技术领域
[0001] 本
发明属于
图像处理领域，更具体地，涉及一种光谱-空间维联合的高光谱图像无损压缩方法及系统。
背景技术
[0002] 高光谱遥感的光谱分辦率达到纳米量级，在可见光到近短波红外光谱区间的波段数多达数十到数百个。较高的光谱
分辨率使得高光谱图像能够提供更为精细的地物细节信息，在地质调查、矿床探测、精细农业海洋遥感、环境与灾害监测以及军事侦察等领域得到了广泛应用。在高光谱遥感技术发展过程中，随着光谱分辨率和空间分辨率的不断提高，成像光谱仪获取的数据量急剧膨胀，给数据的存储和传输带来了巨大的压
力。
[0003] 由于遥感图像信息十分宝贵，应尽可能采用无损压缩。无损压缩不允许原始的图像信息有任何丢失，通过解码后还原的图像与原始图像之间没有任何误差。无损压缩是对文件本身的压缩，和其它数据文件的压缩一样，是对文件的数据存储方式进行优化，采用某种
算法表示重复的数据信息，文件可以完全还原，不会影响文件内容，对于图像数据而言，也就不会使图像细节有任何损失。因此无损压缩可以看成是一个可逆过程。
[0004] 在静止可见光图像压缩领域，已经制订了统一的国际压缩标准，而在高光谱图像压缩领域，还未形成压缩标准。目前，对于星载多光谱或高光谱图像的压缩，大多直接套用PNG，JPEG-LS，JPEG2000等流行的可见光压缩系统，这些可见光图像压缩系统只能压缩单通道灰度图或者三通道RGB图像，只能消除图像谱内空间相关性，均未考虑波段之间的相关性，压缩性能较低，无法有效减小数据的传输带宽。关于如何消除谱间相关性，高光谱图像压缩领域有许多基于预测的方法，使用简单预测器(比如线性预测)往往预测误差降不下去，压缩能力弱，而使用复杂预测器(如BP神经网路)虽然能保证较小的预测误差，但是本身模型体积较大，算上模型文件的体积，压缩后图像文件体积可能不减反增。另外，简单地直接套用流行可见光压缩器压缩高光谱图像还会浪费大量压缩时间，因此，本领域亟需一种有效实用的高光谱图像数据无损压缩方法。
发明内容
[0005] 针对
现有技术的
缺陷，本发明的目的在于提供一种光谱-空间维联合的高光谱图像无损压缩方法及系统，旨在解决高光谱图像数据无损压缩技术中仍沿用现有可见光图像领域的FILF压缩系统，从而无法实现去除高光谱图像的强谱间相关性，导致压缩性能有限的问题。
[0006] 为实现上述目的，按照本发明的一方面，提供了一种光谱-空间维联合的高光谱图像无损压缩方法，包括以下步骤：
[0007] (1)对原始的高光谱图像进行预处理，矫正成像引起的非线性因素；
[0008] (2)对预处理后的高光谱图像进行可逆整数变换，去除谱间相关性，并保存变换矩阵；
[0009] (3)对可逆整数变换后的高光谱图像逐通道计算图像均匀性，确定均匀性评价指标后分为较均匀的图像通道和均匀性差的图像通道；
[0010] (4)对较均匀的图像通道采用FILF压缩器编码，对所述均匀性差的图像通道采用算术
编码器编码，实现高光谱图像的无损压缩；
[0011] (5)对压缩后的高光谱图像逐通道解码，采用算术编码器编码和采用FILF压缩器编码的待解码的图像通道通过相应的解码方式解码出去除谱间相关性的图像；
[0012] (6)读取步骤(2)得到的变换矩阵，对去除谱间相关性的图像进行可逆整数逆变换，恢复出压缩前的原始的高光谱图像。
[0013] 进一步地，步骤(2)具体包括：
[0014] (2.1)计算预处理后的高光谱图像数据谱间的Pearson相关矩阵Coeff：
[0015]
[0016] 其中，ρ(pi，pj)表示第i个谱段和第j个谱段的Pearson相关系数，具体计算公式如下：
[0017]
[0018] 其中，Cov(pi，pj)表示谱段间的协方差，D(pi)、D(pj)为第i个谱段和第j个谱段的方差。
[0019] (2.2)对Pearson相关矩阵Coeff进行主成分分析得到变换矩阵A上述变换矩阵A仅能实现实数到实数的变换，通过分解得到变换矩阵A＝PLUS实现整数到整数的映射，其中L和U分别为单位下三
角和上三角阵，P为置换矩阵，S为单位元素可逆矩阵。A的具体分解过程如下：
