高光谱图像在光谱分辨率、信息量、信息采集能力等方面都优于传统的图像,然而,过多的冗余和过大的数据量会导致图像处理效率大大降低。图像压缩是一种重要的解决方式。通过压缩不仅能降低数据的维度,还可以提取出原始图像中最具有代表性的成分,在最大程度上去除冗余。传统的压缩算法一般是针对灰度图像和RGB图像提出的。在处理高光谱图像时,面对众多的光谱波段和大量冗余,无法实现有效压缩。针对该问题,本文提出了两种基于张量的高光谱图像压缩算法。张量学习是机器学习领域的重要理论。一个张量是一个多维数列,可有效表示任意维度的数据。本文中提出,将高光谱数据用三阶张量表示,同时保持高光谱图像的空间结构和光谱连续性,以便充分利用高光谱图像的光谱分辨率高、光谱连续的优势。第一种算法是多维线性张量投影算法,该算法可看作传统PCA算法的张量推广。算法通过对张量图像的每一阶求取满足最大散度条件的变换矩阵,最终获得每一阶对应的变换矩阵和低维的系数张量。该算法是高维张量分解为低维张量和低维矩阵的过程。由于分解后的张量和矩阵的维度较低,并且远小于原始高光谱图像的维度,因而可以实现有效压缩。第二种算法是基于块的低秩张量分解算法,该算法综合利用张量块、聚类、张量字典学习、低秩分解等理论,将原始的压缩问题最终转化为若干个张量低秩分解子问题。算法加入了稀疏约束,因此最终分解得到的张量和矩阵维度都很低。与第一种压缩算法不同的是,该算法可以实现单张高光谱图像的压缩。并且单张高光谱图像的压缩性能更好。为了证明本文提出的算法的有效性,本文分别对两种算法进行了压缩与重构对比实验。通过在多个高光谱数据集上的压缩与重构实验表明,第一种基于张量的多维线性投影算法优于传统压缩算法,第二种基于张量块的低秩分解算法优于第一种算法和传统压缩算法。