是高光谱遥感图像和极光光谱数据的数据量都很大。例如一幅由AVIRIS采集的高光谱遥感图像的大小超过148 MB,并且随着空间分辨率和谱间分辨率的不断提高,高光谱遥感图像的大小还在不断增大。而极光是动态变化的,探测设备在持续不断的采集,一天采集的极光光谱数据总量可达数GB。巨大的数据量给存储、传输和处理都带来极大挑战,因此必须通过数据压缩技术减小数据量。另外,因为数据量巨大,压缩也非常耗时。对于高光谱遥感图像来说,压缩引入的巨大时间开销是一些对实时性有要求的应用场景所无法接受的;对于极光光谱数据来说,如果要实现极光光谱数据从极地科考站到国内的实时传输,压缩引入的巨大时间开销也是无法接受的。因此必须对高光谱遥感图像和极光光谱数据的压缩进行加速。本文利用GPU来并行加速高光谱遥感图像和极光光谱数据的压缩。GPU具有强大的并行计算能力,可以在不影响压缩性能的前提下大大提高压缩速度。本文的主要研究内容及特色如下:1.研究了C-DPCM高光谱遥感图像无损压缩算法,对算法的压缩性能进行了测试并与其它几种优秀的无损压缩算法进行了对比。实验结果表明,C-DPCM高光谱遥感图像无损压缩算法具有优秀的压缩性能,但在CPU上串行压缩一幅高光谱遥感图像的时间在大约17~38分钟之间。为了提高高光谱遥感图像的压缩速度,本文采用GPU来并行加速C-DPCM算法,并分别采用共享内存和寄存器、多CUDA流技术和多GPU技术对C-DPCM算法的CUDA实现进行优化。最终将高光谱遥感图像的压缩时间缩短为2秒左右,加速比最高接近700倍。2.研究了基于在线线性回归预测的极光光谱数据无损压缩算法,对算法中的预测系数计算和残差编码进行了改进,并通过实验验证了所提出的改进措施对提高压缩性能的有效性。另外,由于在预测系数计算过程中存在大量重复计算,不仅浪费计算资源,还严重影响压缩速度,因此本文提出了预测系数的分解计算方法,消除了重复计算,大大提高了计算速度。经过测试,在CPU上串行压缩时一幅极光光谱图像的压缩时间大约为11秒。为进一步提高压缩速度,本文采用GPU来并行加速极光光谱图像的压缩,并分别采用共享内存和寄存器、多CUDA流技术和多GPU技术对CUDA并行程序进行优化。最终,将极光光谱图像的压缩时间缩短为大约620毫秒,加速比约为18倍。虽然加速比不高,但极光光谱图像数据量巨大,因此并行压缩相比于串行压缩依然可以节省大量时间。3.将深度神经网络应用于极光光谱图像压缩,设计了一个基于LSTM的极光光谱数据无损压缩框架。压缩的时候,首先用训练好的神经网络预测极光光谱图像中的每一个像素,然后原始的极光光谱图像减去预测图像得到残差图像,最后对残差图像熵编码。实验结果表明,本文设计的LSTM神经网络具有良好的压缩性能,平均压缩码率比本文的在线线性回归预测算法低0.11 bpp,有效提高了极光光谱图像的压缩性能。
秦鹏程[3](2020)在《高光谱遥感图像压缩自适应预测器优化研究》文中提出针对高光谱图像海量数据的存储和数据无损压缩比较低的问题,从三维数据的角度出发,提出一种对自适应预测器进行优化的高光谱遥感图像压缩算法。首先,计算各个波段之间的相关性,按照最优波段相关性建立参考波段索引表,依据最优参考波段索引表进行谱间预测,得到谱间预测后的残差图像。其次,依据图像自身的特征选择三维空间预测器或者谱空联合预测器对最优参考波段谱间预测后的残差图像数据再次进行预测处理,其中三维空间预测器与谱空联合预测器的选择是参考最优参考波段索引表的统计,在各个波段之间都处在较大的相关性时,表明数据在三维空间内存在较大的相关性,选择三维空间预测器,否则选择谱空联合预测器,这两种优化后的预测器兼顾了不同类型的数据压缩。最后,生成的残差图像中的信息熵相对原图已经有大幅度的降低,对残差图像进行算术编码,得到压缩后的数据。由实验分析可得,在优化的自适应预测器算法中的两个预测器得到的压缩效果差别不大,通过优化自适应预测器压缩算法得到的压缩效果,与普通的相类似压缩算法相比,压缩比有明显地提高,可以得出本文中的算法为有效的高光谱遥感图像无损压缩算法。该论文有图23幅,表11个,参考文献67篇。
杜婧[4](2020)在《基于深度卷积神经网络的图像压缩方法研究》文中提出随着摄像头的不断更新换代,图像的分辨率越来越高,所占空间也越来越大,为图像的存储和传输带来了巨大的挑战。除了考虑增加存储空间、升级带宽外,还应该从图像本身出发,研究图像压缩技术,在保证图像质量的情况下,尽量减少存储空间。基于深度学习的图像压缩方法近几年发展迅速,其中基于卷积神经网络的方法已经成为主流的压缩方法。该类方法主要分为四部分:编码器、量化器、熵编码器以及解码器。编码器采用卷积层提取图像特征,学习紧凑表示。中间特征经过量化器和熵编码器后形成比特流用于存储和传输。解码器采用卷积层恢复图像信息,损失函数采用率失真函数进行优化。高光谱图像是一种新型的遥感图像,蕴含丰富的空间、光谱、辐射信息,在地质监测、环境保护、海洋气象探测、资源普查等方面运用十分广泛。但是高光谱图像数据量大,给图像的传输和存储带来巨大挑战。因此,对高光谱图像的压缩也十分重要。许多高光谱图像压缩方法已被提出,但是目前尚未有基于深度学习的高光谱图像有损压缩的相关工作。鉴于以上问题,本文基于卷积神经网络,研究了自然图像以及高光谱图像的有损压缩方法,主要工作如下:1.提出了基于对偶Squeeze-and-Excitation(SE)模块的卷积神经网络图像压缩方法。