[0020] 假设A为满足分解条件的非奇异矩阵：
[0021]
[0022] (2-3)首先，存在行变换矩阵P1使
[0023] 的第N列的第一个元素 不为零，可以找到s1使 即 于是构造一个单位元素可逆矩阵S1：
[0024]
[0025] 则有
[0026]
[0027] 接着采用传统的高斯消去法，定义初等高斯矩阵：
[0028]
[0029] 则有：
[0030]
[0031] (2-4)重复以上过程N-1次，可得：
[0032] LN-1PN-1 … L2P2L1P1AS1S2 … SN-1＝DRU
[0033] 其中k＝1，2，…N-1；DR为旋转因子，DR＝±1
[0034] (2-5)变换矩阵A最终可分解为下式：
[0035] A＝PLUS
[0036] 其中：P＝(PN-1 … P2P1)T
[0037]
[0038] U＝±LN-1PN-1 … L2P2L1P1AS1S2 … SN-1
[0039]
[0040] (2-6)由于L为下三角矩阵，U为上三角矩阵，S矩阵仅仅最后一行存在有效数据，因此可将LUS合并为一个实数矩阵保存下来。
[0041] (2-7)依次用S,U,L,P变换矩阵左乘高光谱图像数据data，每次乘完矩阵便取整，以实现整数KLT变换，具体公式如下：
[0042] Y＝P*round(L*round(U*round(S*data)))
[0043] 其中，round表示四舍五入取整操作。
[0044] 进一步地，步骤(3)具体包括：
[0045] (3.1)对可逆整数变换后的高光谱图像逐通道计算求最小值并保存，再逐通道减去对应通道的最小值，使得通道图像数据为大于等于0的正整数；
[0046] (3.2)对步骤(3.1)处理后得到的通道图像数据逐通道检查是否有最大值溢出问题，如果该通道图像数据存在溢出，将该通道拆开为2个通道，一个保存高位数据，另一个保存低位数据；
[0047] (3.3)对步骤(3.2)处理后得到的通道图像数据计算图像均匀性，确定均匀性指标后分为较均匀的图像通道和均匀性差的图像通道。
[0048] 进一步地，一个图像通道有M行N列，行
像素均值为ui，均匀性评价指标的确定过程为：
[0049] 图像通道内相邻行像素的自相关系数ρx，具体公式如下：
[0050]
[0051] 图像通道行自相关系数均值
[0052]
[0053] 图像通道内相邻列像素的自相关系数ρy，具体公式如下：
[0054]
[0055] 图像通道列自相关系数均值
[0056]
[0057] 结合图像通道行自相关系数均值 和图像通道列自相关系数均值 定义图像均匀性评价指标psr，具体公式如下：
[0058]
[0059] 进一步地，步骤(4)具体包括：
[0060] 对较均匀的图像通道采用FILF压缩器编码，对均匀性差的图像通道计算灰度值分布，使用高斯函数拟合其灰度值分布，并保存拟合的高斯函数参数，结合算术编码器和拟合的高斯函数参数对该通道图像做
熵编码。
[0061] 进一步地，步骤(5)具体包括：
[0062] 对压缩后的高光谱图像逐通道解码，对采用算术编码器编码的待解码的图像通道，先读取拟合的高斯函数参数，结合算术编码器和拟合的高斯函数参数对该通道图像数据解码；对采用FILF压缩器编码的待解码的图像通道，由FILF压缩器解码。
[0063] 进一步地，步骤(6)具体包括：
[0064] 读取步骤(2)得到的变换矩阵，对所述去除谱间相关性的图像进行可逆整数逆变换；
[0065] 检查被拆的通道记录，将被拆的通道按照高位低位进行合并；
[0066] 读取合并后每个通道图像数据的最小值，并将最小值加到相应的通道，恢复出压缩前的原始的高光谱图像。
[0067] 传统的直接使用可见光压缩器来压缩高光谱图像的方法，通常对高光谱图像相邻的三通道分组进行压缩，虽然可见光压缩器也具备消除组内谱间冗余的能力，但是却无法消除组间的谱间冗余信息。去除谱间相关性的方法有很多，但是绝大多数的变换都是实数变换，不适合做图像无损压缩，只能用在图像
