高光谱遥感(Hyperspectral remote sensing)与多光谱图像相比的突出特点是谱分辨力的提高,这对于利用遥感图像进行目标分类、识别与跟踪等都具有重要的研究价值和应用意义。然而其巨大的数据量和较高的数据维给高光谱图像的传输和存储都带来较大的困难,因此对其进行有效压缩就具有了更为广泛的意义。 本文通过与其他图像比较分析,充分研究了高光谱遥感图像的特性。验证了高光谱遥感图像较强的谱间相关性和较弱的空间相关性。 首先采用自适应波段选择方法对高光谱遥感图像进行谱间压缩。实验结果说明了自适应波段选择方法的有效性,方法能够选择出特征较好的波段,有助于减少后续处理的计算量并有助于提高后续处理效果。 然后采用基于提升格式的第二代小波变换技术对高光谱遥感图像进行处理,该方法能保证处理后图像包含尽可能多的有效信息。算法中的提升小波是由一种基于矩形栅格和梅花形栅格预测与更新的方法构造出来,其主体思想是对原始图像进行简单的多分辨率分解,然后交替地在矩形栅格和梅花形栅格上使用对偶提升(预测)和原始提升(更新)来改善其性能,向具有某一特性逐渐逼近(提升)。提升算法不仅具有构造简单、速度快等特点,而且在实际压缩效果上也要优于第一代小波变换,取得了良好的压缩效果。 最后采用一种基于矢量量化的方法对高光谱图像进行压缩。用改进的SOFM算法进行矢量量化的码书设计,由于神经网络具有较强的容错性,可解决矢量量化中非典型矢量的匹配问题,而改进的SOFM算法提高了码书的训练训练速度和性能。本算法与利用传统的LBG算法进行码书设计相比,具有更好的压缩效果,实验结果也证明了算法的有效性。