考虑到自然图像深度压缩框架中存在的特征图数量多且相关性强这一特点,该算法结合通道注意力机制,设计了对偶SE模块。在编码器使用SE模块(SEblock),针对不同的特征图学习不同的权重响应,改善了特征图的分布,进一步提高熵编码的压缩率;在解码器中使用反向SEblock(ISEblock),采用按通道相除权重来补充丢失的图像细节信息。该算法在标准测试集Kodak数据集上与Ballè’s,JPEG,JPEG2000和WebP四种方法进行比较,在低比特率下保留了更多的图像纹理和而细节部分,视觉质量得到明显改善。2.提出了基于端到端残差卷积网络的高光谱图像压缩方法。该算法考虑到高光谱图像数据空谱相关性强,数据量大且训练难度高,所以采用全卷积网络结合残差层的方式组成编码器和解码器。将高光谱图像以三维张量的形式整体输入到网络,编码器交替使用卷积层和残差层,保留光谱信息的同时有重合地提取空谱融合特征,同时降低特征图的空间维度。解码器交替使用反卷积层、残差层以及Subpixel层,恢复图像的空间信息和光谱信息。该算法训练集与测试集均来自CAVE数据集,并与两种传统方法JPEG和JPEG2000进行比较,实验结果显示该算法在低比特率下恢复的图像质量更高,光谱信息更加完善,对高光谱图像压缩具有较好的处理效果。3.提出了基于空谱联合深度卷积网络的高光谱图像压缩方法。该算法考虑到高光谱图像数据不仅要去除空间冗余,还要考虑波段之间的相关性,于是利用深度框架分步压缩光谱和空间信息。首先使用1×1卷积核对光谱信息进行压缩,然后再利用大卷积核提取空间特征,并降低特征图的空间维度。在解码器对称使用1×1反卷积结构恢复被压缩的光谱信息。该方法分别与JPEG、JPEG2000以及本文提出的基于端到端残差卷积网络的高光谱图像压缩方法进行比较,在PSNR和MS-SSIM上均有显着提高。
张燕琪[5](2019)在《基于聚类的高光谱图像压缩技术研究》文中指出高光谱图像具有超过一百个光谱的波段,其可以提供丰富的光谱和空间信息,因此高光谱图像的应用范围越来越普遍,例如,地物、目标检测和解混等领域。尽管图像分析可以从高光谱图像丰富的数据中受益,但是庞大的数据可能会给高光谱图像的存储和传输带来沉重的负担。因此,如何有效压缩成为高光谱图像应用中的一个重要问题。压缩技术大致可以分为两大类:无损和有损压缩方法,这取决于是否可以将压缩数据精确地重新生成原始图像。对于无损压缩,关键是要消除数据冗余而不丢失信息。相反,有损压缩虽然失去一些信息但获得比无损压缩更高的压缩比。有损压缩是高光谱图像压缩中的一个很有前途的研究课题,也是本文研究的重点。本文的研究内容主要有:1.神经网络大多应用在二维数据图像中,对三维高光谱图像应用不充分。通过阅读大量有关神经网络的文献提出一种基于自适应波段聚类主成分分析和反向传播神经网络的高光谱图像压缩算法。该算法利用反向传播神经网络的输入层到隐含层对应压缩、隐含层到输出层对应解压缩的架构对高光谱图像进行压缩,该算法可有效提高图像信噪比。2.研究高光谱图像发现其谱间相关性大于空间相关性,针对此特性提出一种基于预测和矢量量化的高光谱图像压缩算法。首先利用谱间相关性,通过预测前一波段的像素数据,将符合要求的预测结果继续预测下一波段,通过设置合理的参数,在预测步骤中95%以上的波段可通过预测结果来预测波段数据。最后,利用矢量量化对预测数据进行压缩。3.提出一种基于稀疏表示的高光谱图像压缩算法。该算法针对高光谱数据量大,压缩时间长的问题,只对非零系数和字典进行压缩,计算复杂度低,并且在解码端可以根据字典与非零系数快速重建图像,显着缩短重建时间。
黄碧莹[6](2019)在《高光谱图像目标检测算法的实时处理系统设计》文中研究指明高光谱遥感图像图谱合一,包含几百个连续的谱段成像信息,通过利用丰富的图谱信息,能够准确地检测出感兴趣的目标物质。因此,在空间探测领域,面向高光谱图像的目标检测技术受到了广泛的重视和应用。然而,海量的高光谱图像数据与有限的卫星下传信道带宽之间存在矛盾,客观上要求必须在星上完成感兴趣目标信息的实时检测,并将检测到的目标区域图像优先编码下传,以减小信道传输压力。其中的关键问题是如何在兼顾处理速度和资源消耗的前提下,实现高光谱图像目标检测的星上实时处理。为此,本文选择检测性能优异的无监督可递归的正交子空间投影算法(UROSP)作为研究对象,研究分析该算法实时处理所面临的难点问题,并给出相应的解决方案。本文的具体研究工作如下:一、本文提出了一种实时无监督可递归的目标检测算法(RT-UROSP)。针对UROSP算法进行非预期目标提取时,存在图像正交投影耗时较长的问题,RT-UROSP算法提出可以用向量算子投影取代复杂的矩阵算子投影。为了便于硬件实现,经过分析非预期目标提取阶段和预期目标检测阶段的原理,发现二者存在类似的运算步骤,所以RT-UROSP提出类似的运算可以共用一个处理单元。二、为了满足星上实时目标检测系统对于处理速度和资源消耗的要求,本文设计了一个基于RT-UROSP算法的硬件结构。针对串行图像投影运算速度慢的问题,本文所设计的硬件结构利用多个并行处理核完成对向量投影运算的加速。为了降低资源消耗,所设计的硬件结构中的核心运算模块在检测控制模块的调度下,既可以完成非预期目标提取,又可以实现预期目标检测。三、为了完成星上实时高光谱图像目标检测,并减少中继卫星信道传输带宽的压力,本文设计实现了基于Xilinx XC7VX690T FPGA的高光谱目标检测实时处理系统。该系统包含能够实时检测目标物质的RT-UROSP算法子系统,以及基于斜率位移法的快速感兴趣区域压缩子系统。实验结果表明,该系统在TE1数据集上抑制4个非预期目标的检测时间为7.2ms,相比MATLAB上运行UROSP算法的速度提高了44.9倍。该系统在HYDICE Urban数据集上抑制8个非预期目标的检测时间为29.8ms,相比MATLAB上运行UROSP算法的速度提高了46.5倍。本文实现的系统消耗资源较少,LUT约占片内总量的30.99%,BRAM约占56.4%,DSP48E1约占29.34%。实验结果说明,本文实现的高光谱目标检测实时处理系统在满足实时检测要求的同时,可以达到处理速度和资源消耗的平衡。
