高光谱图像是由同一地物对不同波段的电磁波反射成像而得,在可见光到近红外光谱范围内的波段数可达到数百个。高光谱图像纳米级的光谱分辨率使得高光谱图像具有丰富的光谱信息,可以提供地物的精确细节,在环境监测、军事侦查、资源管理、矿产勘探以及植被研究等方面具有广泛的应用。经过几十年的发展,成像光谱仪所获取的数据量随着空间分辨率和光谱分辨率的不断提高而急剧膨胀,其庞大的数据量对高光谱图像的存储和传输造成了巨大的负担,也严重制约着高光谱图像的应用前景。因此,为了提高存储和传输效率并降低成本,对高光谱图像的压缩势在必行。高光谱图像压缩技术可分为无损压缩、近无损压缩和有损压缩,由于高光谱图像作为最有价值的遥感观测数据,绝大多数用来对地物进行精确分析,在压缩时引起的任何图像失真都是不能接受的,因此,高光谱图像的无损压缩技术是近年来遥感领域热门的研究问题,受到国内外学者的广泛关注。当前,在高光谱图像压缩领域并未形成统一的无损压缩标准,为了推动我国高光谱遥感事业的发展,需要更多高性能的高光谱图像无损压缩算法的提出。本文以高光谱图像的无损压缩技术为主线,针对高光谱图像的图像特性,设计了基于递归最小二乘法、光谱聚类和波段排序以及反向搜索的有效压缩算法。首先,本文对高光谱图像的图像特性进行分析,通过空间相关系数和光谱相关系数的计算,总结出在高光谱图像中同时存在空间相关性和光谱相关性、且光谱相关性大于空间相关性的规律,为后续压缩算法的设计提供了理论依据。其次,以高光谱图像的多波段特性为基础,设计了基于递归最小二乘法的高光谱图像无损压缩算法,将光谱预测的过程转化为递归最小二乘滤波器的求解过程,根据不同波段光谱相关性强弱不同的特点,使用不同数量的已知波段预测待测波段,将压缩算法的压缩性能逐波段的最大化,并提出自适应最优预测波段选取模块以缩短了压缩算法在预测波段数目确定阶段的大量运算时间。仿真实验表明,与代表高光谱图像无损压缩领域最高水平的C-DPCM-APL算法相比,该算法可以获得与C-DPCM-APL算法几乎相同的平均输出码流比特率,而在算法时间上仅需C-DPCM-APL算法的五分之一。然后,针对高光谱图像的空间纹理密集和不同波段之间光谱相似度不同的问题,设计了基于光谱聚类和波段排序的高光谱图像无损压缩算法。一方面,该算法利用K-均值聚类算法对高光谱数据中各光谱矢量进行聚类,将同一地物的成像像素归为一类,避免了使用已知像素对不同类别的待测像素进行预测时预测准确度过低的问题,去除了高光谱图像的部分空间冗余;另一方面,该算法通过最优波段排序的方法对高光谱图像中各波段的排列顺序重新进行定义,尽可能地提高排列后各相邻波段之间的光谱相关性,去除了高光谱图像的部分光谱冗余。仿真实验表明,所提预处理方法可将预测压缩算法对16位高光谱图像压缩后得到的平均码流比特率降低约0.05(比特/像素),为高光谱图像的无损压缩提供了一种很好的解决方案。最后,通过对机载可见光/红外成像光谱仪(AVIRIS)的校正过程进行学习,总结出AVIRIS 1997高光谱图像所包含的人工校正规律,并以此为理论基础,设计了基于反向搜索的高光谱图像无损压缩算法。该算法将经典预测器对待测像素的预测结果作为参考值,通过反向搜索方法,在待测像素所在像素行的已知像素中搜索出近似度高的像素,将其灰度值作为候选预测值,并选取最接近参考值的候选预测值作为待测像素的预测结果。仿真实验表明,该算法通过选取待测像素周围适合的已知像素灰度值作为预测结果的操作,合理的利用了校正过程对AVIRIS 1997高光谱图像所生成的校正相关性,使该算法获得了所有对比算法中最低的3.90(比特/像素)的平均输出码流比特率,证明了所提出的反向搜索方法为经典预测压缩算法无法对AVIRIS 1997高光谱图像取得高压缩性能的问题提供了一种合理的解决途径。