高光谱图像压缩方法综述

论文来源：“Hyperspectral image compression approaches: opportunities, challenges, and future directions discussion”

0 摘要

（1）由于高光谱图像独特的多维架构，高光谱图像压缩需要一种非常规的编码技术

（2）数据冗余存在于带间(inter-band)和带内(intra-band)，全文围绕这两个方面展开方法描述

（3）全文关键在于二维图像处理、三维图像处理、数字图像处理和遥感图像

1 前言

        常规的HS数据波段长度在400nm~2500nm之间，GF-5(高分五号卫星)不同于常规波段，甚至还要宽。常规可见光光谱波长在400nm~700nm。因此高光谱图像数据存在一定的可视部分。HSI存在空间冗余(spatial redundancy)和光谱冗余(spectral redundancy)。其中光谱冗余是HSI专有特征。因此后续的压缩方法中要同时考虑光谱冗余和空间冗余。

2 方法论

（1）无损压缩和有损压缩：无损压缩和有损压缩方法依赖于原始图像是否可以压缩数据中重新精确生成。

• 无损压缩：没有信号损失，要求重构图像高精度恢复原始信号（常用领域：医学图像、材料分析等）

• 有损压缩：应该保留光谱信息，平衡压缩性能和信息损失

（2）图像压缩方法分类框图

（3）带间和带内压缩方法

高光谱图像压缩的关键两步：

step1：光谱去重，称作带间压缩(inter-band compression)，这一步工作就是降维，例如将三维图像变成二维图像。

step2：使用各种类型的压缩编码器（二维跟三维的都可以），称作带内压缩(intra-band compression)。

压缩过程中，不论是带内压缩还是带间压缩都需要考虑进去。因此常规的HS图像压缩流程如下图

        在高光谱图像中波段与波段间的相关性极高，因此要实现良好的压缩率需要去除相应的冗余信息。基于波段选择的方法是从高光谱图像选择出子带，因此有人提出了基于带内预测和带间分形编码的方法。对高光谱波段处理的第一步是进行分组，将其分成若干组波段(GOBs)，带内预测只取每组的第一个波段。相邻的波段间是存在着强相似性。由于进行分形编码的原始图像和子图像有着较强的相似性，需要找到自相关性，因此编码时间很长。相反，由于图像转化成分形码后与分辨率无关，解码时间就很短。总结起来，基于波段选择的压缩方法(BS)只能实现低速率的有效压缩。

3 基于不同编码算法的压缩方法

（1）基于主成分分析转换的带间压缩(PCA transform based inter-band compression)

• PCA(Principle Component Analysis)压缩是在高光谱压缩中最常见的一种处理方法，它是基于KLT（将M维数据转换到低阶不相关成分）发展的。最大的差异在于集中在前N个成分(M

• PCA在高光谱图像数据的应用主要在于减少高维数据（空间和光谱数据），因此也被称作降维。由于维度降低信息会有所缺失，PCA不适用于要保留完整信息的应用。

• 在应用PCA时的一个重点考虑问题是确定最优化参数（决定执行主成分的最优数量）。所以在确定数量时会有两个不足之处：数量太多会导致较低的压缩率；数量太少会造成一定程度上的图像失真。

（2）基于张量的压缩(Tensors based compression)

• 张量：在物理和工程中运用较为广泛，近期专家把其扩展到图像处理领域。简单的理解可以把张量理解为多维空间的数组。

• 张量分解方法的归类

• 基于张量分解方法的缺点：计算复杂度高、成本高、收敛速度慢

• 关于CP分解和Tucker分解的知识补充 

（3）差分脉冲编码调制（DPCM）

• 差分脉冲编码调制技术包含三个基础步骤：采样(sampling)、量化(quantization)和编码(coding)，编码使用熵编码(entropy coding)，量化的是预测值和真实输入值的差分结果，该算法的优点是可以简化计算成本。

• 基于DPCM提出新的方法C-DPCM，是对DPCM的聚类。相对DPCM来讲，C-DPCM处理采用的方法是，后置信号由一个或多个的前置信号进行预测，然后再将预测值和真实值的差值进行差分。如果预测值较为精确，则误差将更小。