有损压缩上。要想实现数据的无损压缩，除了要求算法为整数变换，还要求算法必须可逆。目前，可逆整数变换方法仅有可逆整数KLT变换和整数
小波变换，但是整数小波变换属于频域变换更适合消除图像谱内空间信息相关性，不能保证把谱间相关性去除彻底，而整数KLT变换属于
正交变换，变换后谱间数据正交，消除谱间相关性的本领更强；之所以选择FILF压缩器，是因为该压缩器是目前可见光图像领域压缩能力最好的压缩器，性能超过了PNG、JPEG-LS和JPEG2000等流行压缩器。不管是什么谱段的高光谱图像，相邻通道图像的成像波段都十分靠近，一般都有较强的谱间相关性。
[0068] 按照本发明的另一方面，提供了一种适用全谱段高光谱图像的无损压缩系统，其特征在于，包括预处理模
块、去谱间相关性模块、图像均匀性评价模块、FILF编码器和算术编码器、FILF
解码器和算术解码器、图像恢复模块；
[0069] 预处理模块用于对原始的高光谱图像进行预处理，矫正成像引起的非线性因素；
[0070] 去谱间相关性模块用于对预处理后的高光谱图像进行可逆整数变换，去除谱间相关性，并保存变换矩阵；
[0071] 图像均匀性评价模块用于对可逆整数变换后的高光谱图像逐通道计算图像均匀性，确定均匀性评价指标后分为较均匀的图像通道和均匀性差的图像通道；
[0072] FILF编码器和算术编码器分别用于对所述较均匀的图像通道采和所述均匀性差的图像通道编码，实现高光谱图像的无损压缩；
[0073] 所述FILF解码器和算术解码器用于对所述压缩后的高光谱图像逐通道解码，采用算术编码器编码和采用FILF压缩器编码的待解码的图像通道通过相应的解码方式解码出去除谱间相关性的图像；
[0074] 图像恢复模块用于读取所述去谱间相关性模块得到的变换矩阵，对去除谱间相关性的图像进行可逆整数逆变换，恢复出压缩前的原始的高光谱图像。
[0075] 进一步地，图像均匀性评价模块包括：
[0076] 高低位拆分单元，用于对可逆整数变换后的高光谱图像逐通道计算求最小值并保存，再逐通道减去对应通道的最小值，使得通道图像数据为大于等于0的正整数，逐通道检查是否有最大值溢出问题，如果该通道图像数据存在溢出，将该通道拆开为2个通道，一个保存高位数据，另一个保存低位数据；
[0077] 均匀性确定单元，用于对得到的通道图像数据计算图像均匀性，确定均匀性指标后分为较均匀的图像通道和均匀性差的图像通道。
[0078] 进一步地，对较均匀的图像通道采用FILF压缩器编码，对均匀性差的图像通道计算灰度值分布，使用高斯函数拟合其灰度值分布，并保存所述拟合的高斯函数参数，结合算术编码器和拟合的高斯函数参数对该通道图像做熵编码；
[0079] 对压缩后的高光谱图像逐通道解码，对采用算术编码器编码的待解码的图像通道，先读取拟合的高斯函数参数，结合算术编码器和拟合的高斯函数参数对该通道图像数据解码；对采用FILF压缩器编码的待解码的图像通道，由FILF压缩器解码。
[0080] 通过本发明所构思的以上技术方案，与现有技术相比，能够取得以下有益效果：
[0081] 1、本发明提出的光谱-空间维联合的高光谱图像无损压缩方法适用于全波段高光谱图像，通过可逆整数KLT变换去除了高光谱图像所有谱段间的强相关性，降低了高光谱图像的信息熵，消除了谱间的信息冗余，提高了FILF压缩器的性能；并且还解决了可能出现的整数溢出问题，提高了FILF压缩器的鲁棒性。
[0082] 2、本发明采用的FILF压缩器属于复杂压缩系统，压缩性能强，但是内部算法复杂度高，耗时长；而算术编码器属于简单压缩系统，速度快，但是压缩能力弱。为了尽可能不损失压缩性能的前提下缩短压缩时间，本发明采用了根据图像均匀程度灵活地在FILF压缩器与算术编码器之间切换的策略，对均匀图像应该选择FILF压缩器以提升压缩能力；但是对于噪声大的非均匀图像FILF压缩器与算术编码器性能相当，此时选择更快的算术编码器以缩短压缩时间。
附图说明
[0083] 图1为本发明提供的改进FILF的实用高光谱图像无损压缩的
流程图；
[0084] 图2为本发明提供的公开高光谱数据Salinas图像；
