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,显著缩短重建时间。