李永军[7](2017)在《图像与视频低复杂度压缩算法研究》文中研究指明图像和视频是与人感官最密切的信息载体,而网络通信、大规模集成电路以及传感器等技术的飞速发展和人们生活、娱乐、学习和科研等需求的快速提升,不但使人们获取图像和视频的方式日益增多,也使图像和视频的空间、时间和谱间等分辨率及量化深度不断提高,从而导致数据量迅速增加。无论从设备更新速度还是经济条件的角度,单靠硬件的支持已经不能满足实际需要,而有效的解决方法之一就是通过低复杂度的图像和视频压缩减少数据量,节省存储空间和传输带宽。而图像和视频压缩技术逐渐成熟和标准化使得海量的压缩数据广泛存在,如何从这些压缩的大数据中直接挖掘出需要的信息,实现压缩域图像和视频的快速再压缩,以便满足不同应用场景对不同码率的需求,已经成为人们研究的一个热点。直接在图像和视频压缩域进行快速再压缩,既可以省去“解压缩-再压缩”的复杂过程也可以避免压缩域已存在信息的重复计算,从而大大提高快速再压缩的整体性和实时性。由于前端压缩器已经很大程度上消除了图像和视频的冗余,在再编码过程中,如果仍然采用针对整幅图像无差别的再压缩方法,很难满足实际需求,因此,基于显着性感知的视频图像压缩域再压缩系统逐渐受到了人们的关注,而在该系统中压缩域的显着性检测是关键。本论文围绕图像和视频压缩技术进行研究,主要包括图像和视频低复杂度压缩算法研究和服务于基于显着性感知的压缩域快速再压缩的显着性检测算法研究,具体工作概括如下:一,JPEG2000由于采用具有良好时频特性的DWT取代了传统DCT,在编码效率和复原图像质量上均远优于JPEG等传统压缩算法。但已有的JPEG2000算法,多是在单小波子带采样的基础上进行改进和完善,具有复杂度高、能量分散的缺点。针对该问题,本文采用以具有自仿映射性的三角区域为支撑区间,以其上的常数函数为尺度函数构建的具有对称、紧支、正交的双正交不变集多小波滤波器取代JPEG2000框架下的单小波滤波器。实验证明该双正交不变集多小波滤波器用于图像压缩具有算法复杂度低、变换后能量和熵集中程度高、无分块效应以及便于并行计算等优点。二,高光谱图像以其高度的图谱合一特性被广泛应用于农业、工业和军事等领域,而分布式信源编码是符合高光谱图像数据特点的有效压缩方法。但已有的分布式高光谱图像无损压缩算法主要强调了谱间相关性,而忽略了空间相关性。针对该问题,本文给出了基于预测误差分块和多谱段预测的分布式高光谱图像无损压缩算法。该算法把高光谱图像每个16×16像素块的预测误差分成4×4的预测误差子块,每个4×4预测误差子块传输的比特率由该子块最大的预测误差来决定,并采用多元陪集编码方法进行压缩编码。这样可以充分利用高光谱图像的局部相关性,而且不必增加额外信息,从而降低传输比特率。实验结果表明,该方法具有较好的压缩性能、较低的编码复杂度和高度的并行性,非常有利于卫星在轨压缩。三,图像和视频压缩算法的逐步成熟和标准化使得海量的压缩数据广泛存在,如何从压缩的图像和视频流中提出有用的信息进行再压缩是一个新的研究热点。本文提出了一种基于预测残差DCT系数范数(RDCN)和操作块描述长度(OBDL)的快速高效显着点检测模型,为压缩域基于显着性感知的再压缩技术服务。直接提取于部分解码的RDCN特征和OBDL特征分别归一化后,进行空域和时域滤波得到SRDCN和OBDL特征映射图。然后,使用随着量化参数变化的融合系数对SRDCN和OBDL特征映射图进行融合。最后,采用高斯模型进行显着性增强和非显着性抑制。该显着点检测模型集成了像素域显着性检测的有效性和压缩域显着性检测的实时性。实验表明该模型具有比目前显着点检测模型更高的检测准确度,而且速度比同类算法快10倍以上,非常适合于压缩视频流再压缩或转码以及嵌入式的相机实时显着性检测。四,图像和视频基于分块的压缩算法决定了压缩域中提取的显着性检测特征具有局域性,而显着性不但具有局域性也具有全局性。针对该问题,本文提出了基于预测残差离散余弦变换系数(RDCN)范数和马尔可夫场(MRF)的视频图像压缩域显着点检测模型。RDCN特征直接提取于部分解码的压缩视频,该特征经过归一化、时空滤波后(SRDCN图),被送到MRF模型,并得到优化的二进制标签图。根据标签图和中心显着图,对SRDCN图进行显着性增强和非显着性抑制,最终得到SRDCN-MRF显着图,完成视频图像压缩域的人类关注点检测。与相似的MRF模型相比,不但改进了已经存在的能量函数,并且引进了表示关注点位置信息的新的能量函数。这些改进有利于进一步提高显着性检测精度并降低计算复杂度。在两个通用的具有标定的数据库上,通过多个精度检测标准对该模型进行验证和比较。实验结果表明所提出的显着性检测模型和现有最新的压缩域和像素域的模型相比具有较好的效果,与同类模型相比该模型的计算复杂度降低超过26%。