[0085] 图3(a)为本发明提供的KLT变换后图像Salinas的第1通道图；
[0086] 图3(b)为本发明提供的KLT变换后图像Salinas的第2通道图；
[0087] 图3(c)为本发明提供的KLT变换后图像Salinas的第203通道图；
[0088] 图3(d)为本发明提供的KLT变换后图像Salinas的第204通道图；
[0089] 图4(a)为本发明提供的变换前相邻谱段的相关性曲线图；
[0090] 图4(b)为本发明提供的变换后相邻谱段的相关性曲线图；
[0091] 图5为本发明提供的图像Salinas处理后的各个通道像素值最大动态范围趋势图。
具体实施方式
[0092] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及
实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间不构成冲突就可以相互组合。
[0093] 本发明提供了对去除高光谱图像谱间相关性的方法，不同于常见的实数域KLT分析，该方法使用的一种可逆KLT算法，能保证变换后的数据依然是整数。因此，本发明设计的高光谱图像无损压缩方法尤其适用于高光谱图像数据无损压缩的应用场景。
[0094] 如图1所示，本发明提出了一种光谱-空间维联合的高光谱图像无损压缩方法，包括以下步骤：
[0095] (1)对原始的高光谱图像进行预处理，矫正成像引起的图像
变形和响应漂移等非线性因素；
[0096] (2)对预处理后的高光谱图像进行可逆整数变换，去除谱间相关性，并保存变换矩阵；
[0097] (3)对可逆整数变换后的高光谱图像逐通道计算图像均匀性，确定均匀性评价指标后分为较均匀的图像通道和均匀性差的图像通道；
[0098] (4)对较均匀的图像通道采用FILF压缩器编码，对所述均匀性差的图像通道采用算术编码器编码，实现高光谱图像的无损压缩；
[0099] (5)对压缩后的高光谱图像逐通道解码，采用算术编码器编码和采用FILF压缩器编码的待解码的图像通道通过相应的解码方式解码出去除谱间相关性的图像；
[0100] (6)读取步骤(2)得到的变换矩阵，对去除谱间相关性的图像进行可逆整数逆变换，恢复出压缩前的原始的高光谱图像。
[0101] 本发明还提供了一种适用全谱段高光谱图像的无损压缩系统，其特征在于，包括预处理模块、去谱间相关性模块、图像均匀性评价模块、FILF编码器和算术编码器、FILF解码器和算术解码器、图像恢复模块；
[0102] 预处理模块用于对原始的高光谱图像进行预处理，矫正成像引起的图像变形和响应漂移等非线性因素；
[0103] 去谱间相关性模块用于对预处理后的高光谱图像进行可逆整数变换，去除谱间相关性，并保存变换矩阵；
[0104] 图像均匀性评价模块用于对可逆整数变换后的高光谱图像逐通道计算图像均匀性，确定均匀性评价指标后分为较均匀的图像通道和均匀性差的图像通道；
[0105] FILF编码器和算术编码器分别用于对所述较均匀的图像通道采和所述均匀性差的图像通道编码，实现高光谱图像的无损压缩；
[0106] 所述FILF解码器和算术解码器用于对所述压缩后的高光谱图像逐通道解码，采用算术编码器编码和采用FILF压缩器编码的待解码的图像通道通过相应的解码方式解码出去除谱间相关性的图像；
[0107] 图像恢复模块用于读取所述去谱间相关性模块得到的变换矩阵，对去除谱间相关性的图像进行可逆整数逆变换，恢复出压缩前的原始的高光谱图像。
[0108] 具体地，图像均匀性评价模块包括：
[0109] 高低位拆分单元，用于对可逆整数变换后的高光谱图像逐通道计算求最小值并保存，再逐通道减去对应通道的最小值，使得通道图像数据为大于等于0的正整数，逐通道检查是否有最大值溢出问题，如果该通道图像数据存在溢出，将该通道拆开为2个通道，一个保存高位数据，另一个保存低位数据；
[0110] 均匀性确定单元，用于对得到的通道图像数据计算图像均匀性，确定均匀性指标后分为较均匀的图像通道和均匀性差的图像通道。