• 优点：在相同的精度要求下，DPCM和C-DPCM可以使用更少的位数进行编码实现数据压缩。

• 缺点：无法提供恒定的良好结果。

（4）矢量量化变换(Vector quantization transform)

• 矢量量化(vector quantization)和标量量化(scalar quantization)是有损压缩的常用方法。量化就是用小数据集代替大数据集的简单过程。输入和输出的量化结果可以为向量（矩阵）或标量（常数）。

• VQ处理：可以降低颜色分布

 

• 矢量量化的几种方法以及缺点：

（5）基于各种变换的压缩(Transform compression) 

• TC（Transform coding）变换编码：静态和动态图像的国际压缩标准

• KLT：由于其高度去重能力，已经被广泛应用在高光谱图像压缩中。在KLT变换中进行聚类操作，将一个大的变换分成多个聚类，目的就是为了降低计算成本和获取更好的扩展性能。普通的KLT变换是作用于全部波段上的，因此会产生高复杂度。为了解决复杂度高的问题，提出了基于配对KLT的压缩算法，每次仅作用于两个波段。该方法降低了计算成本也减少了执行难度。

• POT：每次仅在两个波段重复使用KLT会增加计算时间和不同层面上的复杂度。为了克服KLT以下缺点——位深度扩展、缺乏扩展性和内存需求大，提出了POT，也被称作是多元配对主成分分析(multiple pairwise PCA)

• DCT：在目前的压缩领域中是一种相对成熟对算法。它广泛运用在数据、图像和视频压缩。采用DCT变换编码的目标是——在保证失真处于可控范围内去减少保留变换系数的数量。对于HSI提出了基于DCT的分布式源码编码算法，经过改进后成为EZDCT，是一种基于零树结构(zero trees)的类似于小波的树状结构。改进的算法具有较低的复杂度。

        对于二维DCT是先将图像进行8x8的分块，相同的，对于三维DCT就是将图像进行8x8x8的立体分块。对于高光谱图像来说即是在压缩时每8个波段进行一个分组。结合二维空间和光谱DCT，提出了一种基于最优量化表判决学习的三维DCT方法。该算法采用了自适应波段选择的方法减少维度；将相关性高的波段排成一组；再使用JPEG-LS压缩标准进行压缩。

        延续二维DCT的不足，三维DCT也有以下三方面的缺点：必须独立处理相同的块，重构后的图像会出现块效应，从而严重降低了图像的视觉质量；要求将完整图像划分成多组子图像，因此不能有效处理大维度的数据；缺少自适应性。

• DWT：基于DCT的JPEG图像压缩在前面提到，虽然有着执行简单、低成本和性能稳定的优点，但显而易见的缺点是由于独立将图像分成大小相同的分块导致了图像损坏，尤其是在低位速率压缩时。而DWT可以克服这个明显的缺点，因此DWT被引入到图像压缩中。

二维小波变换分解图：

三维小波变换分解图：

EZW零树结构图：

SPIHT-2D空间树结构图：

SPIHT-3D空间树结构图：

（5）基于机器学习的压缩方法

• 稀疏编码（sparse coding），根据高光谱图像的光谱结构所提出的，后续还提出了基于辨别力在线学习稀疏编码算法（discriminative online learning-based sparse coding algorithm）

• 基于字典学习（DL，Dictionary-based learning）方法考虑了输入数据的固定的特征，仅使用少量的字典元素来替代数据集，因此在压缩上可以实现较高效率。在结合了谱系曲线的分类特征和数据重建能力后，提出了基于光谱聚类的字典学习方法（dictionary learning algorithms based on spectral clustering）

（6）基于深度学习的压缩方法

        目前关于深度学习的发展领域大多集中在HSI的分类和特征提取当中。近期的学习当中发现谷歌已着手将深度学习用于图像压缩中。对于深度学习方法来说的缺点就是计算量大、执行效率低。近几年，随着学者的研究，多数网络被提出用在高光谱图像压缩中，慢慢解决了计算量大的问题，由CNN、RNN到GAN，还有常用的BP后向传输网络等。

（7）HSI无损压缩的标准

• CCSDS 121.0-B-1

• CCSDS 122.0-B-1

• CCSDS 123.0-B-1