胡灿[8](2016)在《高光谱图像压缩方法研究》文中提出高光谱遥感图像在获得地表图像信息的同时,也获得其光谱信息,通过对光谱数据进行合理、有效的分析处理,可以广泛应用于众多领域。然而高光谱图像所拥有的庞大数据量对其传输与存储造成了极大的困难,严重限制了其应用与发展,因此必须对其进行有效的压缩,高光谱图像压缩处理等相关技术已经成为现代科技的重要组成部分。本文在现有研究成果的基础上,对高光谱图像压缩方法进行了深入研究。文章的主要内容有:第一,针对现有算法对高光谱图像的谱间特性利用不够充分的问题,提出了一种自适应波段聚类PCA(Principal Component Analysis,PCA)结合JPEG2000的高光谱图像压缩方案。该方案在吸引力传播(Affinity Propagation,AP)算法的基础上设计了一种自适应波段聚类分组算法,对聚类后的各个波段组分别进行PCA运算,最后利用静态图像压缩标准JPEG2000对所有主成分进行编码压缩。实验结果表明,该方案与对比算法相比,显着提高了压缩效果。第二,针对在传统的数据压缩框架下,所包含的高速采样过程必然造成资源的严重浪费,编码端过于复杂等问题,将压缩感知理论引入高光谱图像压缩中,对现有的基于压缩感知模式的高光谱图像压缩算法进行了深入研究。第三,提出了一种高光谱图像变投影率分块压缩感知结合优化谱间预测重构方案。编码端将高光谱图像所有波段聚类成若干组,每组的类中心即为参考波段,其余的则为普通波段,然后对不同波段分别采用不同精度的分块压缩感知以获取测量值。解码端,参考波段直接采用稀疏度自适应匹配追踪(Sparsity Adaptive Matching Pursuit,SAMP)算法进行重构,而对于普通波段,则设计了一种优化谱间预测结合SAMP算法的新模型进行重构:首先通过重构的参考波段双向预测普通波段,并对其进行压缩投影,然后计算预测前后普通波段投影值的残差,最后利用SAMP算法重构该残差,以此修正预测值。实验结果证明,该方案与同类算法相比明显改善了整体的压缩性能。
陈善学,胡灿,屈龙瑶[9](2015)在《基于自适应波段聚类PCA的高光谱图像压缩》文中进行了进一步梳理对高光谱图像进行有效压缩已经成为高光谱遥感领域的研究热点。针对现有高光谱图像压缩算法谱间特性利用不够充分的问题,提出了一种自适应波段聚类PCA(principal component analysis)与JPEG2000相结合的高光谱图像压缩算法。算法采用基于吸引力传播聚类的方法进行自适应波段聚类,对聚类后的各个波段组分别进行PCA运算,最后利用JPEG2000标准对所有主成分进行编码压缩。对高光谱图像进行波段聚类,不仅能更有效地利用谱间相关性,提高压缩性能;还可以降低PCA的运算量。实验结果表明,该算法在相同压缩比下,其信噪比、异常检测、光谱角性能相比对比算法均有所改善。
王磊[10](2014)在《基于张量的高光谱遥感图像压缩研究》文中研究说明高光谱遥感图像成像光谱技术能够在电磁波谱的紫外、可见光、近红外与中红外区域获取很多非常窄但光谱连续的图像数据。这些高光谱数据与传统的遥感数据相比,其空间与谱间分辨率都大幅增加,从而使其在目标检测与识别,土地类型分析,农业以及环境监测研究等方面的应用更为广泛。但分辨率增加的同时,其拥有的数据量也急剧增加,造成这些数据的保存和传输非常不便,因此对高光谱图像进行有效的压缩显得尤为必要。传统的高光谱遥感图像压缩算法主要分为无损压缩与有损压缩。但由于对高光谱遥感图像传输具有高压缩比与实时性要求等苛刻条件,无损压缩很难满足要求,因而寻找高保真的有损压缩方法成为当前研究高光谱图像技术人员的急切目标。有损压缩主要有基于离散小波变换的方法。离散小波变换能提供高压缩比和高保真度,但其提供的解相关性能并非最好的。除了离散小波外,目前两维情况下最好的解相关方法是基于主元分析的。但一般的主元分析只考虑到两维情况,而对高维数据,比如高光谱遥感图像,其并不能很好地利用数据整体的信息。本文提出一种基于张量分解和小波包变换的高光谱图像压缩算法。首先,该算法能利用张量分解的性质,充分提取高光谱图像中各个模式的信息,并利用其中包含有空间信息的光谱模式对高光谱图像的光谱维进行解相关。之后,运用比经典Mallat小波分解更为有效的小波包变换对光谱去相关后保留下来的高阶主成分进行JPEG2000压缩。针对采用张量分解算法压缩图像耗时过长的问题,我们根据基于JPEG2000标准的图像压缩算法的特点,采用改进的二分搜索法,简单有效地降低了提出算法的时间复杂度。实验结果表明,提出的算法压缩性能远远好于经典的基于三维小波的算法,并且由于张量分解的应用,不论在码率失真表现还是信息保真度上,提出的算法均比基于二维主元分析的高光谱图像压缩算法更具优势。由于当今高光谱图像的用途越来越广泛,因此特别针对高光谱图像中的异常点信息的保持问题,我们采用了另一种解决方案。在压缩过程中先采用异常点检测算法将异常点进行移除,并将原异常点位置进行邻域插值后再进行压缩,同时把提取出来的异常点矢量进行无损压缩来提高压缩算法对细节信息的保持能力。从实验结果中可以看出,此算法能更进一步提高本文基于张量压缩算法的压缩性能。最后,在一般张量分解的基础上引入分解时的非负约束,即利用非负张量分解,对高光谱遥感图像进行空间和光谱方向的分块压缩。通过实验结果可以看出,引入的非负分解约束更符合自然图像的意义,能较好地提升分解效果,并且分块压缩能很好地降低整个算法的运行复杂度,使本文算法对实际应用更有意义。