[0111] 具体地，对较均匀的图像通道采用FILF压缩器编码，对均匀性差的图像通道计算灰度值分布，使用高斯函数拟合其灰度值分布，并保存所述拟合的高斯函数参数，结合算术编码器和拟合的高斯函数参数对该通道图像做熵编码；
[0112] 对压缩后的高光谱图像逐通道解码，对采用算术编码器编码的待解码的图像通道，先读取拟合的高斯函数参数，结合算术编码器和拟合的高斯函数参数对该通道图像数据解码；对采用FILF压缩器编码的待解码的图像通道，由FILF压缩器解码。
[0113] 本发明通过利用整数KLT去除谱间相关性，以及灵活地切换压缩器的策略，提高了系统压缩性能，还缩短了压缩时间，在一个具体的实施例中，有如下主要步骤：
[0114] (1)根据成像设备相应预的处理流程，对原始的高光谱图像数据先进行预处理，矫正成像仪器引起的图像变形和响应漂移等非线性因素。具体而言，输入图像为公开高光谱数据图像Salinas，如图2所示，图像Salinas为有204个通道的512*217大小的16位灰度图，以下实验结果均在此条件下完成。利用ENVI
软件工具对原始图像Salinas做预处理并保存为Salinas_corrected。预处理步骤十分关键，没有经过预处理的数据谱间相关性差，会降低算法压缩性能。
[0115] (2)对预处理后的高光谱图像Salinas_corrected进行可逆整数KLT正变换，去除谱间相关性，并保存变换矩阵。
[0116] 具体而言，首先计算图像Salinas_corrected谱间的Pearson相关矩阵Coeff：
[0117]
[0118] 其中，ρ(pi，pj)表示第i个谱段和第j个谱段的Pearson相关系数，具体计算公式如下：
[0119]
[0120] 其中，Cov(pi，pj)表示谱段间的协方差，D(pi)、D(pj)为第i个谱段和第j个谱段的方差。
[0121] 接着，对谱间Pearson相关矩阵Coeff进行主成分分析得到变换矩阵A。
[0122] 上述变换矩阵A仅能实现实数到实数的变换，通过分解得到变换矩阵A*＝PLUS实现整数到整数的映射，其中L和U分别为单位下三角和上三角阵，P为置换矩阵，S为单位元素可逆矩阵。A的具体分解过程如下：
[0123] 假设A为满足分解条件的非奇异矩阵：
[0124]
[0125] 首先，存在行变换矩阵P1使
[0126] 的第N列的第一个元素 不为零，可以找到s1使 即 于是构造一个单位元素可逆矩阵S1：
[0127]
[0128] 则有
[0129]
[0130] 接着采用传统的高斯消去法，定义初等高斯矩阵：
[0131]
[0132] 则有：
[0133]
[0134] 重复以上过程N-1次，可得：
[0135] LN-1PN-1 … L2P2L1P1AS1S2 … SN-1＝DRU
[0136] 其中k＝1，2，…N-1；DR为旋转因子，DR＝±1
[0137] 变换矩阵A最终可分解为下式：
[0138] A＝PLUS
[0139] 其中：P＝(PN-1 … P2P1)T
[0140]
[0141]
[0142] 由于L为下三角矩阵，U为上三角矩阵，S矩阵仅仅最后一行存在有效数据，因此可将LUS合并为一个实数矩阵保存下来。
[0143] 依次用S,U,L,P变换矩阵左乘高光谱图像数据data，每次乘完矩阵便取整，以实现整数KLT变换，具体公式如下：
[0144] Y＝P*round(L*round(U*round(S*data)))
[0145] 其中，round表示四舍五入取整操作。
[0146] (3)对KLT变换后的高光谱数据逐通道求最小值并保存，再逐通道减去对应通道的最小值，使得图像数据为大于等于0的正整数。
[0147] 对于具体图像Salinas_corrected，
抽取变换后图像第1，2，203，204通道分别如图3(a)，图3(b)，图3(c)，图3(d)所示；为了说明可逆整数KLT变换去除谱间相关性的效果，分别计算变换前以及变换后相邻谱段的相关性，如图4(a)，图4(b)所示，从图4可以看出，KLT变换后谱间相关性基本消失。
