高光谱遥感图像通过不同波长的电磁波对相同的物体进行反射成像获得,高光谱遥感图像一般由几百个波段构成,含有大量精细的光谱信息,是地面监测的一种重要手段,在供水评估、资源勘测以及军事侦察方面起着非常关键的作用。但是,高光谱遥感图像数据量庞大,在有限的带宽资源和存储资源的限制下,传输与存储的问题日益凸显,所以有必要对其进行压缩处理,提升传输以及存储效率,使其得到更加广泛的应用。本文结合高光谱遥感图像的空间结构相似性和谱间结构相似性,分析研究了基于小波变换的多尺度字典学习的高光谱图像压缩算法以及空间域与变换域混合的字典学习高光谱图像压缩算法,并且探索了对于在线字典学习在高光谱遥感图像实际应用中的可行性,主要工作包括：(1)分析了高光谱遥感图像的空间结构相似性与谱间结构相似性的统计特性,为高效压缩算法的设计提供理论依托,使得算法的设计更加具有针对性。(2)提出了基于小波变换的多尺度字典学习压缩算法,通过对高光谱图像均匀分块后小波分解构成多尺度的训练样本集实现多尺度的字典学习,在稀疏表示的过程中,使用频次筛选因子简化字典以提高求解速度。实验结果表明,该方法能够提高高光谱图像的重建信噪比,并具有更快的求解稀疏系数的能力。(3)提出了空间域与变换域混合的高光谱图像压缩算法,通过对高光谱图像进行四叉树分解,将不同性质的子块进行不同域的字典学习,在稀疏求解阶段使用伪逆求解(PIM)代替传统的OMP穷尽搜素方法减少计算量。实验结果表明,所提算法在比特率失真性能方面具有巨大的优势,并且能大幅度提高求解速度。(4)进行了在线字典学习以及快速字典学习与传统离线字典学习的稀疏表示性能比较,并分析了其在高光谱遥感图像实时压缩应用方面的可行性。综上所述可知,本文针对高光谱遥感图像谱间结构相似性的特点,结合小波变换、字典学习和稀疏表示,提出了两种压缩算法。实验结果表明,两种压缩算法均具有优秀的压缩性能,可以作为高光谱遥感图像的高效存储与传输的有效压缩途径。