二、基于JPEG2000的高光谱图像压缩方案(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于JPEG2000的高光谱图像压缩方案(论文提纲范文)
(1)基于分层预测的高光谱图像分布式有损压缩算法(论文提纲范文)
0 引言 |
1 基于分层预测的分布式有损压缩 |
1.1 整体框架 |
(1) GOP设置预处理。 |
(2) 编码。 |
(3) 解码。 |
1.2 分层预测结构 |
1.3 边信息生成方式 |
2 实验结果与分析 |
2.1 数据描述 |
2.2 实验结果 |
2.2.1 边信息质量对比 |
2.2.2 整体RD性能对比 |
2.2.3 时间复杂度对比 |
3 结束语 |
(2)超光谱数据无损压缩及CUDA并行加速研究(论文提纲范文)
摘要 |
ABSTRACT |
符号对照表 |
缩略语对照表 |
第一章 绪论 |
1.1 研究背景和意义 |
1.1.1 高光谱遥感图像压缩的背景和意义 |
1.1.2 极光光谱数据压缩的背景和意义 |
1.1.3 GPU并行加速高光谱遥感图像和极光光谱数据压缩的背景和意义 |
1.2 国内外研究现状 |
1.2.1 图像无损压缩算法国内外研究现状 |
1.2.2 GPU并行加速图像压缩国内外研究现状 |
1.2.3 基于人工神经网络的图像压缩算法国内外研究现状 |
1.3 论文主要研究内容及结构安排 |
1.4 论文主要创新点 |
第二章 高光谱遥感图像和极光光谱数据空谱相关性分析及CUDA编程基础介绍 |
2.1 引言 |
2.2 高光谱遥感图像数据集介绍及空谱相关性分析 |
2.2.1 AVIRIS高光谱遥感图像数据集 |
2.2.2 AVIRIS图像空谱相关性分析 |
2.3 极光光谱数据空谱相关性分析 |
2.4 GPU编程基础知识 |
2.4.1 GPU编程模型及并行加速思想 |
2.4.2 GPU常用存储器及其特性 |
2.4.3 GPU编程常用优化技术 |
2.5 本章小结 |
第三章 C-DPCM高光谱遥感图像无损压缩算法 |
3.1 引言 |
3.2 C-DPCM高光谱图像无损压缩算法概述 |
3.2.1 光谱聚类 |
3.2.2 线性预测 |
3.3 聚类数和预测阶数的调优 |
3.4 实验结果与分析 |
3.4.1 C-DPCM算法压缩性能 |
3.4.2 C-DPCM算法压缩效率 |
3.5 本章小结 |
第四章 C-DPCM高光谱图像无损压缩算法CUDA并行加速 |
4.1 引言 |
4.2 C-DPCM算法CUDA实现的总体框架 |
4.3 C-DPCM算法中预测系数的CUDA并行计算 |
4.3.1 矩阵乘法的CUDA实现 |
4.3.2 矩阵求逆的CUDA实现 |
4.4 实验结果与分析 |
4.4.1 共享内存和寄存器优化C-DPCM算法 |
4.4.2 多CUDA流技术优化C-DPCM算法 |
4.4.3 多GPU技术优化C-DPCM算法 |
4.5 本章小结 |
第五章 基于在线线性回归预测的极光光谱数据无损压缩 |
5.1 引言 |
5.2 极光光谱数据在线线性回归预测算法 |
5.3 对在线线性回归预测算法的改进 |
5.3.1 对预测系数计算的改进 |
5.3.2 对残差编码的改进 |
5.4 预测阶数、每行建立的方程数和异常值阈值的最优化 |
5.4.1 在空间方向预测时预测参数的优化 |
5.4.2 在谱方向预测时预测参数的优化 |
5.5 实验结果与分析 |
5.5.1 空间方向预测和谱方向预测时压缩性能的对比 |
5.5.2 极光光谱数据在线线性回归预测算法的压缩性能 |
5.5.3 极光光谱数据在线线性回归预测算法的压缩效率 |
5.6 本章小结 |
第六章 极光光谱数据在线线性回归预测算法CUDA并行加速 |
6.1 引言 |
6.2 预测系数的分解计算方法 |
6.3 前缀求和的CUDA并行实现 |
6.4 矩阵乘法和矩阵求逆的CUDA并行计算 |
6.5 实验结果与分析 |
6.5.1 共享内存和寄存器优化在线线性回归预测算法 |
6.5.2 多CUDA流技术优化在线线性回归预测算法 |
6.5.3 多GPU技术优化在线线性回归预测算法 |
6.6 本章小结 |
第七章 基于深度学习的极光光谱数据无损压缩 |
7.1 引言 |
7.2 基于LSTM的极光光谱图像压缩框架 |
7.2.1 压缩框架概述 |
7.2.2 边界问题处理 |
7.3 实验结果与分析 |
7.3.1 LSTM压缩框架中参数的优化 |
7.3.2 LSTM神经网络的压缩性能 |
7.4 本章小结 |
第八章 总结与展望 |
8.1 总结 |
8.2 展望 |
参考文献 |
致谢 |
作者简介 |
(3)高光谱遥感图像压缩自适应预测器优化研究(论文提纲范文)
致谢 |
摘要 |
abstract |
变量注释表 |
1 绪论 |
1.1 研究背景 |
1.2 课题研究的意义 |
1.3 课题国内外研究现状 |
1.4 论文结构安排 |
2 高光谱遥感图像压缩相关理论 |
2.1 数据压缩的相关理论 |
2.2 本文中用到的编码介绍 |
2.3 图像压缩标准中的无损压缩 |
2.4 高光谱数据相关性的定义 |
2.5 本章小结 |
3 自适应预测器的优化设计 |