[0148] (4)对步骤(3)处理后得到数据逐通道检查是否有最大值溢出问题，如果该通道图像数据存在溢出，将该通道数据拆开为2个通道，一个保存高位数据，另一个保存低位数据，并记录被拆的数据通道编号，重复检查数据直到不存在最大值溢出问题。
[0149] 对于具体图像Salinas_corrected，可以通过下面公式计算出KLT变换后的最大值为：
[0150]
[0151] 其中，BIT表示图像位数，n表示图像谱段数。已知图像Salinas_corrected为16位，有204个谱段，则可计算出最大值为1872054。因此，最多拆为2个16位通道就可以解决最大值溢出问题。
[0152] 处理后的各个通道像素值最大动态范围如下图5所示。
[0153] (5)对步骤(4)处理后得到数据逐通道计算图像均匀性指标psr。
[0154] 计算图像内相邻行像素的自相关系数ρx，具体公式如下：
[0155]
[0156] 计算图像行自相关系数均值
[0157]
[0158] 计算图像内相邻列像素的自相关系数ρy，具体公式如下：
[0159]
[0160] 计算图像列自相关系数均值
[0161]
[0162] 结合图像行自相关系数均值 和图像列自相关系数均值 定义图像均匀性评价指标psr，具体公式如下：
[0163]
[0164] (6)对均匀性强的图像通道采用FILF压缩器编码；对均匀性差的图像通道数据计算灰度值分布，使用高斯函数拟合其灰度值分布，并保存下来拟合的高斯函数参数，结合算术编码器和拟合的高斯分布函数对该通道图像数据做熵编码。
[0165] 对于具体图像Salinas_corrected，一般认为均匀性指标psr小于0.3的为非均匀图像。
[0166] 高光谱图像解码包括以下步骤：
[0167] (7)逐个通道解码出高光谱图像数据。如果待解码通道使用算术编码器压缩，先读取拟合的高斯函数参数，然后结合算术编码器和拟合的高斯分布函数对该通道图像数据解码。
[0168] (8)检查被拆的通道记录，将被拆的通道按照高位低位进行合并。
[0169] (9)读取每个通道图像数据的最小值，并将最小值加到相应的通道。
[0170] (10)读取可逆整数KLT变换矩阵，对步骤(9)处理后得到数据进行KLT逆变换。具体变换流程如下：
[0171] 首先读取变换矩阵PLUS。
[0172] 假设KLT变换后的高光谱数据为Y，变换前数据为X，为了恢复出X，依次解以下方程：
[0173] PLUSX＝Y
[0174] 由于P为初等矩阵，自身就是整数变换，可解出LUSX：
[0175] LUSX＝PTY
[0176] L为下三角矩阵，逆变换的整数实现为
自上而下计算：
[0177]
[0178] 此时，可解出USX。
[0179] 同理，U为上三角矩阵，逆变换的整数实现为
自下而上计算，可解出SX。
[0180] 同理，S为下三角矩阵，求解方法同上，可解出变换前的高光谱图像数据X。
[0181] 到此，整个压缩与解压缩流程如上所述。
[0182] 为了对比本发明的效果，对图像Salinas_corrected一种采用FILF压缩器直接压缩，另一种采用本发明的方法，定义压缩比CR为压缩后大小与压缩前的比值，最终测试结果如下表1。
[0183] 表1
[0184] 压缩比(CR) 压缩时间(秒)仅FILF 3.07 84
本发明方法 3.39 52
[0185] 从上表可以看出，本发明能够有效提升图像压缩比，相比仅FILF方法提升了0.3；与此同时，压缩时间缩短接近一半。
[0186] 本发明先将输入图像进行预处理，然后再用可逆整数KLT正变换去除谱间相关性。接着逐个图像通道计算均匀性指标psr，根据图像均匀性灵活地切换压缩器。通过执行本发明的方法，可以有效的去除高光谱图像的谱间相关性，使得在FILF压缩性能大幅提高。此外，由于本发明灵活地切换到算术编码器，进一步降低了算法复杂度，提高了算法压缩速度。
[0187] 本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何
修改、等同替换和改进等，均应包含在本发明的保护范围之内。
