论文部分内容阅读
随着计算机技术与对地观测技术的高速发展,遥感影像已广泛应用于军事侦察、粮食估产、资源探测、灾害预防等各个方面。但遥感影像更新速度的加快与分辨率的不断提高,使影像所占内存也在飞速的增长。要解决该问题,就要对影像做更高效的压缩处理。小波分析作为新兴数学分析中代表,具有良好的时-频局部化的能力,并且在人体视觉方面可以很更好的体现,因此其在影像压缩中的应用十分广泛。为了在压缩过程中取得更高的压缩比和压缩质量并同时拥有小波的优点,通常会将小波变换与其它压缩编码相结合。神经网络也是当前的研究热点之一,由于它的自适应性、容错性与较强的学习能力、高度并行处理的能力与人工智能化的联想记忆的能力,很多经典的网络模型都可以有效的应用在影像压缩编码中。如何在图像压缩过程中结合小波变换与神经网络以便同时拥有小波与神经网络的共同优点,这一直是研究者高度关注和致力研究的问题。本文以江西理工大学周围截取512*512区域为研究对象,分别对其进行零树EZW编码、多树级SPIHT编码,BP神经网络以及本文的编码方式分别进行压缩,并对其压缩后大小、PSNR(峰值信噪比)、MSE(均方误差)与压缩时间等进行比较分析。本文采用将小波变换与神经网络进行辅助式结合的编码,首先对需要压缩的影像进行提升小波分解,将影像分解所得的低频系数保留,对高频系数采用神经网络矢量量化编码,最后根据逆变换还原所得的高频系数与保留的低频系数进行图像重构。(1)采用EZW编码压缩后的压缩比,PSNR、MSE与压缩时间分别为8.4,25d B,210,7S,采用SPIHT编码压缩后的值分别为11.7,24d B,207,11S,通过结果可以看出SPIHT在压缩比大于EZW算法的情况下,其压缩质量仍略优于EZW。并在压缩重构影像中可以清晰的看出SPIHT压缩比EZW压缩的影像失真与方块效应更少。SPIHT构造了不同类型的零树集合,这样的设定使得编码方式更加的灵活。(2)采用BP神经网络压缩比、PSNR、MSE与压缩时间分别为9.7,22d B,220,30S,采用本文方法分别为14,29.4d B,74.5,25S。采用本文结合小波与神经网络的方法不仅在压缩比与压缩时间上对神经网络压缩编码有提升,且取得了更好的压缩质量。(3)将本文采用的编码方法与基于小波的编码EZW和SPIHT相比可得本文的压缩方法比单一的小波变换在压缩率更高的情况下,且解压后的视觉效果更好,同时峰值信噪比更高,均方误差更低,即压缩质量更好,但是由于算法复杂度的原因压缩时间更长。