3.1 三维空间预测方法 |
3.2 谱空联合预测方法 |
3.3 自适应预测器 |
3.4 本章小结 |
4 实验分析与结果 |
4.1 实验数据与环境说明 |
4.2 实验结果对比与分析 |
4.3 本章小结 |
5 结论与展望 |
5.1 本文算法的总结 |
5.2 算法的不足和可扩展研究之处 |
5.3 未来展望和可研究方向 |
参考文献 |
作者简历 |
学位论文数据集 |
(4)基于深度卷积神经网络的图像压缩方法研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 课题背景与研究意义 |
1.1.1 图像压缩的背景以及必要性 |
1.1.2 高光谱图像简介 |
1.2 国内外研究现状 |
1.2.1 传统图像压缩技术现状 |
1.2.2 高光谱图像压缩技术现状 |
1.2.3 深度学习在图像压缩方向的应用 |
1.3 本文主要内容与创新点 |
1.4 本文组织与结构 |
2 图像压缩算法以及深度学习基本理论 |
2.1 引言 |
2.2 压缩理论及其传统图像压缩方法 |
2.2.1 信息论基础 |
2.2.2 DCT变换 |
2.2.3 量化与熵编码 |
2.2.4 图像质量评价指标 |
2.3 高光谱图像压缩基本理论 |
2.3.1 高光谱图像相关性分析 |
2.3.2 高光谱图像编码原理 |
2.4 深度学习基础理论 |
2.4.1 反向传播 |
2.4.2 卷积神经网络 |
2.5 本章小结 |
3 基于对偶SE模块的卷积神经网络图像压缩方法 |
3.1 引言 |
3.2 端到端卷积图像压缩框架 |
3.2.1 编码器和解码器 |
3.2.2 激活函数 |
3.2.3 量化器 |
3.2.4 率失真函数 |
3.3 基于对偶SE模块的卷积神经网络图像压缩算法 |
3.3.1 总体框架与流程 |
3.3.2 对偶SE模块 |
3.4 实验结果 |
3.4.1 数据集与评价标准 |
3.4.2 实验环境和参数设置 |
3.4.3 实验结果 |
3.5 本章小结 |
4 基于端到端残差卷积网络的高光谱图像压缩方法 |
4.1 引言 |
4.2 基于残差卷积网的自编码结构 |
4.3 基于端到端残差卷积网络的高光谱图像压缩方法 |
4.3.1 总体框架与流程 |
4.3.2 编码器 |
4.3.3 解码器 |
4.3.4 量化和率失真函数 |
4.4 实验结果 |
4.4.1 数据集与评价标准 |
4.4.2 参数设置 |
4.4.3 实验结果 |
4.5 本章小结 |
5 基于空谱联合深度卷积网络的高光谱图像压缩方法 |
5.1 引言 |
5.2 基于空谱联合深度卷积网络的高光谱图像压缩方法 |
5.2.1 特征降维 |
5.2.2 总体框架与流程 |
5.2.3 基于空谱联合深度卷积网络的高光谱图像压缩算法 |
5.3 实验结果 |
5.3.1 数据集和评价指标 |
5.3.2 参数设置 |
5.3.3 实验结果 |
5.4 本章小结 |
6 总结与展望 |
6.1 论文总结 |
6.2 不足之处及未来展望 |
致谢 |
参考文献 |
附录 |
(5)基于聚类的高光谱图像压缩技术研究(论文提纲范文)
摘要 |
abstract |
注释表 |
第1章 引言 |
1.1 课题研究背景及意义 |
1.2 高光谱图像压缩算法研究现状 |
1.2.1 基于预测的高光谱图像压缩算法 |
1.2.2 基于变换的高光谱图像压缩算法 |
1.2.3 基于矢量量化的高光谱图像压缩算法 |
1.3 论文的主要研究内容 |
1.4 论文的主要结构 |
第2章 高光谱图像压缩算法 |
2.1 自适应差分脉冲调制 |
2.2 变换 |
2.3 矢量量化 |
2.4 神经网络 |
2.4.1 神经网络基本介绍 |
2.4.2 Back Propagation神经网络 |
2.4.3 广义回归神经网络 |
2.5 稀疏表示 |
2.6 本文压缩性能评价指标 |
2.6.1 光谱角 |
2.6.2 信噪比 |
2.6.3 峰值信噪比 |
2.6.4 压缩比 |
2.6.5 计算复杂度 |
2.7 本文实验数据介绍 |
2.8 本章小结 |
第3章 基于神经网络的高光谱图像压缩算法 |
3.1 基于自适应波段聚类主成分分析和反向传播神经网络的压缩算法 |
3.1.1 算法描述 |
3.1.2 仿真实验 |
3.2 基于预测和矢量量化的压缩算法 |
3.2.1 算法描述 |
3.2.2 仿真实验 |
3.3 本章小结 |
第4章 基于稀疏表示的高光谱图像压缩算法 |
4.1 基于稀疏表示的高光谱图像压缩算法 |
4.1.1 算法描述 |
4.1.2 仿真实验 |
4.2 本章小结 |
第5章 总结与展望 |
5.1 工作总结 |
5.2 发展总望 |
致谢 |
参考文献 |
攻读硕士学位期间从事的科研工作及取得的成果 |
(6)高光谱图像目标检测算法的实时处理系统设计(论文提纲范文)
摘要 |
ABSTRACT |
符号对照表 |
缩略语对照表 |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 高光谱目标检测算法研究现状 |
1.2.2 感兴趣目标压缩算法研究现状 |
1.3 本文研究内容以及论文安排 |
第二章 高光谱目标检测算法 |
2.1 OSP算法 |
2.2 ROSP算法 |
2.3 ATGP算法 |
2.4 UROSP算法 |
2.5 本章小结 |
第三章 RT-UROSP算法及平台介绍 |
3.1 高层次综合工具 |
3.1.1 FPGA简介 |
3.1.2 HLS简介 |
3.2 RT-UROSP算法 |
3.3 MATLAB算法验证 |
3.4 本章小结 |
第四章 高光谱实时目标检测系统设计 |
4.1 RT-UROSP硬件结构 |
4.2 核心运算模块 |
4.2.1 内积加速器 |
4.2.2 目标投影器 |
4.2.3 算子更新器 |
4.2.4 向量分配器 |
4.3 检测控制模块 |
4.4 综合优化策略 |
4.5 实时目标检测系统 |
4.6 本章小结 |
第五章 实验平台与结果分析 |
5.1 实验平台及环境 |
5.1.1 实验平台 |
5.1.2 数据集 |
5.1.3 目标提取精度 |
5.1.4 压缩性能评价标准 |
5.2 实验结果与分析 |
5.2.1 非预期目标精度 |
5.2.2 目标检测视觉效果 |
5.2.3 目标检测系统性能 |
5.2.4 解压图像视觉效果 |
5.2.5 感兴趣压缩系统性能 |
5.3 本章小结 |
第六章 总结与展望 |
6.1 论文内容总结 |
6.2 未来工作展望 |
参考文献 |
致谢 |
作者简介 |
(7)图像与视频低复杂度压缩算法研究(论文提纲范文)
摘要 |
ABSTRACT |
符号对照表 |
缩略语对照表 |
第一章 绪论 |
1.1 研究背景及目的和意义 |
1.1.1 论文研究背景 |
1.1.2 研究目的和意义 |
1.2 国内外研究现状综述 |
1.2.1 图像数据压缩编码研究现状 |
1.2.2 感兴趣区域检测及压缩研究现状 |
1.3 主要研究内容与章节安排 |
1.3.1 主要研究内容 |
1.3.2 本文结构安排 |
第二章 图像和视频压缩编码技术 |
2.1 压缩编码技术原理 |
2.2 压缩编码技术分类 |
2.3 压缩编码评价准则 |
2.4 压缩编码国际标准 |
第三章 基于双正交不变集多小波的图像压缩编码研究 |
3.1 引言 |
3.2 双正交不变集多小波滤波器设计 |
3.3 多分辨分析 |
3.4 分解与重构算法 |
3.5 双正交不变集多小波用于图像压缩的优势分析 |
3.5.1 算法复杂度 |
3.5.2 能量和熵的集中程度 |
3.6 实验结果与分析 |
3.7 本章小结 |
第四章 基于预测误差分块和多波段预测的分布式高光谱图像无损压缩 |
4.1 引言 |
4.2 分布式信源编码原理及发展 |
4.2.1 分布式信源编码(DSC)原理 |
4.2.2 s-DSC框架 |
4.2.3 s-DSC算法改进 |
4.3 基于分块陪集编码的无损压缩 |
4.3.1 预测误差分块算法 |
4.3.2 多波段预测算法 |
4.3.3 初步实验验证 |
4.3.4 解码 |
4.4 实验结果与分析 |
4.4.1 实验数据 |
4.4.2 压缩效率 |
4.4.3 算法复杂度分析 |
4.5 本章小结 |
第五章 低复杂度视频图像压缩域显着点检测研究 |
5.1 引言 |
5.2 相关工作 |
5.3 压缩域特征 |
5.3.1 预测残差DCT系数范数(RDCN特征) |
5.3.2 操作块描述长度(OBDL特征) |
5.3.3 人眼关注点检测 |
5.4 SRDCNOBDL体系结构 |
5.5 实验结果和分析 |
5.5.1 实验设置 |
5.5.2 模型参数设计 |
5.5.3 显着性检测模型比较 |
5.5.4 视频图像质量的敏感性分析 |
5.5.5 复杂度分析 |
5.6 本章小结 |
第六章 基于马尔可夫随机场的视频图像压缩域显着点检测 |
6.1 引言 |
6.2 相关工作 |
6.3 压缩域SRDCN特征 |
6.4 SRDCN-MRF体系结构 |
6.4.1 马尔可夫随机场模型 |
6.4.2 能量函数 |
6.4.3 优化 |
6.4.4 最终显着性图 |
6.4.5 SRDCN-MRF体系结构 |
6.5 实验结果和分析 |
6.5.1 实验设置 |
6.5.2 模型参数设计 |
6.5.3 显着性检测模型比较 |
6.5.4 视频图像质量的敏感性分析 |
6.5.5 复杂度分析 |
6.6 本章小结 |
第七章 结束语 |
7.1 总结 |
7.2 展望 |
参考文献 |
致谢 |
作者简介 |
(8)高光谱图像压缩方法研究(论文提纲范文)
摘要 |
Abstract |
第1章 引言 |
1.1 研究背景与意义 |
1.2 高光谱图像压缩方法研究现状 |
1.2.1 基于预测编码模式的高光谱图像压缩 |
1.2.2 基于矢量量化编码模式的高光谱图像压缩 |
1.2.3 基于变换编码模式的高光谱图像压缩 |
1.3 论文主要研究内容 |
1.4 论文结构 |
第2章 高光谱图像数据分析以及压缩性能评价 |
2.1 高光谱图像简介 |
2.2 高光谱图像数据分析 |
2.2.1 空间相关性分析 |
2.2.2 谱间相关性分析 |
2.3 高光谱图像压缩性能评价指标 |
2.3.1 压缩能力 |
2.3.2 压缩质量 |
2.3.3 压缩速度和算法复杂度 |
2.4 本章小结 |
第3章 基于JPEG2000的高光谱图像压缩算法 |
3.1 高光谱图像编码原理 |
3.1.1 正交去相关变换编码 |
3.1.2 嵌入式比特平面编码 |
3.1.3 熵编码 |
3.2 静态图像压缩标准JPEG2000 |
3.3 自适应波段聚类PCA结合JPEG2000的高光谱图像压缩方案 |
3.3.1 自适应波段聚类分组 |
3.3.2 主成分分析(PCA) |
3.3.3 整体压缩方案描述 |
3.4 实验结果与性能分析 |
3.5 本章小结 |
第4章 基于空谱特性的高光谱图像压缩感知重构算法 |
4.1 压缩感知理论 |
4.1.1 压缩感知理论简述及研究现状 |
4.1.2 压缩感知理论的数学模型 |
4.2 基于贪婪迭代的匹配追踪类重构算法 |
4.2.1 正交匹配追踪算法(OMP) |
4.2.2 分段正交匹配追踪算法(St OMP) |
4.2.3 子空间追踪算法(SP) |
4.3 高光谱图像变投影率分块压缩感知结合优化谱间预测重构 |
4.3.1 变投影率分配 |
4.3.2 分块压缩感知测量 |
4.3.3 基于SAMP的参考波段重构 |
4.3.4 基于优化谱间预测以及SAMP算法的普通波段重构 |
4.3.5 整体算法描述 |
4.4 实验结果与性能分析 |
4.5 本章小结 |
第5章 总结与展望 |
5.1 工作总结 |
5.2 发展展望 |
参考文献 |
致谢 |
攻读硕士学位期间从事的科研工作及取得的成果 |
(9)基于自适应波段聚类PCA的高光谱图像压缩(论文提纲范文)
1自适应波段聚类算法 |
1.1传统聚类算法 |
1.2AP聚类算法简介 |
1.3AP聚类算法实现 |
1.4AP聚类实验结果及分析 |
2基于波段聚类PCA的高光谱图像压缩 |
2.1高光谱图像的PCA |
2.2高光谱图像PCA的运算量分析 |
2.3总体压缩方案 |
3实验结果与分析 |
4结论 |
(10)基于张量的高光谱遥感图像压缩研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景 |
1.2 高光谱遥感图像压缩研究现状 |
1.3 论文主要工作和创新点 |
1.4 本文章节安排 |
第二章 高光谱遥感图像传统压缩算法 |
2.1 高光谱遥感图像压缩算法概述 |
2.2 基于离散小波变换的压缩方法 |
2.2.1 离散小波变换及离散小波包变换 |
2.2.2 SPIHT |
2.2.3 SPECK |
2.3 基于主元分析结合JPEG2000的压缩方法 |
2.3.1 主元分析 |
2.3.2 JPEG2000 |
2.3.3 算法总结 |
2.4 基于离散小波变换结合非负Tucker分解的压缩方法 |
2.4.1 非负Tucker分解简介 |
2.4.2 算法总结 |
2.5 高光谱遥感图像压缩评价指标 |
2.5.1 信号噪声比 |
2.5.2 光谱角距离 |
2.5.3 地物分类分析 |
2.5.4 异常点检测 |
2.6 实验数据 |
2.7 本章小结 |
第三章 基于Tucker分解以及小波包变换的高光谱遥感图像压缩 |
3.1 张量介绍以及Tucker分解 |
3.2 基于TD+WPT的高光谱遥感图像压缩 |
3.2.1 算法概述 |
3.2.2 算法流程 |
3.2.3 高阶主元数目选取 |
3.3 实验结果与分析 |
3.3.1 算法压缩表现 |
3.3.2 混合像元分解 |
3.3.3 地物分类分析 |
3.3.4 异常点检测结果 |
3.4 本章小结 |
第四章 基于异常点移除的高光谱遥感图像的张量压缩 |
4.1 基于异常点移除压缩算法介绍 |
4.2 压缩算法流程 |
4.3 实验结果与分析 |
4.3.1 压缩信噪比 |
4.3.2 混合像元分解 |
4.3.3 地物分类分析 |
4.3.4 异常点检测结果 |
4.4 本章小结 |
第五章 基于非负张量分解的高光谱遥感图像分块压缩 |
5.1 非负张量分解算法介绍 |
5.2 图像分块方法 |
5.3 压缩算法流程 |
5.4 实验结果与分析 |
5.4.1 压缩信噪比 |
5.4.2 混合像元分解 |
5.4.3 地物分类分析 |
5.4.4 异常点检测结果 |
5.5 本章小结 |
第六章 总结与展望 |
参考文献 |
攻读硕士学位期间发表论文 |
致谢 |
四、基于JPEG2000的高光谱图像压缩方案(论文参考文献)
- [1]基于分层预测的高光谱图像分布式有损压缩算法[J]. 王林,杨红,卿粼波,滕奇志,何小海,陈洪刚. 无线电工程, 2021(11)
- [2]超光谱数据无损压缩及CUDA并行加速研究[D]. 李皎皎. 西安电子科技大学, 2021(02)
- [3]高光谱遥感图像压缩自适应预测器优化研究[D]. 秦鹏程. 辽宁工程技术大学, 2020(02)
- [4]基于深度卷积神经网络的图像压缩方法研究[D]. 杜婧. 南京理工大学, 2020(01)
- [5]基于聚类的高光谱图像压缩技术研究[D]. 张燕琪. 重庆邮电大学, 2019(01)
- [6]高光谱图像目标检测算法的实时处理系统设计[D]. 黄碧莹. 西安电子科技大学, 2019(02)
- [7]图像与视频低复杂度压缩算法研究[D]. 李永军. 西安电子科技大学, 2017(01)
- [8]高光谱图像压缩方法研究[D]. 胡灿. 重庆邮电大学, 2016(03)
- [9]基于自适应波段聚类PCA的高光谱图像压缩[J]. 陈善学,胡灿,屈龙瑶. 科学技术与工程, 2015(12)
- [10]基于张量的高光谱遥感图像压缩研究[D]. 王磊. 复旦大学, 2014(03)